基于DBSCAN和随机森林的Git与Mercurial分布式版本控制系统性能特征驱动比较研究

为解决分布式版本控制系统(DVCS)性能评估缺乏系统性的问题，研究人员开展Git与Mercurial的特征驱动比较研究，采用DBSCAN算法消除异常值，利用随机森林(RF)量化仓库特征对CPU时间、内存使用和存储空间的影响，并通过SHAP分析揭示特征作用方向。研究发现Git在CPU和内存使用方面表现更优，而Mercurial在存储优化方面更具优势，为项目选择合适的版本控制系统提供了实践指导。

　　

在软件开发日益复杂的今天，版本控制系统已成为保障代码质量和管理项目演进的核心工具。Git和Mercurial作为最主流的分布式版本控制系统(DVCS)，虽然都提供分支、提交、合并等核心功能，但由于底层架构设计的根本差异，其资源消耗模式存在显著不同。以往的性能比较研究往往基于真实项目仓库，但这些仓库的特征参数（如文件数量、提交次数、仓库大小）通常不明确、不一致或相互纠缠，导致无法准确衡量各输入参数对系统性能的独立和联合影响，使得性能对比结论存在局限性和推测性。

为此，巴林大学信息技术学院的Rashed Bahlool等人开展了一项系统性的性能比较研究，通过生成特征参数受控的合成仓库，结合机器学习方法，首次实现了对Git和Mercurial在不同操作场景下资源消耗模式的量化分析。该研究近期发表在《Array》期刊上。

研究人员采用C#编写自动化测试程序，通过System.Diagnostics.Process类执行版本控制命令并监测资源使用情况。关键技术方法包括：(1)设计合成数据生成方案，创建792种输入组合覆盖版本控制系统类型、操作类型、文件大小、文件数量和提交次数等变量；(2)应用DBSCAN密度聚类算法识别并排除由内部缓存机制引起的性能测量异常值；(3)使用随机森林(RF)算法量化各仓库特征对CPU时间、内存使用和存储空间的影响重要性；(4)通过SHAP(SHapley Additive exPlanations)值分析解释特征作用的方向和强度。

研究结果方面：

通过全球特征重要性分析发现，分支操作(branch)对Mercurial的CPU时间和内存消耗影响最为显著，其重要性得分分别达到0.77和0.89，远高于Git中的0.15和0.09。相反，仓库大小、文件数量和提交次数在Git中对资源消耗的影响更大。对于存储空间，Git的提交次数影响最为明显(重要性得分0.26)，而Mercurial中分支操作的影响最大(0.23)。

SHAP解释性分析进一步揭示了特征作用方向：分支操作在两种工具中都会增加CPU时间，但Mercurial的平均SHAP值(3.91)远高于Git(0.94)，表明Mercurial的CPU开销更大。内存使用方面，Mercurial的分支操作导致平均内存消耗增加1060MB，波动范围也更大(标准差1239MB)，表明其内存行为不如Git稳定。存储空间分析显示，Mercurial在处理大量小文件时表现更稳定(文件数量的标准差140MB)，而Git的存储需求波动较大(标准差162MB)，表明Mercurial在存储优化方面更具优势。

研究结论表明，Git在CPU和内存使用效率方面表现更优，特别是在分支操作上具有明显优势；而Mercurial在存储空间优化方面更具优势，其变更集(delta changeset)机制和独立版本日志(revlog)设计使其更适合存储容量受限的大型项目。这些发现为开发者根据特定项目需求选择版本控制系统提供了实证依据，同时也展示了机器学习方法在软件工程性能评估中的有效应用。

该研究的重要意义在于首次通过严格控制输入参数和机器学习方法，系统量化了Git和Mercurial在不同操作场景下的性能差异，解决了以往研究中存在的参数混淆和异常值干扰问题。研究结果不仅为实践中的工具选择提供了指导，也为软件性能评估领域提供了可重复的研究框架和方法论参考。