Model based system engineering approach of a lightweight embedded TCP/IP
嵌入式软件的使用正在迅速增长。互联网是一种不可或缺的服务，在许多领域都有广泛的应用。Internet是基于TCP/IP协议的，TCP/IP是一个非常重要的协议栈。尽管TCP/IP协议非常重要，但目前还没有一个软件工程模型对其进行描述，常用的建模和描述方法是RFC，这对于软件工程师和开发人员来说是不够的。因此，有一个软件工程的方法来帮助工程师和开发人员定制自己的嵌入式系统的基于Web的应用程序的需要。提出了一种基于模型的轻量级TCP/IP协议的系统工程方法。该模型包含了为嵌入式系统开发轻量级TCP/IP的必要阶段。该模型是基于SysML作为一个基于模型的系统工程语言。
2011-04-28 cs.SE
Leveraging Language Models for Log Statement Generation in Multilingual Scenarios: How Far Are We?
Kyushu University（九州大学）
本文通过构建包含五种编程语言的多语言基准，比较评估了三种最先进的日志语句生成方法和五个大型语言模型，发现UniLog方法在多语言环境中表现最佳，并揭示了不同语言间日志生成难度的差异源于日志插入分布和语言特定日志习惯，指出单纯扩大模型规模或训练数据量不足以解决多语言日志生成问题，需针对目标语言特性设计方法。
2026-05-25 cs.SE
Lightweight Service Oriented Architecture for Pervasive Computing
普适计算看起来像是一个新的计算时代，它基于在现实世界中发展的对象和设备的网络，与基于计算机和数据存储的网络的分布式计算截然不同。与大多数上下文感知方法相反，我们的工作假设是，普适软件必须能够在处理上下文数据之前处理动态软件环境。在证明SOA（面向服务的架构）和它的许多原则，以及适用于普适计算，我们提出了我们的扩展SOA模型的普适计算，称为服务轻量级组件架构（SLCA）。SLCA提出了各种额外的原则，以满足完全普遍的软件约束：基于设备服务的软件基础设施，基于轻量级组件架构的本地编排，最后将这些编排封装到组合服务中，以解决服务的分布式组合。我们提出了一个样本应用的整体方法，以及一些相关的措施SLCA性能。
2011-02-25 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
SweRank+: Multilingual, Multi-Turn Code Ranking for Software Issue Localization
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Salesforce AI Research（Salesforce AI研究院）；KAIST AI（韩国科学技术院AI研究中心）
SweRank+结合跨语言代码排名工具和代理搜索设置，实现多轮次的代码库推理，提升多语言软件问题定位的准确性和效率。
2025-12-23 cs.AI cs.SE
Multilingual Crowd-Based Requirements Engineering Using Large Language Models
提出基于大语言模型的DeeperMatcher方法，帮助敏捷团队匹配问题与用户评论，实现多语言众包需求工程，并在英文和巴西葡萄牙语数据上初步验证，准确性依赖文本嵌入方法。
2024-08-12 cs.SE
A Comprehensive Study of Commonly Practiced Heavy & Light Weight Software Methodologies
软件在现代社会的发展中扮演着重要的角色。软件行业可以选择合适的方法/过程模型，以满足其当前的需求，为问题提供解决方案。虽然一些公司有自己的定制方法来开发他们的软件，但大多数人认为软件方法分为重量级和轻量级两类。重量级方法论（瀑布模型，螺旋模型）也被称为传统方法论，其重点是详细的文档，包容性规划和外向设计。轻量级方法（XP，SCRUM）被称为敏捷方法。轻量级方法主要集中在短的迭代周期，并依赖于团队内部的知识。本文的目的是描述流行的重量级和轻量级的方法，广泛应用于软件行业的特点。我们已经讨论了所选模型的优点和缺点。此外，我们还讨论了这两种对立方法的优点和缺点，并说明了一些标准，帮助项目经理选择合适的模型，为他们的项目。
2012-02-12 cs.SE
A Comprehensive Study of Commonly Practiced Heavy and Light Weight Software Methodologies
软件在现代社会的发展中扮演着重要的角色。软件行业可以选择合适的方法/过程模型，以满足其当前的需求，为问题提供解决方案。虽然一些公司有自己的定制方法来开发他们的软件，但大多数人认为软件方法分为重量级和轻量级两类。重量级方法论（瀑布模型，螺旋模型）也被称为传统方法论，其重点是详细的文档，包容性规划和外向设计。轻量级方法（XP，SCRUM）被称为敏捷方法。轻量级方法主要集中在短的迭代周期，并依赖于团队内部的知识。本文的目的是描述流行的重量级和轻量级的方法，广泛应用于软件行业的特点。我们已经讨论了所选模型的优点和缺点。此外，我们还讨论了这两种对立方法的优点和缺点，并说明了一些标准，帮助项目经理选择合适的模型，为他们的项目。
2011-11-13 cs.SE
