无需点击的复刻：如何识别软件仓库复刻

软件“复刻（fork）”的概念随时间发生转变：从导致独立开发线与最终软件产品产生的社区分歧这一（负面）现象，转变为使用分布式版本控制系统（VCS）仓库协作改进单一产品而不相互冲突的（正面）实践。在这两种情况下，参与复刻的 VCS 仓库共享部分共同开发历史。软件复刻研究通常依赖托管平台元数据（如 GitHub）作为何为复刻的真相来源。然而，这些“平台复刻（forge fork）”仅能将平台上创建（例如通过点击平台用户界面上的“fork”按钮）的仓库识别为复刻。代码托管平台（如 GitLab）的日益多样化以及重要开发社区（如并非主要托管于任何单一平台的 Linux 内核）的习惯，令人质疑信赖代码托管平台来识别复刻的可靠性。这样做可能在实证研究中引入选择与方法论偏差。本文中我们探索“软件复刻”的各种定义，试图捕捉现实世界中存在的复刻工作流。我们量化了依据不同定义将在 GitHub 上被识别为复刻的仓库数量的差异，证实仅考虑平台复刻会忽略大量仓库。我们研究复刻网络的结构与规模，观察其如何受所提定义影响，并讨论对实证研究的潜在影响。