ComplexityMeasures.jl: scalable software to unify and accelerate entropy and complexity timeseries analysis
University of Exeter(埃克塞特大学);University of Bergen(卑尔根大学)
本文提出开源软件 ComplexityMeasures.jl,通过可组合设计高效实现 1638 种复杂度度量,在性能、度量数量、可靠性和可扩展性上优于现有替代软件,以统一并加速熵与复杂度时间序列分析。
2025-03-06 cs.IT cs.SE math.IT
Software Metrics Evaluation Based on Entropy
行业中的软件工程活动已经走过了漫长的道路,在软件开发生存周期的各个阶段都带来了各种改进。现代软件的复杂性、商业约束和对高质量产品的期望要求在软件开发的早期阶段基于面向对象设计度量在类级别上进行准确的故障预测。面向对象类度量在整个OO软件开发生存周期中被用作质量预测器,即使在采用高度迭代的增量模型或敏捷软件过程时也是如此。最近的研究表明,一些面向对象的设计指标是有用的预测类的故障倾向。在本文中,经验验证的一组度量提出的Chidamber和Kemerer进行评估他们的能力,在预测软件质量的故障倾向和退化。我们还提出了面向对象软件的设计复杂性与加权方法每类度量(WMC-CK度量)表示的香农熵,和错误倾向。
2010-01-20 cs.SE
Slicing Event Traces of Large Software Systems
对由许多访问共享资源的进程组成的大型软件系统进行调试是一项非常困难的任务。许多商业系统在系统执行期间记录基本事件以用于事后分析。然而,大型和长时间运行的系统的事件跟踪可能非常庞大。分析此类事件跟踪以识别错误行为的来源可能非常繁琐、容易出错且效率低下。在本文中,我们提出了一种新的技术切片事件轨迹作为一种手段,减少分析的事件数量。该技术识别可能影响观察到的不正确系统行为的事件。为了识别影响事件,识别事件之间的几种类型的依赖关系。这些依赖关系是从事件跟踪中自动确定的。为了提高切片的精度,我们建议使用额外的依赖关系,称为因果依赖关系,这可以进一步减少切片事件跟踪的大小。我们的初步经验表明,这种切片技术可以显着减少分析的事件跟踪的大小。
2001-01-11 cs.PL cs.SE
DistAD: Software Anomaly Detection Based on Execution Trace Distribution
现代软件系统变得越来越复杂,这使得它们难以测试和验证。在运行时检测复杂系统中的软件部分异常可以帮助处理非预期的软件行为,避免灾难性的软件故障,并提高软件运行时的可用性。这些检测技术旨在识别故障(异常)的表现形式之前,他们最终导致不可避免的故障,从而支持以下运行时容错技术。在这项工作中,我们提出了一种新的异常检测方法命名DistAD,这是基于软件运行时动态执行痕迹的分布。与其他现有的作品使用关键性能指标,执行跟踪收集在运行时通过侵入式仪器。仪器按照取样机制进行控制,以避免过多的间接费用。利用循环神经网络的双向长短期记忆(Bi-LSTM)结构实现异常检测。整个框架在单类神经网络(OCNN)学习模式下构建,可以帮助消除缺乏足够的标记样本和数据不平衡问题的限制。在一个广泛使用的数据库系统Cassandra上进行了一系列的控制实验,证明了该方法的有效性和可行性。还评估了侵入式探测所带来的开销。结果表明,DistAD可以达到超过70%的准确率和90%的召回率(在正常状态下),与未监视的执行相比,不超过2倍的开销。
2022-04-26 cs.SE
Efficient Instrumentation for Performance Profiling
性能分析包括在执行期间跟踪软件系统,然后分析所获得的跟踪。然而,跟踪本身会影响系统的性能,从而扭曲其执行。因此,需要最小化跟踪对底层系统性能的影响。为了实现这一点,需要根据要解决的性能分析问题来优化跟踪集。我们的立场是,只有通过将软件跟踪设计和实现添加到整个软件开发过程中,才能实现这种最小化。在这样的过程中,性能分析师提供性能度量需求的知识,而软件开发人员提供软件的知识。这两者都是最佳跟踪放置所必需的。