Multilingual Multimodal Software Developer for Code Generation
Beihang University（北京航空航天大学）；Alibaba Group（阿里巴巴集团）；M-A-P；Nanjing University（南京大学）
针对现有代码生成模型仅限文本忽略视觉辅助的问题，提出多模态开发者 MM-Coder，结合 UML 图表与流程图等视觉设计与文本指令，并构建指令微调数据集 MMc-Instruct 与评估基准 MMEval，显著提升了代码生成准确性与架构对齐。
2025-07-11 cs.AI cs.CL cs.SE
MulVuln: Enhancing Pre-trained LMs with Shared and Language-Specific Knowledge for Multilingual Vulnerability Detection
Monash University（墨尔本大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61分部）；The University of Melbourne（墨尔本大学）
针对现有软件漏洞检测方法多局限于单语言、难以兼顾代码共享与语言特定知识的问题，提出多语言漏洞检测方法MULVULN，在多语言数据集上较基线方法F1值最高提升23.59%。
2025-10-05 cs.AI cs.CR cs.SE
Evaluating Non-English Developer Support in Machine Learning for Software Engineering
Delft University of Technology（代尔夫特理工大学）
研究评估非英语代码注释生成及现有评估方法的可靠性，发现非英语环境下生成性能显著下降，自动评估方法无法可靠区分正确与错误注释。
2026-05-07 cs.SE
A Preliminary Study of Large Language Models for Multilingual Vulnerability Detection
本文评估 PLM 与先进 LLM 在七种编程语言上的漏洞检测能力，发现 CodeT5P 表现最佳，并为跨语言检测研究与部署提供启示。
2025-05-12 cs.SE
Software Supply Chain Smells: Lightweight Analysis for Secure Dependency Management
KTH Royal Institute of Technology（皇家理工学院）；Université de Montréal（蒙特利尔大学）
本文提出软件供应链异味概念，设计评估Dirty-Waters工具，通过实证研究揭示Maven和NPM生态中依赖项安全问题的差异。
2026-03-30 cs.CR cs.SE
MultiMend: Multilingual Program Repair with Context Augmentation and Multi-Hunk Patch Generation
Shiraz University（设拉子大学）
MultiMend通过上下文增强和多补丁生成技术，提升多语言程序修复效率，修复了2227个bug，其中1545个与开发者补丁一致，121个为多补丁bug。
2025-12-27 cs.SE
BackportBench: A Multilingual Benchmark for Automated Backporting of Patches
The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（香港中文大学（深圳））
BackportBench是一个多语言基准测试，用于评估自动化补丁回退技术，展示了代理方法在处理复杂补丁回退任务中的优越性。
2025-12-01 cs.CL cs.CR cs.SE
Evaluating Large Language Models for Multilingual Vulnerability Detection at Dual Granularities
Tianjin University（天津大学）；Kyushu University（九州大学）；The University of Melbourne（墨尔本大学）；Monash University（蒙纳士大学）
本研究评估了大型语言模型在多语言漏洞检测中的性能，发现GPT-4o在函数级和行级检测中表现优异，优于其他模型。
2026-03-10 cs.SE
Interpretable Gallbladder Ultrasound Diagnosis: A Lightweight Web-Mobile Software Platform with Real-Time XAI
University of Liberal Arts Bangladesh（乌拉尔大学 Bangladesh）；BRAC University（BRAC大学）
本研究提出了一种轻量级网页-移动软件平台，利用混合深度学习模型MobResTaNet实现胆囊疾病的实时可解释诊断，准确率达99.85%。
2025-12-28 cs.CV cs.SE
Designing Software with Complex Configurations
本文探讨了利用轻量级形式化方法（如TLA+和Alloy）来规范与验证复杂配置软件，并比较了二者的适用性与局限。
2024-07-18 cs.SE
