The significance of user-defined identifiers in Java source code authorship identification
在编写源代码时,程序员在创建和使用标识符方面有不同程度的自由。他们是否习惯性地使用相同的标识符,与其他人使用的名称不同?那么,是否有可能通过检查这些标识符来判断一段代码的作者是谁呢?如果是这样,我们是否可以使用标识符的存在或不存在来帮助正确地将程序分类给作者?有没有可能通过重命名标识符来隐藏程序的出处?在这项研究中,我们评估了三种类型的标识符在源代码作者分类两个不同的Java程序数据集的重要性。我们通过一系列实验来做到这一点,在这些实验中,我们每次伪装一种类型的标识符。这些实验使用源代码作者配置文件(SCAP)方法作为工具进行。结果表明,虽然标识符作为一个整体进行检查时,似乎并不反映这些数据集的程序作者,当单独检查有证据表明,类名信号的程序的作者。相比之下,Java程序中使用的简单变量和方法名似乎并不反映程序的作者身份。相反,我们的分析表明,这种标识符是如此普遍,以掩盖作者。我们认为,这些结果具有适用性的鲁棒性的代码剽窃分析和潜在的方法可能是有价值的诉讼程序作者的纠纷所产生的情况下。
2021-01-29 cs.SE
An Exploratory Study on the Usage and Readability of Messages Within Assertion Methods of Test Cases
单元测试是软件开发过程的重要组成部分,涉及开发人员编写代码来验证或断言产品代码。此外,为了帮助理解测试用例和解决问题,开发人员可以选择提供一条消息来解释断言失败的原因。在这个探索性的实证研究中,我们研究了20个开源Java系统的测试方法中包含的断言消息的特征。我们的研究结果表明,虽然开发人员很少使用提供消息的选项,但使用消息的人要么仅由字符串字面量、标识符或这两种类型的组合组成。使用标准的英语可读性测量技术,我们观察到,一个初学者的英语知识需要理解的消息只包含标识符,而四年级的教育水平需要理解的字符串文字组成的消息。我们还讨论了在断言消息构造中使用这种可读性度量技术和常见反模式的缺点。我们设想我们的结果纳入代码质量工具,评估断言消息的可理解性。
2023-03-01 cs.SE
DIRE: A Neural Approach to Decompiled Identifier Naming
反编译器是检查没有相应源代码的二进制文件的最常用工具之一。它将二进制文件转换为高级代码,反转编译过程。反编译器可以重建在编译过程中丢失的大部分信息(例如,结构和类型信息)。不幸的是,它们不能重构语义上有意义的变量名,而这可以提高代码的可理解性。我们提出了反编译标识符重命名引擎(DIRE),一种新的概率技术变量名称恢复,使用词法和结构信息恢复的反编译器。我们还提出了一种用于生成语料库的技术,该语料库适合于训练和评估反编译代码重命名的模型,我们使用该技术创建了一个由164,632个从GitHub挖掘的C项目生成的唯一x86-64二进制文件组成的语料库。我们的研究结果表明,在这个语料库中,DIRE可以预测变量名称相同的原始源代码中的名称高达74.3%的时间。
2019-10-03 cs.SE
Two Sides of the Same Coin: Exploiting the Impact of Identifiers in Neural Code Comprehension
先前的研究表明,神经代码理解模型容易受到标识符命名的影响。通过在源代码中重命名一个标识符,模型将输出完全不相关的结果,这表明标识符可能会误导模型预测。然而,标识符并不完全不利于代码理解,因为标识符名称的语义可以与程序语义相关。充分利用标识符的两种相反的影响对于增强神经代码理解的鲁棒性和准确性至关重要,并且仍然未得到充分探索。在这项工作中,我们建议从一个新的因果关系的角度来模拟标识符的影响,并提出了一个反事实推理为基础的框架命名为CREAM。CREAM在训练阶段通过多任务学习明确地捕捉标识符的误导信息,在推理阶段减少反事实推理的误导影响。我们评估CREAM在三个流行的神经代码理解任务,包括函数命名,缺陷检测和代码分类。实验结果表明,CREAM不仅在鲁棒性方面显著优于基线(例如,在F1分数的函数命名任务上,+37.9%),而且在原始数据集上也实现了改进的结果(例如,在F1得分时,函数命名任务的得分为+0.5%)。
2023-02-07 cs.SE
Corrigendum and Supplement to "Improve Language Modelling for Code Completion through Learning General Token Repetition of Source Code (with Optimized Memory)"
写这篇论文是因为我收到了几封询问邮件,说在应用令牌重复学习技术时很难取得好的效果。如果直接将REP(我提出的)或Pointer-Mixture(李健提出的)应用于源代码来决定所有令牌重复,模型性能将急剧下降。由于我们使用前序遍历来遍历抽象树(AST)以生成标记序列,因此在学习标记重复时忽略了AST语法对应的标记。对于非语法标记,有很多种:字符串、字符、数字和标识符。对于每一种标记,我们试图学习它的重复模式,发现只有标识符具有标记重复的属性。对于标识符,也有许多种类,如变量,包名称,方法名称,简单类型,限定类型或限定名称。实际上,某些类型的标识符(如包名、方法名、限定名或限定类型)不太可能重复。因此,我们在学习标记重复时忽略了这些不太可能重复的标识符。这一步是至关重要的,这一重要的实现技巧在本文中没有明确提出,因为我们认为这是微不足道的,太多的细节可能会困扰读者。我们在会议论文中提供了模型的GitHub地址,读者可以在该存储库中查看描述和实现。因此,在本文中,我们补充了已经发表的论文的重要实现优化的细节。