2003-07-25 cs.PF cs.SE
Semantically Enhanced Software Traceability Using Deep Learning Techniques
在大多数安全关键领域中,认证机构规定了对可追溯性的需求。跟踪链接通常是在需求、设计、源代码、测试用例和其他工件之间创建的,然而,手动创建这样的链接既耗时又容易出错。自动化解决方案使用信息检索和机器学习技术来生成跟踪链接,然而,当前技术未能理解软件工件的语义或将领域知识集成到跟踪过程中,因此倾向于提供不精确和不准确的结果。在本文中,我们提出了一个解决方案,使用深度学习将需求工件语义和领域知识纳入跟踪解决方案。我们提出了一个跟踪网络架构,利用词嵌入和递归神经网络(RNN)模型来生成跟踪链接。词嵌入学习表示领域语料库知识的词向量,RNN使用这些词向量来学习需求工件的句子语义。我们使用正训练控制域中现有的跟踪链路训练了360种不同配置的跟踪网络,并将双向门控递归单元(BI-GRU)确定为跟踪任务的最佳模型。BI-GRU的性能明显优于最先进的跟踪方法,包括向量空间模型和潜在语义索引。
2018-04-06 cs.SE
Enhancing Automated Software Traceability by Transfer Learning from Open-World Data
软件需求可追溯性是软件工程过程的关键组成部分,支持需求确认、合规性验证和安全保证等活动。然而,手工创建一套完整的跨自然语言工件(如需求、设计和测试用例)的跟踪链接的成本和工作量可能非常昂贵。因此,研究人员提出了主要基于信息检索(IR)技术的自动链接生成解决方案;然而,这些解决方案未能提供工业项目全面采用所需的准确性。可以使用深度学习可追溯性模型来实现改进;然而,它们的有效性受到项目级工件和链接的有限大小和可用性的阻碍,以用作训练数据。在本文中,我们通过提出和评估几种用于文本到文本可追溯性的深度学习方法来解决这个问题。我们的方法名为NLTrace,探索了三种使用从开放世界平台挖掘的数据集的迁移学习策略。通过预训练语言模型(LM)和利用相邻的跟踪任务,我们证明了NLTrace可以显着提高性能的LM为基础的跟踪模型时,训练链接可用。在这种情况下,NLTrace优于性能最佳的经典IR方法,F2分数提高了188%,平均精度(MAP)提高了94.01%。对于F2和MAP,它也分别比基于一般LM的跟踪模型高出7%和23%。此外,NLTrace可以适应其他LM模型无法适应的低资源跟踪场景。从相邻的任务中学习到的知识使NLTrace在生成挑战中的表现优于VSM模型28%F2,当提供少量训练样本时。
2022-07-03 cs.SE
UserTrace: User-Level Requirements Generation and Traceability Recovery from Software Project Repositories
针对现有方法忽视用户级需求与项目演进影响的问题,提出多智能体系统 UserTrace,通过协调四个专门智能体自动生成用户级需求并恢复其实时可追溯链接,实验证明其生成质量和追溯精度均优于基线及现有方法。
2025-09-14 cs.SE
Modeling Hierarchical Usage Context for Software Exceptions based on Interaction Data
在生产中捕获的用户与软件系统交互的痕迹通常用作用户体验测试的输入源。在本文中,我们提出了一种替代用途,引入了一种新的方法来建模用户交互痕迹丰富的另一种类型的数据收集在生产-软件故障报告组成的软件异常和堆栈跟踪。本文描述的模型旨在提高开发人员对特定软件异常周围环境的理解,并可以突出导致软件故障频率高的特定用户行为。由于组合数据源的复杂性和变化性,对交互跟踪和软件崩溃报告的组合进行建模以形成可解释的和有用的模型是具有挑战性的。因此,我们提出了一种概率无监督学习方法,适应嵌套层次狄利克雷过程,这是一种贝叶斯非参数主题模型,通常适用于自然语言数据。这个模型推断出一个主题树,每个主题描述一组通常同时出现的命令和异常。可以按层次结构解释主题树,以帮助对多种类型的异常和交互进行分类。我们将所提出的方法应用于从ABB RobotStudio软件应用程序收集的大规模数据集,并对其进行数值评估和RobotStudio开发人员的小调查。
