SpaceTime Programming: Live and Omniscient Exploration of Code and Execution
Université de Rennes, IRISA(雷恩大学,IRISA);Université de Rennes, CNRS, IRISA(雷恩大学,CNRS,IRISA);Université de Rennes, Inria, CNRS, IRISA(雷恩大学,Inria,CNRS,IRISA)
本文提出时空编程,整合多种编程范式,通过追踪机制同时探索代码变更与执行流程,展示了Python库在实时全知调试器和Pygame游戏开发中的应用及性能评估。
2026-03-19 cs.SE
Symbolic Partial-Order Execution for Testing Multi-Threaded Programs
我们描述了一种多线程程序的系统测试技术。我们结合准最优偏序约简,一个国家的最先进的技术,解决路径爆炸,由于交错的非确定性,与符号执行来处理数据的非确定性。我们的技术迭代地和详尽地发现程序的所有执行。它使用偏序表示程序执行,并使用底层展开语义查找下一次执行。我们避免了使用截止事件的冗余程序痕迹的探索。我们实现了我们的技术作为KLEE的扩展,并评估了一组大型多线程C程序。我们的实验在memcached和GNU sort中发现了几个以前未发现的bug和未定义的行为,表明新方法能够在工业规模的基准测试中发现bug。
2020-07-22 cs.PL cs.SE
Control and Data Flow Execution of Java Programs
十年来,对程序的理解已经成为学生以及参与软件开发过程和为开放问题提供解决方案的其他人的必修任务。在这方面,以最好的方式显示在一个图形表示的问题是一个关键的优势,以更好地理解it.We提供的模型和结构,Java程序理解的控制和数据流分析的执行。特别是它有助于理解Java程序的静态分析,这是软件维护的一个极其重要的阶段。我们提供了Java程序可视化的信息和模型,可以帮助更好地理解程序的学习和分析目的。为构建可视化工具提供的思想是从Java程序的执行中提取数据和控制分析。通过实例分析,证明了本文的思想对理解Java程序的静态分析、软件调试和软件维护具有重要意义。
2017-07-27 cs.SE
Timestamp Based Execution Control for C and Java Programs
许多程序员不得不处理一个被覆盖的变量,例如由于别名问题。罪魁祸首显然是在bug出现之前对该内存位置的最后一次写访问。移除这些bug的常用技术是从调试器开始,通过(1)找到最后一次写入,(2)通过从头开始重新执行程序,将执行的控制点移回该时间。我们希望将其自动化。如果我们能以某种方式标记在步骤(1)中发现的最后一次写入并控制执行点将其移回此时,则步骤(2)很容易。在本文中,我们提出了一个新的概念,位置,即程序执行轨迹中的一个点,需要上述步骤(2)。该职位使调试器能够自动控制程序执行,以支持常见的调试活动。我们在C中通过修改GCC实现了位置,在Java中通过字节码Transformer实现了位置。测量结果表明,该位置可以提供可接受的开销量。
2003-09-17 cs.SE
Collecting Graphical Abstract Views of Mercury Program Executions
程序执行监视器是收集和抽象有关程序执行的信息的程序。“collect”操作符是一个高级的通用原语,它允许用户实现自己的监视器。“收集”建立在水星轨迹之上。在以前的工作中,我们已经演示了如何使用该操作符来有效地收集有关Mercury程序执行的各种统计信息。在本文中,我们通过提供更多的监视器示例,进一步展示了“collect”的表达能力和有效性。特别是,我们将展示如何实现监视器,生成图形抽象的程序执行,如证明树,控制流图和动态调用图。我们展示了这些抽象如何可以很容易地修改和适应,因为这些监视器只需要几十行代码。这些抽象旨在作为软件可视化工具的前端。虽然“collect”目前是在Mercury跟踪之上实现的,但它的基本概念都不依赖于Mercury,它可以在任何程序设计语言的任何跟踪程序之上实现。
2000-10-31 cs.PL cs.SE
A Symbolic Execution Algorithm for Constraint-Based Testing of Database Programs
在所谓的基于约束的测试中,符号执行是一种常见的技术,用作为命令式程序生成测试数据的过程的一部分。数据库在软件中无处不在,因此对操纵数据库的程序进行测试对于提高软件的可靠性至关重要。本文提出了一种基于约束的数据库程序测试的符号表示算法,并进行了实验评估。首先,我们描述了SimpleDB,一种形式语言,它提供了一个最小的和定义良好的语法和语义,以模拟程序和数据库之间的常见交互场景。其次,我们详细介绍了所提出的算法,符号执行的SimpleDB模型。该算法将SimpleDB程序视为对一组关系变量的操作序列,对数据库表和程序变量进行建模。通过将程序的这种关系模型与经典的静态符号执行相结合,该算法可以为程序的控制流图中的任何有限路径生成一组路径约束以进行测试。这些约束的解是程序的测试输入,包括数据库的初始内容。当相对于这些输入执行程序时,保证遵循生成约束的路径。最后,该算法进行了实验评估,使用有代表性的SimpleDB模型。