2020-06-24 cs.SE
Mercem: Method Name Recommendation Based on Call Graph Embedding
Graduate School of System and Information Engineering, University of Tsukuba(筑波大学系统与信息工程研究生院);Faculty of Engineering, Information and Systems, University of Tsukuba(筑波大学工程、信息与系统学院);Center for Computational Sciences, University of Tsukuba(筑波大学计算科学中心)
源代码的可理解性受到标识符名称的强烈影响,因此软件开发人员需要为标识符提供好的(例如有意义但简短的)名称。另一方面,即使对于有经验的开发人员来说,给出一个好的名字有时也是一项困难和耗时的任务。为了支持命名标识符,已经提出了用于推荐标识符名称候选的若干技术。然而,这些技术仍然存在建议候选人的优点和适用情况的限制方面的挑战。本文提出了一种新的方法,推荐方法名称,通过应用图嵌入技术的方法调用图。评估实验证实,所提出的技术可以建议更合适的方法名称的候选人在困难的情况下比最先进的方法。
2019-07-12 cs.LG cs.PL cs.SE
On the Generation, Structure, and Semantics of Grammar Patterns in Source Code Identifiers
标识符构成了代码中的大部分文本。它们是最基本的媒介之一,开发人员通过它们描述他们创建的代码并理解其他人创建的代码。因此,如果研究人员要支持开发人员和自动化分析方法正确和最佳地理解和创建标识符,那么了解标识符命名实践中潜在的模式以及我们能够自动建模这些模式的准确程度至关重要。本文通过研究词性标注序列(称为语法模式)来研究标识符。这项工作提高了我们对这些模式的理解和建模的能力:1)在不同类型的标识符中建立共同的命名模式,如类和属性名; 2)分析不同的模式如何影响理解;以及3)研究用于词性标注的最新技术的准确性,这在自动建模标识符命名模式中是至关重要的,以确定他们的极限和改进的途径。为此,我们手动注释了来自20个开源系统的1,335个标识符的数据集,并使用该数据集来研究命名模式,语义和标签准确性。
2020-07-15 cs.SE
SCALAR: A Part-of-speech Tagger for Identifiers
Department of Software Engineering , Rochester Institute of Technology(软件工程系,罗切斯特理工学院);Department of Computer Science , Kent State University(计算机科学系,肯特州立大学);Department of Computer Science , University of Akron(计算机科学系,阿克伦大学);Department of Software Engineering , Bowling Green State University(软件工程系,鲍灵格林州立大学);Department of Computer Science , University of Michigan Flint(计算机科学系,密歇根大学弗林特分校);George Mason University School of Computing(乔治·梅森大学计算机学院);Stevens Institute of Technology , School of Engineering and Science(史蒂文斯理工学院,工程与科学学院);Prince Sultan University Department of Software Engineering(普天皇大学软件工程系);University of Hawaii at Manoa Department of Information and Computer Sciences(夏威夷大学马诺阿分校信息与计算机科学系)
本文提出SCALAR,一种基于梯度提升分类器和人工知识库的词性标注器,用于将源代码标识符映射到语法模式,并通过对比实验展示其优于现有标注器。
2025-04-23 cs.CL cs.SE
Using the Uniqueness of Global Identifiers to Determine the Provenance of Python Software Source Code
针对自由/开源软件源代码的来源识别问题,提出一种基于软件全局标识符的轻量级方法,通过随机选取少量非频繁全局标识符即可高效缩小候选来源范围,在 Debian 与 PyPI 包映射实验中实现了 0.9 的召回率和 0.77 的精确率。
2023-05-24 cs.SE