2019-07-23 cs.SE
From Component Snapshots to Lifecycle Traces: Agent-Based Software Composition Analysis
Huazhong University of Science and Technology(华中科技大学)
针对软件成分分析仅提供阶段快照而无法追踪跨生命周期演变的问题,提出基于智能体的SCA-Agent方法,重建组件生命周期轨迹,在105个真实项目中达到96.69%的漏洞暴露评估F1分数,优于传统工具。
2026-09-17 cs.SE
From Network Traces to System Responses: Opaquely Emulating Software Services
企业软件系统与其环境中的其他服务进行复杂的交互。因此,开发和测试类似生产的条件是一项具有挑战性的任务。先前的方法包括使用显式建模或记录和重放方法来仿真依赖服务。模型需要深入了解目标服务,而记录和重放的准确性有限。我们提出了一种新的技术,提高了记录和重放方法的准确性,而不需要先验知识的服务。该方法使用多序列对齐从记录的系统交互中获得消息原型,并使用一种方案将传入的请求消息与消息原型进行匹配以生成响应消息。我们引入了一个修改后的Needleman-Wunsch算法,用于在消息匹配过程中进行距离计算,在消息原型中使用通配符用于高可变性部分,并在距离计算中使用基于熵的权重以提高准确性。结合起来,我们的新方法对四个评估的企业系统消息传递协议的准确率超过99%。
2016-04-19 cs.SE
Grand Challenges of Traceability: The Next Ten Years
2007年,软件和系统可追溯性社区在第一届自然桥研讨会上讨论了可追溯性的重大挑战,以建立和解决实现有效,可信和无处不在的可追溯性的研究目标。十年后的2017年,社区聚集在一起,评估实现这些目标的十年进展。这些程序记录了其中的一些进展。它们包括一系列简短的立场文件,代表了在可追溯性实践的四个过程轴上组织的社区中的当前工作。会议涵盖了跟踪策略,跟踪链接创建和演变,跟踪链接使用,可追溯性的实际应用,以及可追溯性数据集和基准测试等主题。两个分组重点讨论了在研究界内创建和共享可追溯性数据集的重要性,并讨论了在工业实践中采用追溯技术所面临的挑战。研究社区的成员参与了许多积极的,正在进行的和有影响力的研究项目。我们的希望是,十年后,我们将能够回顾这十年富有成效的研究,并声称我们已经实现了可追溯性的总体挑战,即寻求可追溯性始终存在,内置于工程过程中,并使其“有效地消失得无影无踪”。我们希望其他人能够看到可追溯性的潜力,使软件和系统工程师能够以越来越高的复杂性和规模开发更高质量的产品,并且他们将加入软件和系统可追溯性研究人员的活跃社区,因为我们正在进入下一个十年的研究。
2017-10-09 cs.SE
Open-SWE-Traces: Advancing Dual-Mode Multilingual Distillation for Software Engineering Agents
NVIDIA(英伟达)
为解决软件工程智能体训练数据稀缺问题,构建包含20万条轨迹、覆盖9种编程语言的数据集,采用混合推理合成方法,微调Qwen3-30B-A3B系列模型,在SWE-bench基准上取得领先性能。
2026-06-16 cs.AI cs.SE
Automatic Traceability Maintenance via Machine Learning Classification
以前的研究表明,软件可追溯性,将项目中不同来源的相关工件链接在一起的能力(例如,源代码、用例、文档等),通过帮助开发人员和其他利益相关者完成影响分析、概念定位等常见任务来提高项目成果。在软件系统中建立可追溯性链接是一项重要且昂贵的任务,但这只是工作的一半。随着项目的维护和发展,新的工件被添加,现有的工件被更改,导致过时的可跟踪性信息。因此,需要采取特定的步骤来确保可追溯性链接与项目的其余部分保持一致。在本文中,我们解决这个问题,并提出了一种新的方法,称为TRAIL在系统中维护可追溯性信息。TRAIL的新颖之处在于,它利用先前捕获的关于项目可追溯性的知识来训练机器学习分类器,然后可以使用该分类器来导出新的可追溯性链接并更新现有的可追溯性链接。我们评估了TRAIL的11个常用的可追溯性数据集从六个软件系统,并将其与七个流行的信息检索(IR)技术,包括最常用的方法在以前的工作。结果表明,TRAIL优于所有IR方法的精度,召回率和F-分数。
