Static Code Analyzer Using Micro-Grammar
[THIS本文讨论了基于“微文法”的缺陷发现器的有效性。
2022-08-13 cs.SE
Static Code Analysis with CodeChecker
本文介绍开源项目 CodeChecker,它将 Clang Static Analyzer、Clang-Tidy 等静态分析工具集成进 C++ 构建、CI 与开发流程,并提供问题管理系统,原为 2018 年 3COWS 会议讲座材料。
2024-08-05 cs.SE
Do Code LLMs Do Static Analysis?
University of Notre Dame(圣母大学)
本文研究代码LLM在代码智能任务中的静态分析能力,发现LLM在静态分析任务中表现不佳,且预训练静态分析任务无法提升代码智能任务性能。
2026-03-26 cs.SE
Evaluation of Static Analysis Tools for Finding Vulnerabilities in Java and C/C++ Source Code
安全测试被推迟到软件开发之后是很常见的,但是漏洞可能会在整个实施阶段被发现,并且发现得越早,修复它们就越容易,越便宜。软件开发过程(如安全软件开发生命周期)在设计和开发过程的每个阶段都包含安全性。静态代码扫描工具通过突出潜在的安全缺陷来发现代码中的漏洞,并提供如何解决这些漏洞的示例,有些甚至可以修改代码以消除敏感性。本文比较了Java和C/C++源代码的静态分析工具,并探讨了它们的优缺点。
2018-05-24 cs.SE
STALL+: Boosting LLM-based Repository-level Code Completion with Static Analysis
本文提出框架 STALL+,系统研究静态分析在基于大语言模型的仓库级代码补全不同阶段的集成策略,并在 CrossCodeEval 上验证提示阶段集成文件依赖效果最佳,同时揭示其与 RAG 的互补性及语言差异。
2024-06-14 cs.SE
Tracking the Evolution of Static Code Warnings: the State-of-the-Art and a Better Approach
本文针对静态代码警告在开发流程中的持续追踪问题,梳理现有方法并提出更精确的警告演化追踪方案,以支持代码审查、持续集成、自动修复和警告优先级排序。
2024-01-23 cs.SE
Cross-Language Code Search using Static and Dynamic Analyses
随着代码搜索渗透到软件开发中的大多数活动中,代码到代码搜索已经出现,以支持使用代码作为查询并在搜索结果中检索相似的代码。应用程序包括用于重构的重复代码检测、用于程序修复的补丁识别和语言翻译。现有的代码到代码搜索工具依赖于静态相似性方法,例如比较标记和抽象语法树(AST)来近似动态行为,导致精度低。大多数工具不支持跨语言代码到代码搜索,而那些支持的工具依赖于需要标记训练数据的机器学习模型。我们提出了跨语言的代码到代码搜索(COSAL),一种跨语言技术,使用静态和动态分析来识别相似的代码,不需要机器学习模型。基于代码标记相似性、结构相似性和行为相似性,使用非支配排序对代码片段进行排名。我们在43,146个Java和Python文件和55,499个Java文件的两个数据集上对COSAL进行了经验评估,发现1)与单一或加权度量相比,基于静态和动态相似性度量的非支配排名的代码搜索更有效; 2)与最先进的语言内和跨语言代码到代码搜索工具相比,COSAL具有更好的精确度和召回率。我们探讨了在大型开源存储库上使用COSAL的潜力,并讨论了更多语言和相似性度量的可扩展性,为实用的多语言代码到代码搜索提供了一个网关。
2021-06-16 cs.SE
Validating Static Warnings via Testing Code Fragments
静态分析是发现软件缺陷和漏洞的重要方法。然而,检查和确认静态警告是具有挑战性和耗时的。在本文中,我们提出了一种新的解决方案,自动生成测试用例的基础上,静态警告,以验证真和假阳性。我们设计了一个语法修补算法,可以从静态警告中生成语法有效、语义保持的可执行代码片段。我们开发了一个构建和测试系统,使用模糊器,KLEE和Valgrind自动测试代码片段。我们使用12个真实的C项目和1955个来自两个商业静态分析工具的警告来评估我们的技术。我们成功构建了68.5%的代码片段并生成了1003个测试用例。通过自动测试,我们确定了48个真阳性和27个假阳性,以及205个可能的假阳性。我们使用Helium匹配了4个CVE和真实世界的bug,它们只由我们的工具触发,而不是其他基线工具。我们发现,测试代码片段是可伸缩的和有用的;它可以触发测试整个程序或测试过程未能触发的错误。
2021-06-28 cs.SE
Static Code Analysis of Multilanguage Software Systems