2015-01-23 cs.SE
A Precise Program Phase Identification Method Based on Frequency Domain Analysis
在本文中,我们提出了一个系统的方法,将程序执行跟踪到频域,并精确地识别程序阶段。分析结果可以嵌入到程序代码中,以标记每个阶段的起始点和执行特性,例如CPI(每指令周期数)。如此生成的信息可以应用于运行时程序阶段预测。有了精确的程序阶段信息,可以进一步探索和开发更智能的软件和系统优化技术。
2021-09-10 cs.PF cs.SE
AlgoTouch: An Execution-Centered Approach to Incremental Construction of Imperative Programs
University of South Brittany(南布列塔尼大学);IRISA
提出AlgoTouch系统,通过直接操作程序数据并记录执行行为,增量构建命令式程序,自动合成控制结构并生成多种主流语言代码。
2026-06-02 cs.SE
Execution-free Program Repair
针对自动程序修复依赖测试导致成本高且无法保证正确性的问题,本文提出 Proof2Fix 方法与工具,利用程序证明器在不运行程序或测试的情况下发现并修复历史缺陷。
2024-05-09 cs.SE
Neural Program Repair with Execution-based Backpropagation
神经机器翻译(NMT)架构在自动程序修复方面取得了可喜的成果。然而,它们具有生成低质量补丁的限制(例如,不可编译的补丁)。这是因为现有的工作仅优化基于字符和标记的纯语法损失函数,而没有在神经网络权重优化期间并入程序特定的信息。在本文中,我们提出了一种新的程序修复模型称为奖励修复。RewardRepair的核心新颖性是通过基于程序编译和测试执行信息的损失函数来改进基于NMT的程序修复,奖励网络生成可编译且不会过拟合的补丁。我们进行了几个实验来评估RewardRepair,表明使用编译和测试执行结果来优化底层神经修复模型是可行和有效的。RewardRepair在四个基准测试中正确修复了207个错误。我们报告修复成功的121个错误是固定的第一次在文献中。此外,RewardRepair生成高达45.3%的可编译补丁,比最先进的39%有所提高。
2022-04-10 cs.SE
Enhancing Symbolic Execution of Heap-based Programs with Separation Logic for Test Input Generation
符号执行是测试输入生成的一种成熟方法。尽管在数值域上取得了巨大的成功,现有的基于堆的程序的符号执行技术是有限的,由于缺乏一个简洁和精确的描述符号值在无界堆。在这项工作中,我们提出了一个新的符号执行方法的堆为基础的程序的基础上分离逻辑。我们的建议的本质是上下文敏感的惰性初始化,有效的测试输入生成的新方法。我们的方法在两个方面不同于现有的方法。首先,我们的方法是基于分离逻辑,这使我们能够准确地捕捉基于堆的程序的先决条件,使我们避免产生无效的测试输入。其次,我们只生成完全初始化的测试输入,这是更有用的,在实践中相比,那些部分初始化的测试输入所产生的最先进的工具。我们已经实现了我们的方法作为一个工具,称为Java Starcraft,并评估了一组程序与复杂的堆输入。实验结果表明,该方法显著减少了无效测试输入的数量,提高了测试覆盖率。
2019-09-16 cs.SE
Towards Symbolic Pointers Reasoning in Dynamic Symbolic Execution
动态符号执行是一种广泛用于自动化软件测试的技术,旨在探索执行路径和检测程序错误。一个混合的方法最近变得普遍,当符号执行的主要目标是帮助模糊增加程序的覆盖率。符号执行器可以反转的分支越多,它对模糊器就越有用。程序控制流通常依赖于内存值,这些内存值是通过从用户输入计算地址索引而获得的。然而,大多数DSE工具不支持这种依赖关系,因此它们会错过一些所需的程序分支。我们实现了符号地址推理的内存读取在我们的动态符号执行工具Sydr。可能的存储器访问区域是通过分析存储器地址符号表达式,或二进制搜索与SMT求解器确定。我们提出了一种增强的线性化技术来模拟内存访问。在程序集上比较了不同的内存建模方法。我们的评估表明,符号地址处理允许发现新的符号分支,并增加程序覆盖率。
2022-03-22 cs.CR cs.SE
File Managing and Program Execution in Web Operating Systems
Web操作系统可以看作是传统操作系统的扩展,其中用于管理文件和执行程序的地址(通过基本的加载/执行机制)从本地文件系统路径名扩展到URL。第一个结果是,类似于在传统的web技术中,在给定的URL处执行程序可以以两种方式完成:或者在调用机器处的客户端侧执行(并且在被执行的程序中设置相对URL寻址以引用被调用的URL),或者在由被调用的URL寻址的机器处的服务器侧执行执行(例如,对于Web服务)。此外,在此上下文中,用于访问程序和文件的用户标识以及服务程序的基于工作流的组合自然基于令牌/会话类机制。我们提出了一种基于客户端-服务器协议和一组原语的中间件,用于在Web操作系统中管理文件/资源和执行程序(以客户端/服务器端组件/服务的形式)。我们正式定义这样的中间件的语义通过一个进程代数的方法。