2018-07-17 cs.SE
TransferFuzz: Fuzzing with Historical Trace for Verifying Propagated Vulnerability Code
针对代码复用导致漏洞传播但现有方法无法验证其在新环境中可触发的问题,提出TransferFuzz框架,通过提取基础二进制文件的历史轨迹并结合密钥字节引导变异与嵌套模拟退火算法,实现高效验证,速度为现有方法的2.5-26.2倍,还扩展了15个漏洞的受影响范围。
2024-11-27 cs.SE
Heuristic-based Mining of Service Behavioral Models from Interaction Traces
软件行为模型已被证明是有效的仿真和测试软件系统。已经提出了许多技术来推断软件系统的行为模型,从他们的交互痕迹。推断模型的质量对其成功使用至关重要。虽然推广是必要的,推导出简洁的行为模型,现有的技术推断模型,一般来说,过度概括什么行为是有效的。不精确的模型包括许多虚假的行为,从而损害其使用的有效性。在本文中,我们提出了一种新的技术,增加了从交互痕迹推断的行为模型的准确性。我们的方法的本质是一个基于经验的泛化和真实的最小化。该集合包括用于匹配输入跟踪的模式,并将其概括为简洁的模型表示。此外,我们采用一个真实的最小化技术合并这些广义的轨迹。我们的方法的关键见解是推断出一个简洁的行为模型,而不影响其准确性。我们提出了一个实证评估,我们的方法如何提高后,国家的最先进的规范推理技术。结果表明,我们的方法挖掘模型与100%的准确率和召回有限的计算开销。
2020-11-01 cs.SE
SWE-Fuse: Empowering Software Agents via Issue-free Trajectory Learning and Entropy-aware RLVR Training
Ant Group(蚂蚁集团);The Chinese University of Hong Kong(香港中文大学)
SWE-Fuse通过融合问题描述引导和无问题样本,提升软件代理在解决现实问题中的性能,其熵感知训练模块有效平衡探索与稳定性。
2026-03-09 cs.AI cs.SE
Software Runtime Monitoring with Adaptive Sampling Rate to Collect Representative Samples of Execution Traces
本研究提出一种带统计学基础算法的自适应软件运行时监控流程,可动态调整采样率,在较低性能影响下提升执行轨迹样本代表性,效果优于传统反比采样策略。
2023-05-01 cs.SE
Loosely-Structured Software: Engineering Context, Structure, and Evolution Entropy in Runtime-Rewired Multi-Agent Systems
The Hong Kong University of Science and Technology(香港科技大学);AI Chip Center for Emerging Smart Systems(新兴智能系统人工智能芯片中心);University of Macau(澳门大学);Tsinghua University(清华大学)
本文提出松散结构软件,通过运行时熵管理提升多智能体系统的可设计性、可扩展性和可进化性。
2026-03-16 cs.AI cs.SE
Natural Language Processing for Requirements Traceability
该综述梳理了需求可追溯性领域的核心概念与典型任务,介绍了NLP技术在相关任务中的应用方法、实验设计方案及实践落地要点,为构建NLP驱动的自动化可追溯性方案提供基础指引。
2024-05-17 cs.SE
Learning Test Traces