使用静态代码分析来识别多语言软件系统的依赖调用图是具有挑战性的。开发当今系统所使用的不同语言通常具有不同的词法、语法和语义规则,这使得彻底的分析变得困难。此外,它们在组件内部和组件之间提供不同的模块化和依赖机制。最后,它们促进和--或要求各种框架提供不同的服务集,这些服务集引入了隐藏的依赖关系,这些依赖关系是当前静态代码分析方法所看不到的。在本文中,我们确定了五个重要的挑战,静态代码分析必须克服多语言系统,我们提出了要求,以处理它们。然后,我们提出了这些需求的解决方案来处理JEE应用程序,它将服务器端Java源代码与许多客户端Web方言(例如,JSP,JSF),同时依赖于框架(例如,Web和EJB容器)创建隐藏的依赖关系。最后,我们通过开发一套工具来分析JEE应用程序,构建依赖调用图,并将这些工具应用于两个示例JEE应用程序,来评估我们的解决方案的实现。我们的评估表明,我们的工具可以解决所确定的挑战,并提高召回识别多语言的依赖关系相比,标准的JEE静态代码分析,因此,间接提出的要求是有用的,以建立多语言的静态代码分析。
2019-06-03 cs.SE
A Better Approach to Track the Evolution of Static Code Warnings
静态错误检测工具帮助开发人员检测代码问题。然而,众所周知,由于各种原因,它们仍然没有得到充分利用。在现代软件开发工作流中引入静态错误检测器的最新进展可以更好地激励开发人员即时修复报告的警告。在本文中,我们研究了最先进的(SOA)解决方案的静态错误检测器跟踪警告的有效性,并提出了一个更好的解决方案的基础上,我们分析的不一致性的SOA解决方案。特别是,我们检查了四个大型开源系统,并通过两个静态错误检测器制作了一个包含3,452个静态代码警告的数据集。我们手动揭示所选警告的真实演变状态:持续、已解决或新引入。此外,通过人工分析,我们确定了SOA匹配算法不一致背后的关键原因。最后,我们提出了一个更好的方法来改善静态警告的跟踪软件开发历史。我们的评估表明,我们提出的方法提供了一个显着的改善精度的跟踪,即,从66.9%上升到90.0%。
2021-03-25 cs.SE
Debugging Static Analysis
为了检测和修复错误和安全漏洞,软件公司使用静态分析作为开发过程的一部分。但是,静态分析代码本身也容易出现bug。为了确保一致的精度水平,随着被分析的程序变得越来越复杂,静态分析必须处理程序使用的更多代码构造、框架和库。虽然每天都有更复杂的分析被编写并用于生产系统,但调试和修复它们的成本也大大增加。为了更好地理解调试静态分析的困难,我们调查了115位静态分析作者。从他们的回复中,我们提取了构建用于静态分析的调试器的核心需求,这些需求围绕两个主要问题:(1)同时从两个代码库(分析代码和被分析代码)中进行抽象,以及(2)在两个代码库中跟踪分析内部状态。我们的调查参与者使用的大多数当前调试工具缺乏解决这两个问题的能力。针对这些需求,我们介绍了VisuFlow,这是一个集成在Eclipse开发环境中的静态数据流分析调试环境。VisuFlow具有图形可视化功能,使用户能够随时查看数据流分析的状态及其中间结果。VisuFlow中的特殊断点可帮助用户同时单步执行分析代码和分析对象。为了评估VisuFlow的有用性,我们对20位静态分析作者进行了用户研究。与使用标准Eclipse调试环境相比,使用VisuFlow帮助我们的分析编写者样本识别并修复了分析代码中25%以上的错误。
2018-01-15 cs.SE
Beyond Functional Correctness: Static Code Quality Profiling of LLM-Generated Code
The University of Queensland(昆士兰大学);Texas A&M University–Kingsville(德克萨斯农工大学金斯维尔分校);Central Queensland University(中昆士兰大学)
本文针对大语言模型生成的Python代码开展大规模静态质量分析,借助Pylint等工具评估可维护性与可靠性,发现不同模型间存在功能正确性无法捕捉的系统性差异,推动了更全面的代码评估框架发展。
2026-10-13 cs.SE
What really changes when developers intend to improve their source code: a commit-level study of static metric value and static analysis warning changes
