Bus Protocols: MSC-Based Specifications and Translation into Program of Verification Tool for Formal Verification
消息序列图(MSC)是一种吸引人的可视化形式主义,主要用于系统设计的早期阶段,以捕获系统的需求。然而,如果我们走向一个实现,一个可执行的规范,以某种方式相关的MSC为基础的要求,必须获得。MSC可以有效地用于指定总线协议的方式,其中高级转换系统用于捕获协议的系统组件的控制流,MSC用于描述非原子组件的交互。该规范系统可进行形式化验证。在本文中,我们提出的方式,我们可以指定的总线协议,使用MSC和这些规格说明如何可以转换成程序的验证工具(我们已经使用的符号模型验证器(SMV))使用的形式化验证。在这方面,我们为以下任务作出了贡献。首先,介绍了利用MSC来指定协议的方法。其次,一个翻译器,翻译的规范(描述在文本输入文件)到SMV程序已经建成。最后,我们给出了使用SMV程序对AMBA总线协议进行验证的结果。通过转换过程找到的SMV程序可以用于自动验证任何指定的总线协议的各种属性。
2010-09-26 cs.SE
RustMap: Towards Project-Scale C-to-Rust Migration via Program Analysis and LLM
针对C到Rust迁移中现有工具生成代码不安全、难维护的问题,提出依赖引导结合LLM的RustMap方法,通过分块翻译、测试反馈迭代优化,生成更安全、符合惯用规范的可运行Rust代码,实验效果优于现有工具。
2025-03-22 cs.SE
Syntax and Domain Aware Model for Unsupervised Program Translation
Beihang University(北京航空航天大学);Peking University(北京大学)
随着软件的发展和社会的进步,软件迁移越来越受到人们的关注.在不同语言之间手动迁移项目容易出错且成本高昂。近年来,研究人员开始探索使用监督深度学习技术,通过从大规模并行代码语料库中学习来实现自动程序翻译。然而,并行资源在程序设计语言领域中是稀缺的,并且手动收集双语数据是昂贵的。为了解决这个问题,提出了几个无监督的编程翻译系统。但是,这些系统仍然依赖于庞大的单语源代码来进行训练,这是非常昂贵的。此外,这些模型不能很好地翻译在预训练过程中看不到的语言。在本文中,我们提出了SDA-Trans,语法和领域感知的程序翻译模型,它利用语法结构和领域知识,以提高跨语言迁移能力。SDA-Trans在较小规模的语料库上采用无监督训练,包括Python和Java单语程序。Python、Java和C++之间的函数翻译任务的实验结果表明,SDA-Trans的性能优于许多大规模的预训练模型,特别是对于看不见的语言翻译。
2023-03-10 cs.AI cs.SE
A Static Program Slicing Approach for Output Stream Objects in JEE Applications
在本文中,我们提出了一个程序切片的方法,在JEE应用程序的输出流对象。我们的方法是基于从JEE应用程序的KDM模型中提取依赖调用图。然后,它采用呼吸优先搜索算法来识别程序片作为一个图的可达性问题。所提出的方法是作为我们的DeJEE工具的扩展。
2018-03-14 cs.SE
Program Translation via Code Distillation
Microsoft Cloud and AI(微软云计算与人工智能部门);School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
提出CoDist模型,通过语言无关的中间表示捕获代码语义与结构等价性,生成可扩展的平行语料库,在CodeXGLUE和TransCoder GeeksForGeeks基准上实现最先进的程序翻译性能。
2023-10-17 cs.LG 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
No More Translation at Runtime: LLM-Empowered Static Binary Translation
Nanjing University(南京大学);The Hong Kong University of Science and Technology(香港科技大学);Lingnan University(岭南大学)
本文提出一种LLM赋能的静态汇编到汇编二进制翻译范式,在执行前转换代码,生成无需运行时框架的原生性能二进制,并通过拆分验证确保正确性,显著优于开源方案和ExaGear。
2026-10-06 cs.OS cs.SE
MUFIN: Improving Neural Repair Models with Back-Translation
本文提出使用反向翻译技术并设计MUFIN框架,通过专门的代码评估器选择高质量样本,在自监督学习下自动生成超50万对错误/修复数据,有效提升了神经程序修复模型的训练效果。