IdBench: Evaluating Semantic Representations of Identifier Names in Source Code
TU Darmstadt(达姆施塔特工业大学);University of Stuttgart(斯图加特大学)
标识符名称传达有关代码预期语义的有用信息。基于名称的程序分析使用该信息,例如,检测错误,预测类型,提高代码的可读性。基于名称的分析的核心是标识符的语义表示,例如,以学习嵌入的形式。这种表示的高级目标是编码两个标识符,例如,Lens和Size在语义上相似。不幸的是,目前还不清楚语义表示在多大程度上与开发人员感知的语义相关性和相似性相匹配。本文介绍了IdBench,第一个基准评估语义表示对地面真相从数千个评级由500名软件开发人员。我们使用IdBench来研究为自然语言提出的最先进的嵌入技术,一种专门为源代码设计的嵌入技术,以及词汇字符串距离函数。我们的研究结果表明,语义表示的有效性差异显着,最好的嵌入成功地代表语义相关性。不利的是,没有现有技术提供语义相似性的令人满意的表示,除了其他原因之外,因为具有相反含义的标识符被错误地认为是相似的,这可能导致致命的错误,例如,一个重构工具。研究不同技术的优点和缺点表明,它们是相辅相成的。作为利用这种互补性的第一步,我们提出了一个集成模型,结合现有的技术,显然优于最好的语义表示。
2021-01-14 cs.LG cs.PL cs.SE
Neural Variable Name Repair: Learning to Rename Identifiers for Readability
Georgia Institute of Technology(佐治亚理工学院)
本文提出神经变量名修复方法,通过微调和重排技术提升代码可读性,实验显示其在精确匹配和部分相似度评分上显著优于基线模型。
2025-11-30 cs.LG cs.SE
DepRes: A Tool for Resolving Fully Qualified Names and Their Dependencies
重用其他程序员在Q&A论坛上共享的代码片段(例如,StackOverflow)是软件开发人员遵循的常见做法。但是,如果缺少关于借用代码段中标识符的完全限定名(FullyQualified Name,简称CQN)的足够信息,则会导致严重的编译错误。程序员要么必须手动搜索标识符的正确序列号,这是一个繁琐且容易出错的过程,要么使用开发的工具来自动识别正确的序列号。尽管研究人员努力自动识别代码片段中的CSN,但目前的方法在实践中的准确性很低。此外,虽然这些工具专注于解析代码片段中标识符的CNON,但它们留下了找到正确的第三方库(即,依赖性)实现未解决的CSDN。使用不正确的依赖项或依赖项的不正确版本可能会导致编译器无法检测到的语义错误。因此,它可能会在运行时造成严重损害。在本文中,我们将介绍DepRes,这是一个利用基于草图的方法来解析基于Java的代码片段中的CDN的工具,并为每个CDN推荐正确的依赖关系。DepRes工具的源代码、文档以及演示视频可从其代码库https://github.com/SoftwareDesignLab/DepRes-Tool获得。
2021-08-02 cs.SE
An Ensemble Approach for Annotating Source Code Identifiers with Part-of-speech Tags
Bowling Green State University(鲍林格林州立大学);Prince Sultan University(苏丹亲王大学);BNY Mellon(纽约梅隆银行);Drew University(德鲁大学)
本文提出了一种集成的源代码标识符词性标注方法。包围标注是一种使用机器学习和来自多个词性标注器的输出来以比词性标注器能够独立获得的更高的质量注释自然语言文本的技术。我们的合奏使用三个国家的最先进的词性标记:SWUM,POSSE和斯坦福大学。我们研究了五种不同类型的标识符名称的合奏的注释的质量:功能,类,属性,参数和声明声明语句在两个单独的单词和完整的标识符名称的水平。同时,我们也研究和讨论了我们的标注器的不足之处,希望通过进一步的研究来促进这些问题的改进。实验结果表明,该集成方法在识别符级的识别率达到75%,在词级的识别率达到84- 86%.这是在标识符级别上从最接近的独立词性标注器增加了+17\%点。
2021-09-01 cs.CL cs.SE
Exploring Large Language Models for Analyzing and Improving Method Names in Scientific Code
本文评估了四种大语言模型分析并改进496个来自Jupyter Notebook的科学代码方法名的能力,发现LLM虽能遵循基本命名规范但对领域术语处理不一致,需人工评估辅助。
2025-07-22 cs.SE
Context2Name: A Deep Learning-Based Approach to Infer Natural Variable Names from Usage Contexts
University of California, Berkeley(加州大学伯克利分校);TU Darmstadt(达姆施塔特工业大学)