2010-05-27 cs.OS cs.SE
Tracing and Explaining Execution of CLP(FD) Programs
以前在跟踪CLP(FD)程序方面的工作主要集中在提供有关执行控制和域修改的信息。在本文中,我们提出了一个跟踪结构,提供有关其他重要方面的信息。我们在跟踪结构中加入解释,即某些求解器操作发生的原因。此外,我们提出了一个格式来描述执行的过滤算法的全局约束。文中还对轨迹设计提出了一些新的看法。例如,我们将跟踪建模为嵌套块结构,以实现分层视图。此外,新的方法如何表示和识别不同的实体,如约束和域变量。
2002-07-12 cs.SE
Natural Language to Code Translation with Execution
Meta AI;Toyota Technological Institute at Chicago(芝加哥丰田技术研究院);Carnegie Mellon University(卡内基梅隆大学);University of Washington(华盛顿大学)
在大型程序语料库上预训练的代码生成模型在将自然语言转换为代码方面已经显示出巨大的成功(Chen et al.,2021; Austin等人,2021年; Li等人,2022年,除其他外)。虽然这些模型没有明确地结合程序语义(即,执行结果),在培训期间,他们能够对许多问题产生正确的解决方案。然而,选择一个正确的程序从每个问题的生成集仍然具有挑战性。在这项工作中,我们引入了基于执行结果的最小贝叶斯风险解码(MBR-EXEC)的程序选择,并表明它提高了自然语言到代码任务的预训练代码模型的Few-Shot性能。我们选择输出程序从一个产生的候选人集边缘化的程序实现,共享相同的语义。由于精确等价是棘手的,我们执行每个程序上的少量测试输入近似语义等价。跨数据集,执行或模拟执行显著优于不涉及程序语义的方法。我们发现,MBR-EXEC一贯改善所有执行不知情的选择方法,这表明它是一种有效的方法,自然语言的代码翻译。我们在github.com/facebookresearch/mbr-exec上开源我们的代码,在dl.fbaipublicfiles.com/mbr-exec/mbr-exec-release.zip上开源我们的数据
2022-11-01 cs.CL cs.SE
Integrating Symbolic Execution with LLMs for Automated Generation of Program Specifications
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);UCAS(中国科学院大学);Sch. of Computer Science & Sch. of Artificial Intelligence, Shanghai Jiao Tong University(上海交通大学计算机科学与技术学院与人工智能学院);School of Computer Science, Peking University(北京大学计算机学院);Beijing Institute of Control Engineering(北京控制工程研究所)
本文提出一种结合符号执行与LLMs的方法,自动生成形式化程序规范,提升程序理解与验证的精度和适用性。
2026-01-20 cs.SE
FixEval: Execution-based Evaluation of Program Fixes for Programming Problems
Virginia Tech(弗吉尼亚理工大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
现代软件的复杂性导致了与检测和纠正软件错误相关的时间和成本的急剧增加。作为回应,研究人员探索了各种方法来自动生成错误代码的修复程序。然而,由于任何给定错误的可能修复的组合空间很大,很少有工具和数据集可用于有效评估模型生成的修复。为了解决这个问题,我们引入了FixEval,这是一个基准测试,它包含针对竞争性编程问题提交的错误代码及其相应的修复。FixEval提供了一个广泛的单元测试集合,用于评估模型生成的程序修复的正确性,并评估有关时间、内存限制和基于判决的接受度的进一步信息。我们将两个在程序设计语言上预训练的Transformer语言模型作为我们的基线,并使用基于匹配和基于执行的评估指标对它们进行比较。我们的实验表明,基于匹配的指标不反映模型生成的程序修复准确。同时,基于执行的方法通过为该解决方案明确设计的所有案例和场景来评估程序。因此,我们相信FixEval提供了迈向真实世界的自动错误修复和模型生成的代码评估的一步。数据集和模型在https://github.com/mahimanzum/FixEval上开源。
2023-03-30 cs.LG cs.SE
Towards Effectively Leveraging Execution Traces for Program Repair with Code LLMs
J. P. Morgan AI Research(摩根大通AI研究)
本文研究如何利用程序执行轨迹增强代码大语言模型的自动程序修复能力,通过多种提示策略和实验证明LLM优化的轨迹提示能更稳定地提升修复效果,并优于小模型微调方法。