现代软件项目包括自动化测试,用于检查程序的功能。测试调用的函数集称为测试的跟踪,获取跟踪的动作称为跟踪。有许多跟踪工具,因为跟踪对于各种软件工程任务都很有用,例如测试生成、故障定位和测试执行计划。使用测试迹线的一个主要缺点是获得它们,即,跟踪在计算资源和运行时间方面可能是昂贵的。先前的工作试图以各种方式解决这个问题,例如,通过选择性地仅跟踪某些软件组件或压缩运行中的跟踪。然而,所有这些方法仍然需要构建项目并执行测试,以获得其(部分,可能是压缩的)跟踪。这在许多情况下仍然非常昂贵。在这项工作中,我们提出了一种方法来预测每个测试的痕迹,而不执行它,只基于静态属性的测试和测试程序,以及过去的经验,在不同的测试。这种预测是通过应用监督学习来学习测试和函数的各种静态特征之间的关系以及一个将另一个包含在其轨迹中的可能性来完成的。然后,我们将展示如何使用预测的痕迹,在最近的自动故障排除范例称为学习诊断和计划(LDP),而不是实际的,成本高昂,以获得,测试痕迹。在对现实世界的开源项目的初步评估中,我们观察到我们的预测质量是合理的。此外,在LDP中使用我们的跟踪预测与使用真实跟踪时产生几乎相同的结果,同时需要更少的开销。
2019-09-09 cs.SE
Second-Guessing in Tracing Tasks Considered Harmful?
[背景和动机]跟踪矩阵是任务和安全关键软件系统开发的关键,对所有软件系统都很有用,但用于恢复跟踪链接的自动化方法还远远不够完美。这种限制使得必须审查恢复的跟踪链接的人类分析师的工作更加困难。[问题/难题]早期的研究表明,执行跟踪恢复任务时的某些分析师行为会导致恢复的跟踪关系的准确性降低。我们提出了一个三步的实验研究:(a)确定是否真的有行为,导致错误的判断分析,(b)增强需求跟踪软件,以减少这种行为,(c)确定是否减少这种行为的结果在增加的准确性。[主要思想/结果]我们报告了我们进行的初步研究,其中我们修改了RETRO.NET的用户界面,以减少早期工作中指出的两种行为。我们报告观察到的结果。[贡献]我们描述并讨论了一项关于潜在不必要的分析师行为的主要研究,并提出了初步研究的结果,以确定通过增强跟踪软件来抑制这些行为是否会导致更少的人为错误。
2018-04-09 cs.SE
STraceBERT: Source Code Retrieval using Semantic Application Traces
University of California at Davis(加州大学戴维斯分校)
提出 STraceBERT,通过 Java 动态跟踪与 BERT 预训练实现方法源代码检索,并在实验中优于现有方法。
2023-12-07 cs.AI cs.IR cs.SE
A Survey of Challenges for Runtime Verification from Advanced Application Domains (Beyond Software)
可执行性验证是形式化方法的一个领域,它研究针对形式化规范的执行跟踪的动态分析。通常,运行时验证工作中的两个主要活动是根据规范创建监视器的过程,以及根据生成的监视器评估跟踪的算法。其他活动涉及系统的仪表化以生成跟踪以及被分析系统与监视器之间的通信。运行时验证中的大多数应用都集中在软件的动态分析上,尽管在其他计算设备和目标系统中有更多的潜在应用。在本文中,我们提出了一个集合的挑战,从具体的应用领域提取的运行时验证,重点是必须克服的困难,以解决这些具体的挑战。表征这些领域的计算模型需要在运行时验证中设计出超越当前最先进技术的新技术。
2018-11-16 cs.SE
Literate Tracing
Stanford University(斯坦福大学)
本文提出文学化追踪范式,用带注释的具体执行轨迹解释软件系统,并介绍工具TReX,已用于Linux内核、Git和GCC等大型系统。
2025-10-10 cs.PL cs.SE
The Ground Is Shifting: A Reflection on the Foundations of Software Measurement
Carnegie Mellon University(卡内基梅隆大学);University of Tennessee(田纳西大学)
