Leveraging LLMs for Automatic Feature Extraction in Embedded Systems to Support Software Reuse
Notice bibliographique
Résumé
Embedded systems often accumulate complex, monolithic code, making identifying and reusing functionality across projects difficult. This paper presents an automated approach for extracting reusable software features from embedded C code using six pre-trained large language models (CodeBERT, GraphCodeBERT, CodeT5, CodeGPT-small, PLBART, and UniXcoder). The system embeds code-level features (e.g., functions and global variables) and textual artifacts (e.g. comments, control-flow conditions, and README entries) into a shared semantic vector space. Cosine similarity matches each feature with its most relevant textual artifact, and a coherence score is assigned to capture the strongest alignment across models. High-confidence matches are then clustered using unsupervised learning to reveal logical subsystems within the codebase. We evaluate the method on a heating system controller by manually curating 14 feature-requirement description pairs. Each feature is a functional unit selected from the code, and each description summarizes its intended behavior. These pairs serve as the benchmark for assessing extraction performance. Our method successfully traced features with 86% recall, using conservative thresholding that accepts only semantically strong matches. Clustering based on coherence scores produced interpretable groupings corresponding to logical subsystems such as heating control, safety monitoring, and user interface. Compared to single-model baselines (with recall as low as 22%), the multimodel ensemble method significantly improved coverage by leveraging the semantic diversity of different LLM models. These results demonstrate the feasibility of combining diverse pretrained embeddings with multiple textual sources to support feature extraction and modular reuse in embedded software.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».