许多软件度量被设计用来度量那些被认为与软件质量相关的方面。静态软件度量,例如,规模、复杂性和耦合性被用于缺陷预测研究以及软件质量模型来评估软件质量。虽然这表明了质量和软件度量之间的关系,但它的程度还没有得到很好的理解。此外,最近的研究发现,复杂性度量可能是源代码可理解性的不可靠指标。为了探索这种关系,我们利用开发人员的意图,即什么构成了他们自己代码库的质量改进。我们通过检查提交消息,将来自54个Java开源项目的2,533个提交的随机样本手动分类为质量改进,这取决于开发人员的意图。我们通过预定义的指导方针区分完美和纠正性维护,并将这些数据用作基础事实,用于微调自然语言处理的最先进的深度学习模型。我们使用该模型将数据集增加到125,482次提交。基于由此产生的数据集,我们调查的差异大小和14静态源代码指标之间的变化,提高质量,由开发人员表示,和其他变化。我们发现,质量改善提交比其他提交更小。完美的更改对静态源代码指标有积极的影响,而纠正性更改则倾向于增加复杂性。此外,我们发现,文件的目标是完善的维护已经有一个较低的中位数比其他文件的复杂性。我们的研究结果提供了经验证据,静态源代码度量捕获质量改进从开发人员的角度来看。这对程序理解以及代码气味检测和推荐系统都有影响。
2022-05-30 cs.SE
Retrospective: Data Mining Static Code Attributes to Learn Defect Predictors
本文回顾了经典缺陷预测论文的基线贡献及其对软件工程研究的影响,反思其应被记住与遗忘之处。
2025-01-26 cs.SE
Enhancing Source Code Representations for Deep Learning with Static Analysis
本文提出将静态分析及缺陷报告、设计模式等额外上下文集成到ASTNN模型中,构建增强的源代码表示,显著提升了代码分类与克隆检测等软件工程任务的性能。
2024-02-14 cs.SE
Finding Model-Checkable Needles in Large Source Code Haystacks: Modular Bug-Finding via Static Analysis and Dynamic Invariant Discovery
在本文中,我们提出了一种新的婚姻的静态和动态分析。给定具有许多功能的大型代码库和成熟的测试套件,我们建议使用静态分析来找到具有断言或其他明显正确性属性的功能1)(例如,数组边界要求或指针访问),以及2)具有足够简单的控制流和数据使用,以服从基于谓词抽象或有界模型检验,而无需人工干预。由于大多数这样的功能在现实的软件系统中,实际上依赖于许多输入的前提条件,而不是指定的语言的类型系统(或以任何方式注释),我们建议使用动态发现的不变量的基础上,程序的测试套件,以表征可能的前提条件,以减少误报的问题。虽然在验证方面提供的很少,但这种方法可以为通常被认为“太大而无法进行模型检查”的程序提供额外的快速和高度可扩展的错误查找方法。“我们提出了一个简单的例子,表明该技术可以用于更典型的“模型可检查”的代码库,即使在存在设计不良的测试套件和坏的不变量。
2016-09-20 cs.LO cs.PL cs.SE
Static Analysis as a Feedback Loop: Enhancing LLM-Generated Code Beyond Correctness
针对LLM生成代码仅关注功能正确性而忽视多维度质量的问题,提出静态分析驱动的迭代提示算法,结合Bandit和Pylint工具,经GPT-4o实验验证,多维度代码质量问题显著降低,证明静态分析反馈可有效提升LLM生成代码的综合质量。
2025-08-20 cs.SE
TRACED: Execution-aware Pre-training for Source Code
针对静态预训练代码模型难以捕捉动态程序属性的问题,提出结合执行轨迹的执行感知预训练策略TRACED,在多个代码理解任务上显著优于静态预训练模型。
2023-06-13 cs.SE
Static Analysis of Infrastructure as Code: a Survey
在DevOps中越来越多地使用基础设施即代码(IaC),这带来了部署操作的速度和可靠性方面的好处,但也带来了软件系统典型的基础设施挑战。IaC脚本可能包含导致部署的基础设施中的安全性和可靠性问题的缺陷:需要检测和预防它们的技术。本文通过对IaC的静态分析技术的文献回顾,分析和综述了这方面的研究现状。我们描述了分析技术,缺陷类别和平台的工具在文献中。
2022-06-21 cs.SE
Combining Code Embedding with Static Analysis for Function-Call Completion
代码完成是集成开发环境(IDE)的一个重要特性。它允许开发人员更快地生成代码,特别是那些不完全熟悉API和其他代码的新手。以前关于代码完成的工作主要利用程序设计语言的静态类型系统或正在开发的项目或使用公共API的其他项目的代码历史。在这项工作中,我们提出了一种新的方法来改善当前的函数调用完成工具,通过学习独立的代码库,使用众所周知的自然语言处理模型,可以学习向量表示的源代码(代码嵌入)。我们的模型不是基于特定项目的历史数据进行训练的。相反,我们的方法允许学习高级概念及其在数千个项目中的关系。因此,所得到的系统能够提供不特定于特定项目或API的一般建议。此外,通过考虑完成调用的上下文,我们的方法建议与该上下文相关的函数调用。我们在一组培训期间看不到的开源项目上评估了我们的方法。结果表明,使用经过训练的模型以及基于静态类型分析的代码建议插件可以显著提高完成建议的正确性。