本文反思软件测量的基础,指出AI智能体使用工具产生的轨迹违背了原始假设,提出开展AI辅助复现计划以开发适应当前数据的有效方法,维持软件测量的相关性。
2026-08-05 cs.SE
Probabilistic Model Checking of DTMC Models of User Activity Patterns
软件开发人员不能总是预测用户将如何实际使用他们的软件,因为它可能因用户而异,甚至因单个用户的使用而异。为了解决系统开发人员和评估人员对软件使用情况提出的问题,我们定义了新的概率模型,根据从实际记录的用户痕迹推断的活动模式,对用户行为进行分析。我们在概率模型检查器中对这些新模型进行编码,并使用概率时态逻辑来深入了解软件使用情况。我们通过应用程序来激励和说明我们的方法,以记录iOS应用程序的用户痕迹。
2014-03-20 cs.LO cs.SE
Using Consensual Biterms from Text Structures of Requirements and Code to Improve IR-Based Traceability Recovery
可追溯性根据两个工件是否通过系统功能相关来批准软件工件之间的跟踪链接。这些痕迹对软件开发很有价值,但很难手动获得。为了应对昂贵的和容易出错的手动恢复,自动化的方法被提出来恢复痕迹,通过软件工件之间的文本相似性,如那些基于信息检索(IR)。然而,低质量和数量的工件文本的负面影响计算的IR值,从而极大地阻碍了基于IR的方法的性能。在这项研究中,我们提出从需求和代码的文本结构中提取共现词对(即,共识双项),以提高基于IR的可追溯性恢复。我们首先根据需求文本的词性收集一组双术语,然后通过代码文本过滤它们。然后,我们使用这些一致的双术语,既丰富了输入语料库的IR技术,提高计算的IR值。基于九个系统的评估表明,一般来说,当单独用于增强IR技术时,我们的方法可以在AP中分别超过纯IR方法和另一基线21.9%和21.8%,在MAP中分别超过9.3%和7.2%。此外,当用于从不同角度与另一种增强策略合作时,它可以在AP和MAP中分别超过该基线5.9%和4.8%。
2022-09-05 cs.SE
Improving the Effectiveness of Traceability Link Recovery using Hierarchical Bayesian Networks
William & Mary(威廉与玛丽学院);Cisco Advanced Security Research Group(思科高级安全研究组);Cisco Security and Trust Engineering(思科安全与信任工程部)
可追溯性是现代软件开发过程的基本组成部分,有助于确保程序正常运行和安全。由于手动建立跟踪链接的成本很高,研究人员已经开发出自动化的方法,使用相似性度量来绘制文本软件工件之间的关系。然而,这种技术的有效性往往是有限的,因为它们只利用单一的测量工件相似性,不能同时建模(隐式和显式)的各种开发工件的组之间的关系。在本文中,我们说明了如何通过使用量身定制的概率模型来克服这些限制。为此,我们设计并实现了一个层次化的ProObjectiveModel for SoftwarE Traceability(彗星),它能够推断出候选跟踪链接。Comet能够通过结合文本相似性的多种测量的互补观察能力来建模工件之间的关系。此外,我们的模型可以从整体上整合来自不同来源的信息,包括开发人员的反馈和软件工件组之间的传递(通常是隐式的)关系,以提高推理的准确性。我们对Comet进行了全面的实证评估,说明了在最佳情况下$\approx$ 14%的一组最佳配置基线上的改进,以及在所有受试者中$\approx$ 5%的平均精度。Comet在实践中的相对有效性可能更高,因为通常不可能进行最佳配置。最后,我们在对使用原型Comet Jenkins插件的Cisco Systems开发人员的调查中说明了Comet的实用性潜力。
2022-04-11 cs.AI cs.SE
EGSS: Entropy-guided Stepwise Scaling for Reliable Software Engineering
Ant Group(蚂蚁集团)
EGSS通过熵引导的自适应搜索和稳健的测试套件增强,解决了代理测试时间缩放中的计算开销问题,提升了性能并降低了推理时间。