On the Evaluation of Large Language Models in Multilingual Vulnerability Repair
本研究通过七种编程语言的大规模实证，评估了LLM在多语言漏洞修复中的性能，发现指令微调的GPT-4o表现优异，尤其擅长修复独特和危险漏洞，并展现了跨语言泛化能力。
2025-08-05 cs.SE
Cross-Ecosystem Packages As Multilingual: Prevalence, Architecture, and Health
本研究对六个主要生态系统的六百万余包进行实证分析，发现跨生态系统包虽占少数但增长重要，识别出五种架构模式，其中代码生成和语言绑定与更高的社区活跃度相关，并为采用者、维护者和研究者提供启示。
2026-09-15 cs.DL cs.SE
Finetuning Lightweight LLMs for Control Flow Graph Generation
Waseda University（早稻田大学）
研究用微调轻量级大语言模型生成控制流图，设计统一输出格式和特定任务微调提示，构建数据集，在六个模型上评估，结果表明微调后的轻量级模型在生成控制流图上效果良好，有跨语言泛化能力。
2026-07-07 cs.SE
PolyCodeEval: Benchmarking Multilingual Code Generation from Functions to Repositories
Tianjin University（天津大学）
PolyCodeEval是覆盖5种语言58个开源仓库的多粒度代码生成基准，评估前沿模型等发现现有方法生成正确函数等的比例有限，且性能随语言和粒度波动，相关函数上下文可提升函数生成正确性。
2026-10-09 cs.SE
Multilingual Code Co-Evolution Using Large Language Models
UT Austin（德克萨斯大学奥斯汀分校）
本文提出使用大型语言模型Codeditor将代码更改从一种编程语言翻译到另一种编程语言的新任务，该模型将代码更改建模为编辑序列并学习跨语言关联，在6613个对齐代码更改语料库上大幅优于现有方法。
2023-09-11 cs.AI cs.SE
Embedding Software Intent: Lightweight Java Module Recovery
Department of Informatics, University of California, Irvine（信息学院，加州大学伊文斯顿分校）
本文提出ClassLAR方法，通过类和语言模型恢复Java模块，提升架构恢复效率和准确性。
2025-12-17 cs.AI cs.SE
Femto-Containers: DevOps on Microcontrollers with Lightweight Virtualization & Isolation for IoT Software Modules
DevOps已经彻底改变了网络软件的开发、部署和维护，这对于提高系统软件质量和实现敏捷演进至关重要。与此同时，物联网（IoT）连接了越来越多DevOps工具未涵盖的设备：低功耗，基于微处理器的设备。在本文中，我们通过设计Femto-Containers来弥补这一差距，Femto-Containers是一种新的架构，可以通过低功耗网络实现嵌入在微控制器上的软件模块的容器化，虚拟化和安全部署。作为概念验证，我们在流行的微控制器架构（Arm Cortex-M，ESP 32和RISC-V）上使用eBPF虚拟化和RIOT（该领域的常见操作系统）实现和评估了Femto-Containers。我们表明，Femto-Containers可以虚拟化和隔离多个软件模块，同时执行，与本机代码执行相比，内存占用开销非常小（低于10%）和启动时间非常短（数十微秒）。我们表明，毫微微容器可以满足低级别的调试逻辑插入在一个热代码路径的约束，和高级别的业务逻辑编码的各种常见的程序设计语言。与以前的工作相比，Femto-Containers因此在内存占用，能耗，敏捷性和安全性方面提供了一个有吸引力的权衡。
2021-11-03 cs.NI cs.OS cs.SE
Multi-SWT-Bench: A Multilingual Benchmark for Reproduction Test Generation
Kyushu University（九州大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对现有复现测试生成基准仅限单语言的问题，提出多语言基准Multi-SWT-Bench，含8种语言1963个实例，实证发现语言差距，为跨生态系统的测试生成方法提供方向。
2026-09-29 cs.SE
Software Vulnerability Detection Using a Lightweight Graph Neural Network
University of Missouri（密苏里大学）；National Institute of Standards and Technology（美国国家标准与技术研究院）
本文提出VulGNN，一种基于图神经网络的轻量级模型，在漏洞检测中性能接近大语言模型，且更小、更快，适用于边缘部署。
2026-03-31 cs.AI cs.CR cs.LG
Large Language Models for Multilingual Code Intelligence: A Survey