2020-10-31 cs.SE
TypeT5: Seq2seq Type Inference using Static Analysis
University of Texas at Austin(德克萨斯大学奥斯汀分校)
在用Python和JavaScript编写的程序中,自动预测缺少的类型注释的兴趣越来越大。虽然先前的方法在预测最常见的类型时已经达到了令人印象深刻的准确性,但它们在罕见或复杂的类型上往往表现不佳。在本文中,我们提出了一种新的类型推断方法,将类型预测作为一个代码填充任务,利用CodeT5,一个国家的最先进的seq2seq预训练的语言模型的代码。我们的方法使用静态分析来构造动态上下文的类型签名是由模型预测的每个代码元素。我们还提出了一个迭代解码方案,将以前的类型预测模型的输入上下文中,允许相关的代码元素之间的信息交换。我们的评估表明,所提出的方法TypeT5不仅实现了更高的整体准确性(特别是在罕见和复杂的类型上),而且还产生了更一致的结果,类型错误更少,同时便于用户干预。
2023-03-16 cs.LG cs.PL cs.SE
E&V: Prompting Large Language Models to Perform Static Analysis by Pseudo-code Execution and Verification
本研究提出利用大语言模型模拟伪代码执行的E&V静态分析方法,搭配无需外部基准的验证流程缓解幻觉问题,在Linux内核bug分类任务中准确率达81.2%。
2023-12-13 cs.SE
Example-based Synthesis of Static Analysis Rules
AWS AI(AWS人工智能)
静态分析工具具有针对若干代码质量问题的规则,并且这些规则由专家手动创建。在本文中,我们解决的问题,自动合成的代码质量规则的例子。我们制定的规则合成问题,合成一阶逻辑公式的图形表示的代码。我们提出了一种新的合成算法RhoSynth,它是基于线性规划的图形对齐识别感兴趣的规则的代码元素。我们通过利用开发人员所做的代码更改作为正面和负面示例的来源来引导RhoSynth。我们还解决了规则细化,其中的规则是逐步提高额外的用户提供的例子。我们通过合成30多个Java代码质量规则来验证RhoSynth。这些规则已被部署为公司代码审查系统的一部分,根据实时代码审查期间收集的开发人员反馈,其准确率超过75%。通过与最近的基线比较,我们表明,目前国家的最先进的程序合成方法是无法合成这些规则。
2022-04-19 cs.AI cs.LO cs.PL
A Static Evaluation of Code Completion by Large Language Models
AWS AI Labs(AWS人工智能实验室)
本文提出基于抽象语法树的 Python 代码补全静态评估框架,通过百万函数体实验高效识别常见静态错误,并分析温度、模型规模与上下文的影响。
2023-06-05 cs.CL cs.SE
Augmenting Large Language Models with Static Code Analysis for Automated Code Quality Improvements
Faculty of Engineering(工程学院);Applied Science Ontario Tech University(应用科学奥瑞冈科技大学)
本研究将大语言模型与静态代码分析、检索增强生成结合,配套定制代码比对工具缓解幻觉问题,实现自动化代码问题检测与修订,有效提升代码质量、简化开发流程并降低资源消耗。
2025-06-12 cs.AI cs.SE
Software Security analysis, static and dynamic testing in java and C environment, a comparative study
本文的主要工作是针对各种程序设计语言设计的主要源代码中出现的缓冲区溢出异常进行分析。它描述了如何改进代码并增加其强度,以抵御代码中易受攻击区域发生的安全盗窃。使用的主要语言是JAVA,被认为是最面向对象的语言之一,仍然会产生很多错误,如堆栈溢出,非法/不适当的方法重写。我使用局限于JAVA的工具来测试如何在编译之前纠正代码中的弱点。字节码盗窃是很难被征服的,所以最好是在纯java代码本身中摆脱它。研究中使用的工具是PMD(编程错误检测器),它有助于检测在不久的将来会弹出错误的代码行,例如hashcode(内存映射)重写中的缺陷,由于这些缺陷,Java代码将无法正常运行。另一个工具是FindBUGS,它提供了代码的测试器来分析代码中的弱点,如无限循环,非同步等待,死锁情况,空引用和解引用。为上述工具提供基础的另一个工具是JaCoCo代码覆盖分析,用于检测代码的不可达部分和未使用条件,这改善了空间复杂度并有助于容易地澄清错误。通过本文,我们设计了一种防止数据丢失的算法。主要受众是白盒测试人员,他们可能会在主要的源程序中遗漏基本的代码行,如索引变量、无限循环和不适当的散列代码。该算法用于减少缓冲区溢出情况下的损坏
