个人项目

这个作业属于哪个课程	软工23级
这个作业要求在哪里	个人项目
Github仓库链接	Github仓库
这个作业的目标	锻炼个人完成项目的能力，熟悉流程

1.PSP表格

PSP2.1	Personal Software Process Stages	预估耗时(分钟)	实际耗时(分钟)
Planning	计划	40	45
- Estimate	- 估计这个任务需要多少时间	20	25
Development	开发	400	420
- Analysis	- 需求分析(包括学习新技术)	80	90
- Design Spec	- 生成设计文档	60	70
- Design Review	- 设计复审	30	35
- Coding Standard	- 代码规范(为目前的开发制定合适的规范)	30	35
- Design	- 具体设计	70	80
- Coding	- 具体编码	100	110
- Code Review	- 代码复审	30	35
- Test	- 测试(自我测试，修改代码，提交修改)	70	80
Reporting	报告	50	60
- Test Repor	- 测试报告	30	35
- Size Measurement	- 计算工作量	30	35
- Postmortem & Process Improvement Plan	- 事后总结，并提出过程改进计划	50	60
- 合计	-	890	910

2.计算模块接口的设计与实现过程

该论文查重系统的计算模块采用了模块化设计，主要包含 Main 入口类、TextSimilarity 相似度计算类和 FileHandler 文件处理类。Main 负责文件读取、调用计算方法并输出结果，TextSimilarity 提供余弦相似度和 SimHash 汉明距离计算，FileHandler 负责文件的读写。

核心算法包括：1.余弦相似度计算，通过词频向量的点积和模长计算文本相似性；2. SimHash 指纹计算，对文本哈希后构造 64 位 SimHash 值；3. 计算 SimHash 之间的汉明距离，以检测大规模文本改动。最终相似度得分结合余弦相似度和汉明距离归一化处理，以确保计算合理性。

独到之处在于结合两种检测方式，提高对不同类型文本修改的适应性，并使用CRC32确保哈希稳定，同时采用异常处理机制，增强系统的稳定性。

3.计算模块接口部分的性能改进

在优化计算模块的过程中，使用JProfiler进行性能分析，发现主要的耗时集中在 String.format()（占 32.4%）、computeCosineSimilarity()（占 27.7%）和 computeSimHash()（占 20.5%）。针对这些问题，进行了优化：首先，用 DecimalFormat 替代 String.format() 来减少字符串格式化的开销；其次，在计算余弦相似度时，优化了词频向量的构建方式，减少了不必要的遍历；最后，为SimHash计算引入并行处理方式，加速哈希计算。优化后，整体执行效率得到了明显提升，计算速度更快，系统运行更流畅。

4.计算模块部分单元测试展示

对三个核心函数进行测试，测试了 computeCosineSimilarity方法，该方法用于计算两个文本的余弦相似度。测试数据选择了 "今天是星期天，天气晴朗" 和 "今天是周日，天气很好"，因为它们的内容相似但表述不同，相似度介于 0.5 到 1.0 之间。测试了 computeSimHash方法，输入"测试文本"，确保返回的 SimHash 值不为 0，以验证哈希计算的正确。最后，测试computeHammingDistance 方法，选取 "今天天气很好" 和 "今天的天气不错" 计算 SimHash，并确保它们的汉明距离合理，值在 0 到 64 之间。
单元测试

覆盖率

4.计算模块部分异常处理说明

针对可能出现的异常情况进行异常处理以提高程序的稳定性，对于文件读取异常 (IOException)，当输入文件不存在或损坏时，通过 try-catch 捕获异常，给出提示信息，防止程序崩溃。在空文本异常 (IllegalArgumentException) 处理中，如果 computeCosineSimilarity 或 computeSimHash 方法接收到 null 或空字符串作为输入，直接抛出异常，以确保输入数据的有效性。为了防止SimHash 计算异常 (ArithmeticException)，在 computeSimHash 方法中增加了输入校验，以避免因非法字符或极端输入导致计算失败。在汉明距离计算异常 (IllegalStateException) 处理中，如果 computeSimHash 计算失败并返回 0，则 computeHammingDistance 方法会抛出异常，避免无效的计算。