2025-05-07 cs.LG cs.SE
Execution-Aware Program Reduction for WebAssembly via Record and Replay
University of Stuttgart(斯图加特大学);Google Germany GmbH(谷歌德国有限公司);Carnegie Mellon University(卡内基梅隆大学);KAIST(韩国科学技术院)
针对现有技术难以处理大型复杂 WebAssembly 程序缩减的问题,提出基于记录与重放的感知执行缩减方法 RR-Reduce 及其混合版本 Hybrid-Reduce,在缩减时间和程序大小上均显著优于现有技术。
2025-11-01 cs.PL cs.SE
Latent Execution for Neural Program Synthesis
UC Berkeley(加州大学伯克利分校);Facebook AI Research(Facebook人工智能研究院)
从输入-输出(IO)实例进行程序合成是一个长期存在的挑战。虽然最近的工作在领域特定语言(DSL)上取得了有限的成功,但将它们应用于现实世界的程序设计语言(如C)仍然具有很大的挑战性。由于复杂的语法和标记变化,存在三个主要挑战:(1)与许多DSL不同,像C这样的语言中的程序需要首先编译并且不通过解释器执行;(2)当程序设计语言的语法和语义变得更加复杂时,程序搜索空间呈指数级增长;以及(3)收集真实世界程序的大规模数据集是不平凡的。作为解决这些挑战的第一步,我们提出LaSynth,并显示其在限制C域的有效性。更具体地说,LaSynth学习潜在表示来近似部分生成的程序的执行,即使它们在语法上不完整(寻址(1))。学习的执行显著提高了现有方法的下一个令牌预测的性能,促进了搜索(寻址(2))。最后,一旦使用随机生成的地面实况程序及其IO对进行训练,LaSynth就可以合成更简洁的程序,类似于人类编写的代码。此外,用这些合成程序重新训练我们的模型,对于卡雷尔和C程序合成都用更少的样本产生了更好的性能,这表明利用学习的程序合成器来提高输入输出程序合成的数据集质量的前景(寻址(3))。当评估程序执行输出是否与IO对匹配时,LaSynth在生成具有数十个令牌(包括循环和分支)的简单C代码时达到了55.2%的准确率,比没有执行器的现有方法高出约20%。
2021-11-22 cs.LG cs.PL cs.SE
PEM: Representing Binary Program Semantics for Similarity Analysis via a Probabilistic Execution Model
本文提出PEM,一种基于概率执行引擎的二进制程序语义表示方法,通过有效采样输入和路径空间并确保跨二进制可比性,在9个项目35k函数上达到96%精度,优于基线10-20%。
2023-08-30 cs.SE
Anteater: Interactive Visualization of Program Execution Values in Context
本文提出交互式可视化系统 Anteater,通过组织追踪数据生成中间表示并自动合成多种可视化与交互,帮助程序员探索 Python 程序执行、理解并调试意外行为,并通过用户研究验证其效用。
2024-02-26 cs.HC cs.SE
Can LLMs Recover Program Semantics? A Systematic Evaluation with Symbolic Execution
The Pennsylvania State University(宾夕法尼亚州立大学)
本文研究LLMs通过符号执行制品微调能否有效去混淆程序,发现GPT-4.1-mini在去混淆效果上最佳,结合KLEE制品能提升语义保留和编译成功率。
2025-11-24 cs.SE
Monte Carlo Tree Search for Execution-Guided Program Repair with Large Language Models
Illinois Institute of Technology Chicago, USA(伊利诺伊理工学院芝加哥分校)
CodePilot结合MCTS和大语言模型,通过执行反馈引导程序修复,实现高效的问题解决。
2026-01-28 cs.LG cs.SE
The Path Not Taken: Duality in Reasoning about Program Execution
Department of Computer Science, University of Central Florida(中央佛罗里达大学计算机科学系)
本文提出通过双重推理任务评估程序执行的因果理解,提出DexBench基准测试集,评估13种LLM,证明双路径推理能有效提升动态代码理解能力。
2026-04-22 cs.AI cs.CL cs.LG
Parallel Program Analysis on Path Ranges
本文提出一种将范围符号执行推广到任意程序分析的验证方法,通过将程序拆分为路径范围并行运行不同分析,并在CPAchecker上实现评估,发现并行化可加速验证但需引入工作窃取机制以提升效率。
2024-05-16 cs.SE