2012-08-15 cs.CR cs.SE
QLPro: Automated Code Vulnerability Discovery via LLM and Static Code Analysis Integration
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院)
QLPro框架通过集成LLM与静态分析工具提升开源项目漏洞检测能力,在JavaTest数据集上比CodeQL多检出17个已知漏洞,并新发现6个未知漏洞(含2个0-day)。
2025-07-19 cs.AI cs.CR cs.SE
An Empirical Analysis of Static Analysis Methods for Detection and Mitigation of Code Library Hallucinations
The University of Sydney(悉尼大学)
本文通过实证分析探讨静态分析方法在检测和缓解代码库幻觉中的效果,发现其能检测部分错误和幻觉,但存在局限性。
2026-11-09 cs.CL cs.SE
JuCify: A Step Towards Android Code Unification for Enhanced Static Analysis
原生代码现在在Android应用程序包中很常见,它通过Java原生接口与Dex字节码共存并交互,以提供丰富的应用程序功能。然而,最先进的静态分析方法大多忽略了这种本机代码的存在,然而,这些本机代码可能实现应用行为的一些关键敏感部分,甚至恶意部分。现有技术的这种局限性严重威胁到大范围静态分析的有效性,这些静态分析无法完整地查看应用程序中的可执行代码。为了解决这个问题,我们提出了一个雄心勃勃的研究方向的新进展,即在Android应用程序中构建所有代码的统一模型。本文中提出的JuCify方法是朝着这样一个模型迈出的重要一步,我们提取并合并本机代码和字节码的调用图,以使最终模型易于通过常见的Android分析框架使用:在我们的实现中,JuCify构建在Soot内部中间表示的基础上。我们进行了实证调查,以突出如何,没有统一的模型,从本地代码调用的Java方法的显着数量是“不可访问”的应用程序的调用图,无论是在好软件和恶意软件。使用JuCify,我们能够使静态分析器能够揭示恶意软件依赖本机代码来隐藏Android框架中的支付库代码或其他敏感代码的调用的情况。此外,JuCify的模型使最先进的工具能够在通过本机代码检测数据泄漏时实现更好的精度和召回率。最后,我们展示了通过使用JuCify,我们可以找到通过本机代码传递的敏感数据泄漏。
2022-01-23 cs.SE
Path-sensitive Type Analysis with Backward Analysis for Quality Assurance of Dynamic Typed Language Code
对动态类型语言进行精确而快速的静态类型分析是非常困难的。这主要是因为缺少静态类型信息使得很难近似变量的所有可能值。实际上,现有的静态类型分析方法是不精确的或缓慢的。本文提出了一种提高Python代码静态类型分析精度的新方法,该方法通过向后分析来获得路径敏感性。通过这样做,我们的方法旨在获得更精确的静态类型信息,这有助于全面提高静态分析。为了证明我们的方法的有效性,我们进行了初步的实验,比较我们的方法实现和现有的分析工具的精度和时间效率。实验结果表明,与现有的静态类型分析工具相比,该方法可以提供更精确的类型分析,误报率更低。同时也表明我们提出的方法虽然增加了分析时间,但仍然在实际使用的范围内。
2023-02-15 cs.SE
LLM-Based Static Verification of Code Against Natural-Language Requirements: An Industrial Experience Report
NIO Inc.(蔚来);University of Nottingham Ningbo China(诺丁汉大学宁波校区);Swinburne University of Technology(斯威本科技大学)
本文提出一种基于大语言模型的两阶段工作流,用于在智能汽车网络安全案例中验证代码是否符合自然语言要求,通过引入结构化中间表示减少幻觉和输出变异,提升静态分析的准确性与解释性。
2026-05-18 cs.SE
CodeCureAgent: Automatic Classification and Repair of Static Analysis Warnings
CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心)
本文提出CodeCureAgent,利用大语言模型代理自动分析、分类和修复静态分析警告,通过三步启发式方法生成合理修复方案,有效提升代码质量。