2026-02-05 cs.AI cs.LG cs.SE
Integration-First Structural Coverage for Embedded Software:Trace-Based Evidence, Hybrid Runtime Analysis, and Cross-Variant Consolidation
accemic
针对嵌入式软件结构覆盖仅在单元级收集的不匹配问题,提出优先集成的覆盖策略,结合混合运行时分析(hRA)实现类发行版二进制的覆盖测量,通过Hyper Coverage整合多维度证据,定位未测试源码行。
2026-08-14 cs.SE
Empirical Evaluation of Taxonomic Trace Links: A Case Study
Blekinge Institute of Technology(布莱金厄理工学院);Ericsson(爱立信)
本文通过工业场景实证评估Taxonomic Trace Links方法,发现其在某些场景下有效,但需改进分类器精度和领域特定分类法构建。
2026-04-09 cs.SE
Fork Entropy: Assessing the Diversity of Open Source Software Projects' Forks
本文提出基于 Rao 二次熵的 fork 熵度量,用于量化 OSS 项目 fork 群体的多样性,并通过 GitHub 五十个项目的实证研究表明该度量与外部生产力、PR 接受率和缺陷数量等结果显著相关,能够超越 fork 数量提供更深入的项目洞察。
2023-09-19 cs.SE
Improving Trace Link Recommendation by Using Non-Isotropic Distances and Combinations
Siemens AG(西门子股份公司)
针对软件制品跟踪链接自动计算问题,本文从几何视角研究非线性、非各向同性相似性度量及组合,并在开源与工业项目上验证其推荐效果。
2023-07-15 cs.AI cs.IR cs.SE
No Accidental Software Agent First Canonical Code for Human Code Entropy Reduction and 30 to 500 times Lower Frontier Model Requirements
提出智能体优先的正则代码方法,通过行为等价商化人类代码中的意外熵,实现30-500倍的前沿模型需求降低,核心是行为等价商化和证明携带变更。
2026-06-15 cs.AI cs.SE
Investigating Technology Usage Span by Analyzing Users' Q&A Traces in Stack Overflow
本文分析 Stack Overflow 约 9.7 万活跃用户 15 年间的 670 万条问答痕迹,识别高使用跨度与新兴技术,为技术选型和后续研究提供基准。
2023-12-05 cs.SE
Beyond the 'Diff': Addressing Agentic Entropy in Agentic Software Development
Dipartimento Tecnologie Innovative, SUPSI(技术创新部,SUPSI);Dalle Molle Institute for Artificial Intelligence (IDSIA), SUPSI(达勒莫利人工智能研究所(IDSIA),SUPSI);Management in Networked and Digital Societies (MINDS) Department, Kozminski University(网络化与数字化社会管理(MINDS)系,科津斯基大学);Institute of Biomedical Ethics and History of Medicine, University of Zurich(生物医学伦理与医学史研究所,苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
本文提出一种过程导向的可解释框架,通过时间、工具调用和架构边界揭示代理决策过程,解决代理行为与架构意图的偏离问题,为代理监控提供意图层面的 telemetry。