Specifying Transaction Control to Serialize Concurrent Program Executions
我们定义了一个独立于程序设计语言的事务控制器和一个操作符,当应用于具有共享位置的并发程序时,该操作符将它们的行为相对于一些抽象的终止准则转变为事务行为。我们证明了事务控制器下的并发运行是可串行化的正确性。我们指定的交易控制器TaCtl和操作TA的抽象状态机。这使得TaCtl适用于广泛的程序,特别是在抽象状态机方面指定并发系统组件时,可以将其用作插件。
2017-06-06 cs.DB cs.DC cs.SE
MPISE: Symbolic Execution of MPI Programs
消息传递接口(MPI)在并行计算中起着重要的作用。许多并行应用程序都是以MPI程序的形式实现的。现有的MPI程序缺陷检测方法在提供输入和非确定性覆盖方面存在不足,导致缺陷漏诊。在本文中,我们采用符号执行,以确保输入的覆盖率,并提出了一个飞行调度算法,以减少交错探索的非确定性覆盖,同时确保健全性和完整性。我们已经实现了我们的方法作为一个工具,称为MPISE,它可以自动检测MPI程序中的死锁和运行时错误。在基准程序和真实MPI程序上的实验结果表明,MPISE能够有效地发现程序中的错误。此外,我们的工具还提供了诊断信息和重放机制,以帮助理解错误。
2014-09-15 cs.DC cs.PL cs.SE
To Run or Not to Run: Analyzing the Cost-Effectiveness of Code Execution in LLM-Based Program Repair
Beihang University(北京航空航天大学);Wuhan University(武汉大学);Singapore Management University(新加坡管理大学)
通过分析SWE-bench上的代理轨迹和端到端修复尝试,发现代码执行在LLM程序修复中普遍使用但效益不均,限制执行可节省成本且不影响修复成功率。
2026-06-26 cs.SE
cozy: Comparative Symbolic Execution for Binary Programs
本研究提出二进制差异分析工具cozy,基于angr符号执行框架寻找补丁前后二进制的兼容终态并对比差异,配套网页可视化界面辅助微补丁验证。
2025-03-31 cs.SE
Debug like a Human: A Large Language Model Debugger via Verifying Runtime Execution Step-by-step
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出LDB调试框架,将程序分割为基本块并跟踪运行时中间变量值,使LLMs能逐块验证代码正确性并定位错误,在多个基准上提升调试性能最高达9.8%。
2024-06-06 cs.AI cs.CL cs.SE
COSPEX: A Program Comprehension Tool for Novice Programmers
开发人员在软件维护过程中经常会遇到不熟悉的代码,这会消耗大量的时间来理解,特别是对于新手程序员。分析源代码并向开发人员提供关键信息的自动化技术可以有效地理解代码。研究人员已经提出了自动代码摘要技术,该技术通过生成简要摘要而不是帮助理解代码摘要来关注代码摘要。现有的调试器表示程序的执行状态,但它们不显示单个点的完整执行。研究表明,如果为新手程序员提供工作示例,则可以减少程序理解所需的努力。因此,我们提出了CO(通过程序执行使用摘要的理解)--一个Atom插件,它动态提取每行执行代码的关键信息,并以交互式示例式动态信息实例的形式将其呈现给开发人员。作为初步评估,我们在用户调查中向14名具有1年以上Python编程经验的本科生介绍了代码理解任务。我们观察到COdac帮助新手程序员理解程序,并提高他们对代码执行的理解。源代码和工具可在https://bit.ly/3utHOBM上获得,Youtube上的演示可在https://bit.ly/2Sp08xQ上获得。
2021-07-06 cs.SE
TraceFixer: Execution Trace-Driven Program Repair
本文提出 TraceFixer,利用运行时执行轨迹和偏离点的期望程序状态训练神经程序修复模型,以预测源代码编辑;实验显示其显著提升 Python 单行缺陷修复效果,并成功修复 20 个真实缺陷中的 10 个。
2023-04-25 cs.SE
Speculative Symbolic Execution
符号执行是一种有效的面向路径和基于约束的程序分析技术。近年来,符号执行的研究和应用有了很大的发展.然而,符号执行在实践中仍然存在可扩展性问题,特别是当应用于大规模或非常复杂的程序时。本文提出了一种新的符号执行方式,称为推测符号执行(SSE),通过减少约束求解器的调用次数来加快符号执行速度。在SSE中,当遇到分支语句时,搜索过程可能会推测性地探索分支而不考虑可行性。仅当推测分支累积到指定数量时,才会调用约束求解器。此外,我们提出了一个关键的优化技术,大大提高SSE。我们已经实现了SSE和优化技术的符号路径(SPF)。六个程序的实验结果表明,我们的方法可以将约束求解器的调用次数减少21%到49%(平均30%),并节省搜索时间23.6%到43.6%(平均30%)。