College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院，中国）；Guangzhou Institute of Technology, Xidian University, China（广州理工大学，西安电子科技大学，中国）；Guangzhou University of Software, China（广州软件大学，中国）；Shenzhen University of Information Technology（深圳信息大学）；National University of Computer and Emerging Sciences Karachi, Pakistan（巴基斯坦卡拉奇国家计算机与新兴科学大学）
本文综述了多语言代码生成与翻译的关键任务，探讨了现有方法、基准和评估指标，指出多语言代码智能在现实系统中的重要性及挑战。
2026-04-27 cs.LG cs.PL cs.SE
MetaTPTrans: A Meta Learning Approach for Multilingual Code Representation Learning
SnT, University of Luxembourg（卢森堡大学SnT）；Baidu Inc.（百度公司）；CITADEL, Université Virtuelle du Burkina Faso（布基纳法索虚拟大学CITADEL）
源代码的表示学习对于将机器学习应用于软件工程任务至关重要。从多语言源代码数据集学习代码表示已被证明比单独从单语言数据集学习更有效，因为来自多语言数据集的更多训练数据提高了模型从源代码中提取语言无关信息的能力。然而，现有的多语言训练忽略了语言特定的信息，这是跨不同的程序设计语言建模源代码的关键，而只专注于学习一个统一的模型与共享参数之间的不同语言的语言无关的信息建模。为了解决这个问题，我们提出了MetaTPTrans，一种多语言代码表示学习的Meta学习方法。MetaTPTrans根据输入代码片段的特定程序设计语言类型为特征提取器生成不同的参数，使模型能够通过特征提取器中的动态参数学习语言无关和语言特定的信息。我们对代码摘要和代码完成任务进行了实验，以验证我们的方法的有效性。结果证明了我们的方法的优越性，在最先进的基线上有了显着的改进。
2022-12-05 cs.AI cs.SE
TAOS-CI: Lightweight & Modular Continuous Integration System for Edge Computing
随着物联网和边缘设备的激增，我们观察到许多消费电子产品正在成为另一种物联网和边缘设备。与传统的智能设备（诸如智能电话）不同，消费电子产品通常具有每个产品型号的设备数量较少的显著差异。在这种高分散性的情况下，边缘设备的扩散需要消费电子产品的频繁且无缝的更新，这使得制造商倾向于回归，因为制造商在每个软件发布实例中具有较少的资源;即，他们需要通过产品型号的数量乘以更新的数量来重复发布。持续集成（CI）系统可以帮助防止回归错误主动开发软件包，包括频繁更新的设备软件平台。拟议的CI系统提供了一个便携式和模块化软件平台，自动检查启用模块的传入更改的潜在问题：代码格式和样式，性能回归，对源代码的静态检查，构建和打包测试，以及在物联网和边缘设备上部署平台映像之前对构建的二进制文件进行动态检查。此外，我们提出的方法是轻量级的，足以托管在普通的台式计算机，甚至几十个开发人员。因此，它可以很容易地应用于许多不同的源代码存储库。评估结果表明，所提出的方法大大提高了插件的执行时间和内存消耗，与以前的研究方法相比。
2021-01-21 cs.PF cs.SE
A Joint Learning Model with Variational Interaction for Multilingual Program Translation
National Key Laboratory for Novel Software Technology（计算机软件新技术国家重点实验室）；School of Artificial Intelligence（人工智能学院）；Nanjing University（南京大学）
针对多语言程序翻译中平行数据稀缺、语义分布偏移的问题，提出基于解耦的VIM-PT模型，通过变分交互解耦代码特征，实现多语言联合翻译，提升翻译质量并降低部署复杂度。
2024-09-13 cs.AI cs.LG cs.PL
Fine-Tuning Multilingual Language Models for Code Review: An Empirical Study on Industrial C# Projects
Technical University Dortmund, Lovion GmbH（图鲁尼大学，洛维昂公司）；Security\ Alliance Ruhr, Technical University Dortmund（安全联盟鲁尔，图鲁尼大学）
本研究通过微调CodeReviewer、CodeLlama-7B和DeepSeek-R1-Distill模型，在工业C#项目上实证发现单语微调优于多语言基线，能有效支持常规代码审查任务，但人类审查者在处理复杂变更时仍具优势。
2025-10-23 cs.AI cs.PL cs.SE
M2rc-Eval: Massively Multilingual Repository-level Code Completion Evaluation
Alibaba Group（阿里巴巴集团）；University of Waterloo（滑铁卢大学）