2026-04-13 cs.MA cs.SE
Automatically Tailoring Static Analysis to Custom Usage Scenarios
近年来,在静态分析仪的开发和工业应用方面取得了重大进展。这样的分析仪通常提供大量(如果不是巨大的话)可配置选项来控制分析的精度和性能。在软件开发生存周期中集成静态分析器的一个主要障碍是将它们的选项调优到自定义使用场景,例如特定的代码库或某些资源约束。在本文中,我们提出了一种技术,自动定制的静态分析器,特别是一个抽象的解释器,分析和任何给定的资源约束下的代码。我们在一个名为TAILOR的框架中实现了这种技术,我们用它来对现实世界的基准进行广泛的评估。我们的实验表明,由TAILOR生成的配置远远优于默认的分析选项,根据分析的代码而显着变化,并且大多数仍然适合于几个后续的代码版本。
2020-09-30 cs.SE
Many Tools, Few Exploitable Vulnerabilities: A Survey of 246 Static Code Analyzers for Security
Ruhr-University Bochum(鲁尔大学波鸿分校);Chalmers | University of Gothenburg(查尔姆斯理工大学|哥德堡大学)
本文调查了246个静态代码分析器,发现其主要关注有限的漏洞集,且检测的漏洞难以利用,评估方法存在不足。
2026-02-20 cs.CR cs.SE
Forming Teams for Teaching Programming based on Static Code Analysis
在课堂上使用团队进行编程教学是有效的,因为它可以帮助学生在更短的时间内产生和获得新的知识,但这些小组的形成没有考虑到某些方面,可能会对教与学的过程造成不利影响。本文提出了一种基于源代码语义的团队组建工具(SOFORG)。这种语义基于从偏好、风格和良好编程实践中提取的度量。所有这些都是通过对每个学生开发的代码进行静态分析来实现的。通过这种方式,您将拥有一个学生记录,其中包含提取的信息;它可以评估给定课程中的最佳团队组成。团队的形成是基于编程风格,技能,结对编程或与领导者。
2012-05-29 cs.SE
Leveraging Static Analysis for Bug Repair
本文结合 sequence-to-sequence 模型与静态分析工具 Infer,在 IR 与源代码空间协同修复资源泄漏缺陷,并通过解码策略与结果过滤实现约 97% 精确率和 66% 召回率。
2023-04-21 cs.SE
A Large-Scale Collection Of (Non-)Actionable Static Code Analysis Reports
University of Szeged(塞格德大学);FrontEndART Ltd.(FrontEndART有限公司)
针对静态代码分析警报疲劳问题,本文提出可执行/不可执行SCA警告收集分类方法,构建了超百万条Java警告的大规模数据集NASCAR并公开,支撑相关研究。
2025-11-13 cs.SE
Implementing and Executing Static Analysis Using LLVM and CodeChecker
本教程通过LLVM和CodeChecker,以C++中冗余指针消除和std::string悬空指针检测两个问题为例,逐步讲解基于抽象语法树和符号执行的静态分析检查器实现方法。
2024-08-10 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
Helping LLMs Improve Code Generation Using Feedback from Testing and Static Analysis
本文提出利用测试和静态分析评估和指导通用开源LLM生成代码的质量及自我改进,发现生成代码常存在错误和安全问题,但提供反馈后能有效修复代码缺陷。
2025-01-07 cs.AI cs.SE
Detecting HTTP Status Code Misuses in REST APIs via Static and Dynamic Analysis
University of Namur(南纳慕尔大学);Kristiania University of Applied Sciences(克里斯蒂安应用科学大学);Oslo Metropolitan University(奥斯陆大都会大学);SnT, University of Luxembourg(卢森堡大学科学与技术中心)
本文提出结合静态与动态分析的方法,基于30条规则检测REST API中HTTP状态码误用,经2,625个真实规范验证,发现误用频繁且两种方法互补有效。
2026-09-14 cs.SE
AutoSafeCoder: A Multi-Agent Framework for Securing LLM Code Generation through Static Analysis and Fuzz Testing