2012-05-31 cs.SE
Mokav: Execution-driven Differential Testing with LLMs
针对程序功能差异检测问题,提出执行驱动工具Mokav,通过迭代结合执行反馈引导LLM生成差异暴露测试用例,在基准测试上性能显著优于现有方法。
2025-07-31 cs.SE
Improving Function Coverage with Munch: A Hybrid Fuzzing and Directed Symbolic Execution Approach
模糊和符号执行是用于发现漏洞和生成程序测试用例的流行技术。Fuzzing是一种改变种子输入值的黑盒方法,通常无法生成执行程序中所有路径的不同输入。由于路径爆炸问题和对SMT求解器的依赖,符号执行也可能无法实现高路径覆盖。涉及模糊和符号执行的混合技术可以比单独的模糊或符号执行实现更好的函数覆盖。在本文中,我们提出了蒙克,一个开源框架实现两种混合技术的基础上模糊和符号执行。我们的经验表明,使用九个大型的开源源程序,总体而言,蒙克实现更高的(深入)功能覆盖率比符号执行或模糊。使用指标的基础上,总分析时间和数量的查询发出的SMT求解器,我们还表明,蒙克是更有效地实现更好的功能覆盖。
2017-12-12 cs.SE
Simple Fault Localization using Execution Traces
本文利用编程竞赛短程序的数千条执行轨迹,结合机器学习及运行时、控制流和词法特征,提出了改进传统基于谱的错误定位(SBFL)的简单方法与上下文信息集成技巧,无需GPU或高级程序分析即在多个数据集上优于Ochiai等现有公式。
2025-03-06 cs.SE
CodeFlow: Program Behavior Prediction with Dynamic Dependencies Learning
CodeFlow 通过结合控制流图的静态嵌入与执行轨迹的动态依赖学习,显著提升代码覆盖率预测和运行时错误定位性能,优于现有最先进模型。
2025-02-09 cs.SE
Shadow Symbolic Execution with Java PathFinder
回归测试确保软件系统在发展时仍然正确执行,并且更改不会引入意外的副作用。然而,创建显示不同行为的回归测试用例需要大量的工作。一个解决方案是影子符号执行的想法,最初基于KLEE为C编写的程序实现,它采用新旧程序的统一版本,并执行由具体值指导的符号执行,以探索改变的行为。在这项工作中,我们将影子符号执行的想法应用到Java程序中,因此,提供了一个扩展的Java Path(JPF)项目执行影子符号执行Java字节码。该扩展已应用于JPF测试类中的几个主题,在这些主题中,它成功地生成了暴露回归测试相关分歧的测试输入。
2018-02-05 cs.SE
Faster Variational Execution with Transparent Bytecode Transformation
变分执行是一种新的动态分析技术,用于探索高度可配置的系统和精确跟踪信息流。它能够有效地分析许多配置,积极共享冗余的程序执行。变式执行的思想已经被证明是有效的探索程序中的变化,特别是当配置空间增长失控。现有的变分执行的实现通常需要繁重的运行时解释器,这是艰苦的和容易出错的。此外,这种方法的性能是次优的。例如,最先进的Java变分执行解释器VarexJ,对于中小型Java程序,单次执行的执行速度要慢100到800倍。我们不修改现有的JVM,而是建议转换现有的字节码,使其可变,这样它就可以在未修改的商品JVM上执行。我们的评估表明,在最先进的性能上有显着的改善,具有2至46倍的加速比,并在共享计算的高效率。
2018-09-11 cs.PL cs.SE
SpecuSym: Speculative Symbolic Execution for Cache Timing Leak Detection
CPU高速缓存是现代处理器中有限但关键的存储组件,而高速缓存定时侧通道可能无意中通过物理可测量的定时方差泄漏信息。推测执行是一种重要的处理器优化,也是这种差异的来源,可能会对故意的分支错误预测造成严重损害。尽管静态分析可以定性地验证推测执行下的无时序泄漏特性,但它不能产生包括输入和推测流的背书以深入诊断泄漏。这项工作提出了一个新的符号执行为基础的方法,SpecuSym,精确检测缓存定时泄漏引入推测执行。给定一个程序(在非推测性执行中无泄漏),SpecuSymsystematically探索程序状态空间,在条件分支处对推测性行为进行建模,并随着后续路径探索积累缓存副作用。在动态执行过程中,SpecuSym根据指定的缓存模型构造内存访问的泄漏谓词,并进行基于约束求解的缓存行为分析,以检查新的缓存行为。我们已经实现了SpecuSymatop KLEE,并根据15个开源基准对其进行了评估。实验结果表明,SpecuSym在3种不同的缓存设置下成功地检测到6个程序中2 ~ 61个漏洞,并在最近的工作中发现了2个程序中的误报。
2020-02-14 cs.CR cs.SE
NExT: Teaching Large Language Models to Reason about Code Execution