本文提出覆盖18种编程语言、提供AST驱动细粒度场景标注的 M2RC-EVAL 基准，并构建 M2RC-INSTRUCT 指令数据集，以评估并提升代码LLM的多语言仓库级补全能力。
2024-10-28 cs.CL cs.SE
EdgeFL: A Lightweight Decentralized Federated Learning Framework
Chalmers University of Technology（查尔姆斯理工大学）；Malmö University（马尔默大学）
EdgeFL是一种仅限边缘的轻量级去中心化联邦学习框架，通过消除中央服务器、简化集成（四行代码）和灵活定制聚合，降低延迟并提升分类准确率，优于现有FL平台。
2023-09-06 cs.AI cs.SE
Clafer: Lightweight Modeling of Structure, Behaviour, and Variability
嵌入式软件在规模和复杂性上快速增长，导致复杂体系结构和复杂控制的紧密混合。因此，软件规格说明需要对系统的结构和行为进行建模。不幸的是，现有的语言没有很好地集成这些方面，通常优先考虑其中之一。通常为每个方面开发一种单独的语言。在本文中，我们贡献Clafer：一个小语言，试图解决这一挑战。它结合了丰富的结构建模与最先进的行为形式主义。我们不知道有任何其他建模语言可以无缝地结合系统和软件建模的这些方面。我们展示了如何Clafer，在一个单一的统一的语法和语义，允许捕捉功能模型（可变性），组件模型，离散控制模型（自动机）和可变性涵盖所有这些方面。该语言是建立在一阶逻辑之上的，其基本实体上的量词（用于建模结构）与线性时态逻辑（用于建模行为）相结合。在这个语义基础之上，我们建立了一个简单但富有表现力的语法，精心挑选的语法扩展，涵盖层次建模，关联，自动机，场景，和德怀尔的属性模式丰富。我们使用功率窗口案例研究评估Clafer，并将其与其他与其范围（SysML，AADL，Temporal OCL和Live Sequence Charts）基本重叠的符号进行比较，讨论使用单一符号的好处和危险。
2018-07-23 cs.PL cs.SE
On the Transferability of Pre-trained Language Models for Low-Resource Programming Languages
University of British Columbia（不列颠哥伦比亚大学）；Singapore Management University（新加坡管理大学）；JetBrains Research（JetBrains研究院）
Ahmed和Devanbu最近的一项研究报告说，使用多语言数据集编写的代码语料库来微调多语言预训练语言模型（PLM），与使用仅用一种程序设计语言编写的代码语料库相比，可以实现更高的性能。然而，没有进行分析，就微调单语PLM。此外，某些程序设计语言本质上是不同的，并且用一种语言编写的代码通常不能与其它语言互换，即，Ruby和Java代码具有非常不同的结构。为了更好地理解单语和多语言PLM如何影响不同的程序设计语言，我们调查1）在Ruby上的PLM的性能两个流行的软件工程任务：代码摘要和代码搜索，2）策略（选择程序设计语言），以及微调多语言PLM的Ruby，和3）性能的微调PLM在Ruby上给定不同的代码长度。在这项工作中，我们分析了一百多个预先训练和微调的模型。我们的研究结果表明：1）多语言PLM具有较低的性能时间比（BLEU，METEOR，或MRR分数在微调持续时间）相比，单语PLM，2）我们提出的策略，选择目标程序设计语言微调多语言PLM是有效的：它减少了微调的时间，但在代码摘要和代码搜索任务中实现了更高的性能，以及3）我们提出的策略在不同的码长上一致地显示出良好的性能。
2022-04-05 cs.CL cs.PL cs.SE
Lightweight Interactive Proving inside an Automatic Program Verifier
在形式化方法中，演绎验证方法允许在关键软件上建立最强可能的形式化保证。缺点是设计适当的正式规范和成功履行所需的证明义务所需的人力成本。为了在工业软件开发环境中推广演绎验证，必须提供从简单和自动化方法逐步过渡到演绎验证的方法。SPARK环境，用于开发用Ada编写的关键软件，通过提供自动化工具来正式证明某些代码满足Ada合同中表达的要求，从而实现了这一目标。在利用自动证明器来履行证明义务的程序验证器中，需要一些额外的用户与证明任务的交互：或者帮助分析证明失败的原因，或者最终履行最先进的自动证明器无法达到的验证条件。在SPARK中添加交互式证明功能似乎很复杂，因为证明工具链使用了独立的中间验证工具Why 3，它足够通用，可以接受不同输入语言的多个前端。本文报告了我们的方法来扩展Why 3与交互式证明功能，并与一个通用的客户端-服务器基础设施，允许集成到一个外部的，前端的图形用户界面，如SPARK的证明交互。
2018-11-27 cs.LO cs.PL cs.SE
ERNIE-Code: Beyond English-Centric Cross-lingual Pretraining for Programming Languages
Baidu（百度）
发布支持116种自然语言和6种编程语言的统一预训练模型ERNIE-Code，采用span-corruption和基于枢轴的翻译语言建模方法，在代码智能任务及零样本提示中表现优越。
2023-05-19 cs.CL cs.LG cs.PL