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);University of Amsterdam(阿姆斯特丹大学);Florida International University(佛罗里达国际大学)
AutoSafeCoder提出多智能体框架,通过编码、静态分析和模糊测试智能体协作,在代码生成中迭代集成动态与静态测试,使漏洞减少13%且不影响功能。
2024-11-05 cs.AI cs.SE
Static Analyzers and Potential Future Research Directions for Scala: An Overview
静态分析器是现代程序员不可缺少的工具集。这使程序员能够在开发周期的实现阶段检测当前代码库中可能存在的错误和安全缺陷,而不是依赖于独立的测试阶段。静态分析器通常突出“静态”源代码中可能存在的缺陷,因此不需要编译或执行源代码。近年来,Scala程序设计语言在各个行业得到了广泛的采用。随着这种工具的广泛采用,本文概述了Scala程序设计语言的静态分析工具,包括商业和开源工具。本文详细讨论了这些工具可以检测的缺陷类型,这些工具的局限性,并提供了潜在的研究方向,可以改善Scala程序设计语言的静态分析器的现状。
2019-05-12 cs.SE
Understanding Static Code Warnings: an Incremental AI Approach
基于知识的系统对一些知识库进行推理。因此,这样的系统的一个重要问题是如何获得他们的推理所需的知识。本文评估了获取“静态代码警告”知识的主动学习方法。静态代码分析是一种广泛使用的检测软件系统中的错误和安全漏洞的方法。随着软件变得越来越复杂,分析工具也会报告开发人员每天需要解决的越来越复杂的警告列表。这样的静态代码分析工具通常过于谨慎;也就是说,它们经常提供许多关于虚假问题的警告。以前的研究工作表明,SA工具报告的错误中约有35%到91%的警告实际上是不可操作的(即,开发人员不会采取行动的警告,因为它们被错误地建议为bug)。有经验的开发人员知道哪些错误是重要的,哪些可以安全地忽略。我们如何捕捉这种体验?本文报告了一个增量AI工具,它可以观察人类阅读误报报告。使用增量支持向量机机制,这个AI工具可以快速学习区分虚假的假警报和值得进一步关注的更严重的问题。在这项工作中,九个开源项目被用来评估我们提出的模型对以前的研究人员提取的特征,并确定我们的算法给出的优先级顺序的可操作的警告。我们观察到,当我们的方法告诉人类忽略70%到80%的警告时,我们的模型可以识别超过90%的可操作警告。
2020-10-22 cs.SE
Quieting the Static: A Study of Static Analysis Alert Suppressions
本研究通过分析1,425个Java项目,揭示了静态分析警告抑制的使用模式,发现误报占比小但技术债务显著,强调需改进工具沟通与教育以提升静态分析有效性。
2023-11-13 cs.SE
LitterBox+: An Extensible Framework for LLM-enhanced Scratch Static Code Analysis
University of Passau(帕绍大学)
LitterBox+通过将Scratch块式代码转换为文本形式,利用LLM生成能力提升静态代码分析,提供API和界面扩展,支持代码查询与修复,提升学习者编程体验。
2025-10-02 cs.SE
PredicateFix: Repairing Static Analysis Alerts with Bridging Predicates
Key Lab of HCST (PKU), MOE(高可信软件技术教育部重点实验室(北京大学));SCS, Peking University(北京大学数学科学学院)
针对LLM修复静态分析告警效果差及现有RAG示例质量不佳的问题,提出基于规则谓词检索关键示例的PredicateFix管道,在CodeQL和GoInsight上显著提升了修复正确率。
2025-11-02 cs.SE
Visual Integration of Static and Dynamic Software Analysis in Code Reviews via Software City Visualization
针对现有代码评审可视化工具仅支持静态分析、与工作流集成不足的问题,提出基于Web的软件城市可视化方法,整合静动态分析数据并对接Git服务,通过扩展ExplorViz实现,可提升分布式系统代码评审效率。
2024-08-15 cs.SE
Learning to Recognize Actionable Static Code Warnings (is Intrinsically Easy)