Google DeepMind(谷歌DeepMind);Yale University(耶鲁大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出NExT方法,通过自训练生成执行感知的思维链,教导LLM检查程序执行轨迹并推理运行时行为,在程序修复任务中显著提升修复率且能泛化至无轨迹场景。
2024-04-23 cs.CL cs.LG cs.PL
Timed Games for Computing Worst-Case Execution-Times
在本文中,我们介绍了一个框架计算上限,但准确的WCET的硬件平台的缓存和管道。我们提出的方法包括3个步骤:1)给定一个程序来分析,计算一个等价的(WCET明智的)抽象程序; 2)通过将这个抽象程序与建模架构的时间自动机网络组成一个时间游戏; 3)计算WCET作为在这个游戏中达到获胜状态的最佳时间。我们证明了我们的框架的适用性标准基准的ARM9处理器的指令和数据缓存,并计算WCET与UPPAAL-TiGA。我们还表明,这个框架可以很容易地进行扩展,以考虑在程序执行过程中的处理器的速度的动态变化。%
2010-06-10 cs.LO cs.SE
Symbolic Verification of Cache Side-channel Freedom
缓存计时攻击允许第三方观察者从程序执行中检索敏感信息。但是,是否有可能自动检查程序是否存在缓存计时攻击的漏洞,然后自动屏蔽程序执行以防止这些攻击?对于一个给定的程序,一个缓存配置和攻击模型,我们的CACHEFIX框架要么验证缓存侧通道自由的程序或合成一系列的补丁,以确保缓存侧通道自由在程序执行过程中。在我们的框架的核心是一个新的符号验证技术的基础上自动抽象细化缓存语义。这样一个框架的力量是允许符号推理反例跟踪,并结合它与运行时监控,以消除高速缓存侧通道在程序执行过程中。我们对OpenSSL、libfixedtimefixedpoint、GDK和FourQlib库的例程进行的评估表明,我们的CACHEFIX方法(DIS)平均在75秒内证明了缓存侧通道自由度。此外,在除一种情况外的所有情况下,CACHEFIX都能在20分钟内合成所有补丁,以确保在执行期间各个例程的缓存侧通道自由度。
2018-07-12 cs.CR cs.SE
Symbolon: Symbolic Execution by Learning Code Transformation
University of Chicago(芝加哥大学);Columbia University(哥伦比亚大学);University of Maryland(马里兰大学);Johns Hopkins University(约翰斯·霍普金斯大学)
提出Symbolon框架,自动学习多样化的代码变换并上下文敏感地应用,以缓解符号执行的路径爆炸和复杂约束问题,在32个真实程序上平均行覆盖率提升3.69倍,内存和求解时间分别降低29.2倍和123倍,并在Linux内核中发现21个新漏洞。
2026-07-23 cs.CR cs.PL cs.SE
Tailored Source Code Transformations to Synthesize Computationally Diverse Program Variants
程序执行的可预测性为攻击者提供了丰富的知识来源,他们可以利用它来监视或远程控制程序。移动目标防御通过在程序的许多不同变体之间不断切换来解决这个问题,这降低了攻击者对程序执行的确定性。这种方法的有效性依赖于大量表现出不同执行的软件变体的可用性。然而,目前的方法依赖于现成组件提供的自然多样性,这是非常有限的。在本文中,我们探讨了自动合成的大型集的程序变体,称为sosies。Sosies提供与原始程序相同的预期功能,但表现出不同的执行。据说它们在计算上是不同的。这项工作解决了两个目标:比较不同的转换,以增加的可能性sosies合成(致密的搜索空间sosies),证明在合成sosies计算多样性。我们总共合成了30184个sosies,用于9个大型,真实世界的开源应用程序。对于所有这些程序,我们确定了一种系统地增加sosies密度的程序分析类型;我们测量了3个程序的sosies的计算多样性,发现超过40%的sosies的方法调用或数据存在多样性。这是朝着控制软件的巨大不可预测性迈出的一步。
2014-01-29 cs.SE
Assessing the Impact of Execution Environment on Observation-Based Slicing
程序切片将程序减少到保留所选计算的较小版本,称为切片标准。一种最近的多语言切片方法,基于观察的切片(ORBS),推测性地删除程序的一部分,然后执行代码。如果切片标准的行为没有改变,则推测性删除被永久化。虽然这使得ORBS语言不可知,但它可能导致产生一些非直观的切片。一个特殊的挑战是执行环境何时起作用。例如,如果在执行语句之前分配给a的内存位置包含零,则ORBS将删除行“a = 0”,因为删除不会影响a的值,从而不会影响切片标准。因此,由于诸如初始化和调用堆栈重用之类的因素,执行环境之间的片可能不同。所考虑的技术,nVORBS,试图通过验证在n个不同的执行环境中的候选切片来改善这个问题。我们进行了实证研究,以收集执行环境导致切片差异的频率的初步见解。具体来说,我们比较和对比七个不同的实例化nVORBS所产生的切片。展望未来,该技术可以被看作是变形测试的一个变种,从而表明如何从变形测试的想法可能被用来改善动态程序分析。
2022-08-28 cs.SE