大多数部署在野外的JavaScript代码都被缩小了,在这个过程中,标识符名称被替换为简短、任意和无意义的名称。精简的代码占用更少的空间,但也使代码非常难以手动检查和理解。本文介绍了Context2Name,这是一种基于深度学习的技术,通过预测缩小名称的自然标识符名称来部分逆转缩小的效果。核心思想是根据变量的使用上下文预测一个捕获变量含义的名称。该方法结合了一个轻量级的,基于令牌的静态分析与自动编码器神经网络,总结使用上下文和一个循环神经网络,预测一个给定的使用上下文的自然名称。我们评估的Context2Name与现实世界的JavaScript代码的大型语料库,并表明,它成功地预测了47.5%的所有缩小的标识符,而平均只需2.9毫秒预测一个名字。与最先进的工具JSNice和JSNaughty的比较表明,我们的方法在准确性方面表现出色,同时在效率方面有所提高。此外,Context2Name通过预测5.3%的额外标识符来补充现有工具所遗漏的最新技术。
2018-08-31 cs.LG cs.PL cs.SE
Automated Variable Renaming: Are We There Yet?
标识符,如方法名和变量名,构成了源代码的很大一部分。因此,低质量的标识符会严重阻碍代码的理解。为了支持开发人员使用有意义的标识符,已经提出了几种(半)自动技术,大多数是数据驱动的(例如,统计语言模型、深度学习模型)或依赖于静态代码分析。尽管如此,有限的经验调查已经执行的有效性,这些技术推荐开发人员有意义的标识符,可能导致重命名重构操作。我们提出了一个大规模的研究调查数据驱动的方法来支持自动变量重命名的潜力。我们实验了三种最先进的技术:统计语言模型和两个基于DL的模型。这三种方法已经在我们构建的三个数据集上进行了训练和测试,目的是评估它们推荐有意义的变量标识符的能力。我们的定量和定性分析表明,这种技术的潜力,在特定条件下,可以提供有价值的建议,并准备在重命名重构工具集成。尽管如此,我们的研究结果也突出了实验方法的局限性,需要在这一领域进行进一步的研究。
2022-12-12 cs.SE
On the Effect of Semantically Enriched Context Models on Software Modularization
许多现有的程序理解方法依赖于源代码中的语言信息,如标识符名称和注释。语义聚类就是这样一种系统模块化的技术,它依赖于程序的非正式语义,编码在源代码中使用的词汇表中。将源代码视为标记的集合会丢失标识符中嵌入的语义信息。我们试图克服这个问题,通过引入上下文模型的源代码标识符,以获得一个语义内核,它可以用于派生的主题,通过系统以及它们的聚类。在第一个模型中,我们将标识符抽象为其类型表示,并基于上下文的概念构建源代码的上下文向量表示。上下文的第二个概念是基于标识符之间的数据流来定义的,以将模块表示为依赖关系图,其中节点对应于标识符,而边表示标识符对之间的数据依赖关系。我们已经将我们的方法应用于10个中型开源Java项目,并表明通过引入上下文标识符,软件系统的模块化质量得到提高。这两个上下文模型给出的结果优于普通的矢量表示的文档。在某些情况下,分解的权威性提高了67%。此外,我们的方法JEdit,一个开源的编辑器,更详细的评估表明,推断的主题,通过执行主题分析的上下文表示是更有意义的相比,纯表示的文件。所提出的方法,在引入一个上下文模型的源代码标识符铺平了道路,建设工具,支持开发人员在程序理解任务,如应用程序和领域概念的位置,软件模块化和主题分析。
2017-08-04 cs.SE
SparseCoder: Identifier-Aware Sparse Transformer for File-Level Code Summarization
针对文件级长代码摘要任务中Transformer因计算复杂度高难以处理长输入的问题,提出标识符感知稀疏Transformer模型SparseCoder,结合滑动窗口与两类稀疏注意力捕获长短依赖,在自建Python数据集FILE-CS上取得最优性能且内存开销低。
2024-01-26 cs.SE
Do Names Echo Semantics? A Large-Scale Study of Identifiers Used in C++'s Named Casts
本文提出基于条件熵的信息论方法,用于识别 C++ 显式类型转换中的不良实现,并在 Chromium 项目的大规模数据上验证了其有效性。
2023-04-03 cs.IT cs.PL cs.SE
RefBERT: A Two-Stage Pre-trained Framework for Automatic Rename Refactoring
本文提出两阶段预训练框架RefBERT,通过先预测子词元数量再生成子词元,并结合受限掩码语言建模、对比学习与词元袋损失,实现更准确的变量名自动重命名重构。
2023-05-28 cs.SE
Measuring how changes in code readability attributes affect code quality evaluation by Large Language Models
Banco do Brasil(巴西银行);Universidade de Brasília(巴西利亚大学)
本文通过对9个LLM实施移除注释、混淆标识符和消除代码坏味的准实验,发现LLM能敏感识别可读性变化并捕捉语义一致性,但存在一定响应振荡。
2025-07-09 cs.SE
What Makes In-Context Examples Effective for Code Generation?