2026-04-21 cs.AI cs.SE
Test Case Generation using Mutation Operators and Fault Classification
软件测试是软件开发过程的重要阶段。但是,软件开发人员很容易错过这个阶段,因为他们完成项目的时间有限。因为,软件开发人员在接近交付时间时完成了他们的软件;他们没有足够的时间通过创建有效的测试用例来测试他们的程序。.软件测试的主要困难之一是生成满足给定充分性准则的测试用例。此外,在最后的高峰时间,手工创建测试用例对于软件开发人员来说是一项繁琐的工作。一种新的生成测试用例的方法可以帮助软件开发人员在软件开发的早期阶段(编码之前)从软件规格说明中创建测试用例,以及从软件开发之后(编码之后)的程序执行跟踪中创建测试用例。启发式技术可以用于创建高质量的测试用例。变异测试是一种对软件单元进行测试的技术,对于提高测试质量、保证软件的高可靠性有着巨大的潜力。本文提出了一种基于变异测试的测试用例生成技术,从程序执行轨迹中生成测试用例,使测试用例可以在编码后生成。本文详细介绍了变异测试生成测试用例的实现方法。该算法已被证明是一个例子。
2010-02-10 cs.SE
An Empirical Study of Proactive Coding Assistants in Real-World Software Development
College of AI, Tsinghua University(清华大学人工智能学院);Fitten Tech Co., Ltd.(Fitten科技有限公司)
本文通过大规模实证研究,分析了模拟与现实数据在主动意图预测中的差异,提出ProCodeBench基准,并指出模拟数据无法替代真实数据。
2026-05-07 cs.AI cs.SE
A-JIT: Agentic Just-In-Time Software Construction
University of Kentucky(肯塔基大学);University College London(伦敦大学学院)
A-JIT提出以嵌入式AI智能体持续观察运行轨迹、动态构建缺失功能并适应终端用户行为的软件范式,取代静态二进制部署,支持自演化软件设计。
2026-09-10 cs.AI cs.SE
Measuring LLM Trust Allocation Across Conflicting Software Artifacts
University of Texas at Dallas(德克萨斯大学达拉斯分校);IQVIA Inc.(IQVIA公司)
研究探讨LLM在处理冲突软件构件时的信任分配问题,提出TRACE框架评估不同构件的质量、不一致性和信任校准,发现模型在检测文档错误时表现优于实现错误,但对实现漂移而文档无误的情况检测率下降,且信任校准不佳。
2026-07-23 cs.AI cs.SE
Evolving Collaboration, Dependencies, and Use in the Rust Open Source Software Ecosystem
开源软件(OSS)在工业、研究和政府中广泛传播。OSS代表了一种有效的开发模式,因为它以可扩展的方式利用了许多开发人员的分散努力。由于OSS开发人员在相互依赖的模块上独立工作,他们以生态系统的形式创建了一个更大的整体,留下了他们的贡献和合作的痕迹。从这些跟踪中获得的数据使大规模分散协作工作的研究成为可能。我们展示了Rust生态系统中数万名开发人员的活动数据,以及他们的库之间不断发展的依赖关系。这些数据涵盖了开发人员对Rust库的七年贡献,可用于重建生态系统的开发历史,例如不断增长的开发人员协作网络或依赖网络。这些数据还辅以下载量和受欢迎程度的统计数据,跟踪随着时间的推移使用和成功的动态。总的来说,这些数据全面反映了生态系统的几个方面。
2022-11-23 cs.SE cs.SI
A Simple Trace Semantics for Asynchronous Sequence Diagrams
本文针对UML时序图语义不明确且现有方案过于复杂的问题,提出基于正则语言理论的简单迹语义,覆盖主要组合片段及生命线创建删除,便于工程师使用。
2025-01-19 cs.FL cs.SE