Rapid Recovery of Program Execution Under Power Failures for Embedded Systems with NVM
电源接通后,从初始状态恢复中断的程序可能会造成负面影响。有些程序甚至无法恢复。为了在掉电情况下快速恢复程序的执行,对于具有NVM的嵌入式系统,在掉电情况下,检查点的执行状态由NVM备份。然而,频繁的检查点将缩短NVM的寿命并导致显著的写入开销。本文提出了一种由函数调用触发的检查点设置技术,以减少对NVM的写操作。测试结果表明,与基于日志的方法和基于步骤的方法相比,堆栈备份的NVM备份大小分别减少了99.8%和80.5$%.为了更好地实现这一点,我们还提出了伪函数调用来增加备份点以降低恢复成本,以及基于指数增量调用的备份方法来降低循环中的备份成本。为了进一步避免NVM上的内容杂乱和脱离NVM,提出了一种清除NVM上无用内容的方法。基于上述问题和技术,提出了故障恢复技术,并通过案例分析了在不同电源故障下如何快速恢复。
2022-09-19 cs.OS cs.SE
LEVER: Learning to Verify Language-to-Code Generation with Execution
Yale University(耶鲁大学);Meta AI
LEVER通过训练验证器结合执行结果与生成概率重排序程序,在表格、数学和Python编程数据集上显著提升代码生成性能。
2023-09-01 cs.CL cs.LG cs.PL
Killing Stubborn Mutants with Symbolic Execution
我们引入SeMu,一种动态符号执行技术,它生成能够杀死顽固突变体(经过合理数量的测试后仍未被检测到的可识别突变体)的测试输入。SeMu的目标是通过增量搜索原始版本和突变版本之间的不同程序行为来进行突变传播(触发程序输出的错误状态)。我们将突变体杀死问题建模为程序符号树中特定区域内的符号执行搜索。在这个框架中,搜索区域由允许可扩展和具有成本效益的突变体杀死的参数定义和控制。我们将SeMu集成到KLEE中,并尝试了Coreutils(符号执行研究中经常使用的基准)。我们的研究结果表明,我们的建模在突变体杀伤中起着重要作用。也许更重要的是,我们的研究结果还表明,在两小时的时间限制内,SeMu杀死了37%的顽固突变体,KLEE没有杀死任何突变体,而突变体感染策略(以前的研究建议的策略)杀死了17%。
2020-01-09 cs.SE
Symbolic Execution for Deep Neural Networks
深度神经网络(DNN)越来越多地用于各种应用,其中许多应用具有实质性的安全性和安全性问题。本文介绍了DeepCheck,这是一种基于程序分析的核心思想,特别是符号执行的验证DNN的新方法。其思想是将DNN转换为命令式程序,从而使程序分析能够帮助DNN验证。然而,一个基本的翻译创建的程序是非常复杂的分析。DeepCheck为DNN的轻量级符号分析引入了新技术,并将其应用于图像分类的背景下,以解决DNN分析中的两个挑战性问题:1)识别重要像素(用于属性和对抗生成);以及2)创建1像素和2像素攻击。使用MNIST数据集的实验结果表明,DeepCheck的轻量级符号分析为DNN验证提供了有价值的工具。
2018-07-27 cs.CR cs.SE
Benchmarking Symbolic Execution Using Constraint Problems -- Initial Results
IIT Kanpur(印度理工学院坎普尔分校);National University of Singapore(新加坡国立大学)
符号执行是一种功能强大的bug发现和程序测试技术。它可以成功地发现真实代码中的bug。核心推理技术使用约束求解、路径探索和搜索,这些也是用于解决组合问题的相同技术,例如,有限域约束满足问题。我们提出CSP实例作为更具挑战性的基准来评估符号执行中核心技术的有效性。我们将CSP基准转换为适合测试符号执行工具的推理能力的C程序。从一个单一的CSP P,我们转换P取决于转换选择到不同的C程序。使用KLEE、Tracer-X和LLBMC工具进行的初步测试显示,转换和求解器选择在运行时存在很大差异。我们的C基准测试有效地显示了现有符号执行工具的局限性。这项工作的动机是,我们相信这种形式的基准可以刺激符号执行引擎中改进的核心推理的开发和工程。
2020-01-22 cs.AI cs.SE
DynaFix: Iterative Automated Program Repair Driven by Execution-Level Dynamic Information
Chongqing University(重庆大学)
DynaFix通过迭代利用运行时动态信息改进程序修复,利用变量状态、控制流路径和调用栈等结构化提示引导LLM生成候选补丁,有效提升修复效率和准确性。
2026-04-19 cs.AI cs.SE
Agentic Planning for Symbolic Execution
Carnegie Mellon University(卡内基梅隆大学)
该研究提出智能体规划系统Agolic,利用早期符号执行运行的证据配置后续有界符号执行,在C/C++程序上平均覆盖3倍以上分支,覆盖更多分支及对比语料库未覆盖的分支,扩展了符号执行的实际覆盖范围。
2026-08-10 cs.AI cs.PL cs.SE