The Hong Kong University of Science and Technology(香港科技大学);Guangzhou HKUST Fok Ying Tung Research Institute(广州香港科技大学霍英东研究院)
本研究通过受控消融实验系统探究了代码示例中标识符命名、格式等特征对LLM代码生成ICL效果的影响,发现恰当命名至关重要,并揭示了LLM在提取可泛化洞察方面的局限。
2026-09-24 cs.SE
OCoR: An Overlapping-Aware Code Retriever
Peking University(北京大学)
代码检索帮助开发人员在开源项目中重用代码片段。代码检索的目标是在给定的自然语言描述下,从一组代码中寻找最相关的代码。现有的最先进的方法将神经网络应用于代码检索。然而,这些方法仍然未能捕获重要的功能:重叠。不同人使用的不同名称之间的重叠指示两个不同名称可能潜在地相关(例如,“消息”和“msg”),并且代码中的标识符与自然语言描述中的单词之间的重叠指示代码片段和描述可能潜在地相关。为了解决这些问题,我们提出了一种名为OCoR的新型神经架构,其中我们引入了两个专门设计的组件来捕获重叠:第一个按字符嵌入标识符以捕获标识符之间的重叠,第二个引入了一个新的重叠矩阵来表示每个自然语言单词和每个标识符之间的重叠程度。评价是在两个已建立的数据集上进行的。实验结果表明,OCoR显着优于现有的国家的最先进的方法,并实现了13.1%至22.3%的改善。此外,我们还进行了一些深入的实验,以帮助了解OCoR中不同组件的性能。
2020-08-20 cs.CL cs.LG cs.SE
Semantic Source Code Models Using Identifier Embeddings
本文利用 fastText 对 Java、Python、PHP、C、C++ 和 C# 六种语言的超过 13,000 个代码仓库训练标识符嵌入模型,以构建语义代码表示,并分析了跨语言差异对预处理和训练参数的影响。
2019-04-15 cs.SE
Combining Static Code Analysis and Large Language Models Improves Correctness and Performance of Algorithm Recognition
Ulm University(乌尔姆大学)
本文研究了结合大语言模型与静态代码分析在算法识别中的效果,发现该方法能显著降低运行时间并提升F1分数,同时验证了模型在标识符混淆下的鲁棒性。
2026-04-03 cs.SE
Poisoned Identifiers Survive LLM Deobfuscation: A Case Study on Claude Opus 4.6
研究探讨了在LLM去混淆JavaScript时,被污染的标识符名称是否能存活于模型重构的代码中,发现被污染名称在多个实验中持续存在,并且即使模型正确理解语义,也会在注释中出现错误变量名。
2026-04-05 cs.AI cs.CR cs.SE
On the Lexical Superstition of Large Language Models for Code Comprehension: Re-evaluation on Code of Low Lexical Quality
Nanjing University(南京大学)
本研究通过Face/Off重命名框架揭示LLMs在代码理解中过度依赖词汇线索,即使误导性命名也影响输出,且难以通过干预消除,呼吁平衡词汇与结构语义。
2026-09-23 cs.CL cs.LG cs.SE
Naming the Identified Feature Implementation Blocks from Software Source Code
识别实现软件产品的特定功能的软件标识符被称为功能识别。特征识别是软件工程师在软件维护活动中最关键和最常用的过程之一。但是,必须为已识别功能实现块(IFIB)分配一个有意义的名称,以完成功能识别过程。特征命名过程仍然是一项具有挑战性的任务,其中大多数现有方法手动分配IFIB的名称。本文提出了一种名为“云”的方法,软件开发人员可以利用该方法从软件代码中命名IFIB。该方法结合了词云可视化技术,通过使用这些块中最频繁的词来命名特征块(FB)。在文献中,向软件开发人员提供了有限的工具支持,以区分IFIB的功能名称。为了保证有效性,AntoureClouds已经应用于绘制形状和ArgoUML软件。实验结果表明,该方法在查准率和查全率方面取得了良好的效果。
2022-04-24 cs.SE