静态代码警告工具经常生成程序员忽略的警告。这些工具可以通过选择“可操作的”警告(即通常不会被忽略的警告)的数据采掘算法而变得更有用。在本文中,我们在FindBugs的31,058个静态代码警告中看到的5,675个可操作警告样本中寻找可操作警告。我们发现,数据采掘算法可以找到可操作的警告,非常容易。具体来说,一系列数据采掘方法(深度学习器、随机森林、决策树学习器和支持向量机)都取得了非常好的结果(召回率和AUC(TRN,TPR)测量通常超过95%,误报通常低于5%)。鉴于所有这些学习者都很容易成功,我们应该问一下,这项任务是否有一些本质上容易的地方。我们报告说,虽然我们的数据集有多达58个原始特征,但这些特征可以近似为不到两个基本维度。对于这种本质上简单的数据,许多不同类型的学习器可以生成具有相似性能的有用模型。基于上述,我们得出结论,学习识别可操作的静态代码警告是容易的,使用广泛的学习算法,因为底层数据本质上是简单的。如果我们不得不为这个任务选择一个特定的学习器,我们会建议使用线性SVM(因为至少在我们的样本中,该学习器运行得相对较快,并且达到了最佳的中值性能),我们不建议使用深度学习(因为这些数据本质上非常简单)。
2021-01-10 cs.SE
Assessing Validity of Static Analysis Warnings using Ensemble Learning
Cisco Systems(思科系统公司)
静态分析(SA)工具用于识别代码中的潜在弱点,并在代码开发过程中提前修复这些弱点。在具有高复杂性的遗留代码库中,这些基于规则的静态分析工具通常会在报告实际警告的同时报告大量错误警告。尽管SA工具发现了许多隐藏的错误,但它们被大量的虚假警告所掩盖。开发人员花费大量的时间和精力来识别真正的警告。除了影响开发人员的生产力外,由于这一挑战,真正的bug也会被遗漏。为了解决这个问题,我们提出了一个基于机器学习(ML)的学习过程,该过程使用源代码、历史提交数据和分类器集成来优先考虑给定警告列表中的True警告。该工具集成到开发工作流中,以过滤掉错误警告并优先考虑实际错误。我们评估了我们的方法对网络C代码,从一个大的数据池的静态分析警告报告的工具。开发人员会不时地处理这些警告,将其标记为真实的bug或假警报。ML模型在对代码功能进行全面监督的情况下进行训练。我们的研究结果证实,在传统的静态分析报告中应用深度学习是一种可以大幅降低误报率的可靠方法。
2021-04-21 cs.LG cs.SE
Towards Better Static Code Analysis Reports: Sentence Transformer-based Filtering of Non-Actionable Alerts
University of Szeged(塞格德大学);FrontEndART Ltd.(FrontEndART有限公司)
本文提出STAF方法,利用句子变换器架构过滤静态代码分析中的非可操作警报,通过减少无效警报数量并提高可操作问题识别准确率,使静态分析工具的实用性提升至89%。
2026-04-20 cs.SE
On the Use of Static Analysis to Engage Students with Software Quality Improvement: An Experience with PMD
本文通过3个学期、65份提交作业的课堂实验,评估使用PMD静态分析工具开展教学对提升学生软件质量意识的效果,发现其能助力学生认知编码问题,为教育者优化代码评审教学提供参考。
2023-07-13 cs.SE
On the Utility of Marrying GIN and PMD for Improving Stack Overflow Code Snippets
软件开发人员越来越依赖于问答门户和博客来编码解决方案。虽然这些接口提供了有用的信息,但有人担心这里托管的代码往往不正确,不安全或不完整。以前的工作确实通过使用静态分析在Stack Overflow上提供的代码中检测到了一系列错误。静态分析可能会对快速建立在线可用软件代码的健康状况大有帮助。此外,实现快速自动化程序改进的机制可以增强这样的代码。因此,我们提出了这个概念的证明。我们使用PMD静态分析工具来检测Stack Overflow Java代码片段样本的性能故障,然后使用GIN对这些代码片段执行突变。然后,我们重新分析GIN突变后这些片段中的性能故障。GIN的RandomSampler被用于对3,034个片段执行17,986个独特的行和语句补丁,其中PMD违规被从770个补丁版本中删除。我们的研究结果表明,静态分析技术可以与自动化程序改进方法相结合,以提高公共可用的代码很少的资源需求。我们将讨论我们在这方面的研究计划。
2022-02-03 cs.SE
Large Language Models Versus Static Code Analysis Tools: A Systematic Benchmark for Vulnerability Detection
本研究通过系统基准比较三种静态分析工具与三种大型语言模型在漏洞检测上的性能,发现LLMs在召回率上优势明显,但误报和定位不准,推荐混合流水线使用。
2025-08-06 cs.SE