Towards Better Comprehension of Breaking Changes in the NPM Ecosystem
针对NPM生态系统破坏性变更带来的高昂维护成本,本文构建了381个项目的数据集,系统分类了语法与行为破坏性变更及其成因,并为自动化检测与重命名技术提供了改进建议。
2024-10-14 cs.SE
Decaf: Improving Neural Decompilation with Automatic Feedback and Search
University of Pennsylvania(宾夕法尼亚大学);Carnegie Mellon University(卡内基梅隆大学)
Decaf通过自动反馈和搜索显著提升神经反编译的语义正确性,将反编译率从26.0%提升至83.9%。
2026-05-12 cs.AI cs.CR cs.SE
Maybe Deep Neural Networks are the Best Choice for Modeling Source Code
The University of Edinburgh(爱丁堡大学);Google AI(谷歌人工智能);The Alan Turing Institute(艾伦·图灵研究所)
统计语言建模技术已经成功地应用于源代码,产生了各种新的软件开发工具,如代码建议和提高可读性的工具。这些技术的一个主要问题是,随着新标识符名称的激增,代码以比自然语言高得多的速率引入新词汇表。但是传统的语言模型将词汇表限制在一组固定的常用词上。对于代码,这种强假设已被证明对预测性能有显著的负面影响。但是,开放词汇表版本的神经网络语言模型的代码还没有在文献中介绍。我们提出了一个新的开放词汇神经语言模型的代码,不限于一个固定的词汇表的标识符名称。我们采用了分割成子字单元,根据压缩标准选择的标记的连续性,在机器翻译以前的工作。我们的网络实现了一流的性能,甚至超过了Hellendoorn和Devanbu专门为模型代码设计的最先进的方法。此外,我们提出了一个简单的方法,动态适应模型的一个新的测试项目,从而提高性能。我们在三种不同语言的代码语料库上展示了我们的方法,每种语言的代码语料库都超过10亿个令牌,比以前的工作大数百倍。据我们所知,这是已报道的最大的代码神经语言模型。
2019-03-13 cs.LG cs.SE
When Names Disappear: Revealing What LLMs Actually Understand About Code
FPT Software AI Center(FPT软件AI中心);Nanyang Technological University(南洋理工大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文通过保持语义的代码命名混淆揭示 LLM 对标识符模式的依赖,并发布 ClassEval-Obf 基准以更可靠地评估真实代码理解与泛化能力。
2025-10-03 cs.CL cs.SE
Featherweight Assisted Vulnerability Discovery
Loyola University Maryland(马里兰洛约拉大学);Simula Research Laboratory(西穆拉研究实验室)
预测易受攻击的源代码有助于将注意力集中在需要更仔细检查的代码部分。最近的工作提出了使用函数名称作为语义线索,可以通过深度神经网络(DNN)学习,以帮助寻找函数的脆弱性。结合标识符分裂,每个函数名称分为其组成的话,与一种新的基于频率的算法,我们探讨在何种程度上构成一个函数的名称的话可以预测潜在的脆弱功能。与只考虑函数名称的DNN的 * 轻量级 * 预测相反,避免使用DNN提供了 * 轻量级 * 预测。其基本思想是,包含某些“危险”单词的函数名更有可能伴随着易受攻击的函数。当然,这是假设基于频率的算法可以适当地调整,以专注于真正危险的单词。因为它比DNN更透明,所以基于频率的算法使我们能够研究DNN的内部工作原理。如果成功的话,对DNN做什么和不做什么的调查将有助于我们训练更有效的未来模型。我们经验评估我们的方法在异构数据集上包含超过73000个功能标记为脆弱,超过950000个功能标记为良性。我们的分析表明,单词本身就占了DNN分类能力的很大一部分。我们还发现,在具有更均匀词汇的数据集中,单词具有最大的价值。因此,当在给定项目的范围内工作时,词汇表是一致的,我们的方法提供了一种更便宜的,潜在的互补技术,以帮助寻找源代码漏洞。最后,这种方法具有的优点是,它是可行的数量级较少的训练数据。
2022-02-06 cs.CR cs.LG cs.SE