2023-04-05 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
AVATAR: A Parallel Corpus for Java-Python Program Translation
University of California, Los Angeles(加州大学洛杉矶分校);Columbia University(哥伦比亚大学)
针对程序翻译平行语料缺失的问题,研究者构建了含9515组Java-Python对应代码及250组单元测试的AVATAR平行语料库,基准测试显示现有预训练语言模型生成功能准确代码的能力仍有欠缺。
2023-05-04 cs.CL 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
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
SpecTra: Enhancing the Code Translation Ability of Language Models by Generating Multi-Modal Specifications
Columbia University(哥伦比亚大学);IBM Research(IBM研究院)
SpecTra通过生成多模态规范提升LLM的代码翻译能力,实现高达46%的性能提升。
2025-12-04 cs.SE
On ML-Based Program Translation: Perils and Promises
Silver Creek High School(银溪高中);Columbia University(哥伦比亚大学);Microsoft Research(微软研究院)
随着新的和高级的程序设计语言的出现,将遗留软件迁移到新的程序设计语言变得势在必行。基于无监督机器学习的程序翻译可以在这种迁移中发挥重要作用,即使没有足够大的并行源代码的可靠语料库。然而,由于其统计性质,这些翻译远非完美。这项工作调查了无监督的程序翻译器,以及它们失败的原因和原因。通过对此类失败的深入错误分析,我们发现此类翻译器失败的情况遵循一些特定的模式。有了这个洞察力,我们开发了一个基于规则的程序突变引擎,如果输入遵循特定的模式,则对输入代码进行预处理,如果输出遵循某些模式,则对输出进行后处理。我们表明,我们的代码处理工具,结合程序翻译,可以形成一个混合程序翻译,并显着提高国家的最先进的。在未来,我们设想一个端到端的程序翻译工具,编程领域的知识可以嵌入到基于ML的翻译管道使用前和后处理步骤。
2023-02-21 cs.AI cs.PL cs.SE
Towards More Reliable Automated Program Repair by Integrating Static Analysis Techniques
自动程序修复的一个长期存在的公开挑战是过拟合问题,这是由于没有足够或不完整的规范来验证生成的补丁是否正确而引起的。大多数可用的修复系统依赖于弱规范(即,从测试用例合成的规范),这限制了生成的修复的质量。为了加强规范和提高修复的质量,我们建议更紧密地结合静态错误检测技术与自动程序修复。该集成将自动程序修复与静态分析技术相结合,使得错误检测模式可以合成为修复系统可以使用的规范。我们探索这种集成使用两种类型的错误的可行性:算术错误,如整数溢出,和逻辑错误,如终止错误。作为我们分析的一部分,我们提出了一些意见,有助于提高这些类别的错误补丁生成。此外,这些观察有助于缩小候选块搜索空间,并推断有效的搜索顺序。
2021-11-10 cs.SE
Automated Program Analysis for Novice Programmers
本文介绍了如何调整静态代码分析器,以帮助新手程序员。当前的分析器是为了向构建新应用程序或系统的有经验的程序员提供反馈而构建的。这些工具的反馈类型和分析类型侧重于与该上下文相关的错误,并有助于调试系统。在教新手程序员时,这种建议通常不是特别有用。相反,使用这些技术来发现学生对重要编程概念的理解中的问题会更有用。本文首先探讨了静态分析器在哪些方面支持程序设计的学习和教学,并在现有的静态分析技术的基础上加以实现。它对静态分析器PMD进行了扩展,以便出现反馈消息,这对于新手程序员来说更容易理解。为了回答这个问题,如果这些技术能够找到的概念错误,是新手程序员的特点,我们运行了一些学生的项目,并比较这些结果与公开的成熟软件项目。
2017-09-30 cs.SE
RulER: Automated Rule-Based Semantic Error Localization and Repair for Code Translation
School of Computer Science, Wuhan University(武汉大学计算机学院);The Hong Kong University of Science and Technology(香港科技大学)
针对代码翻译中缺乏可靠参考导致错误定位与修复效果不佳的问题,提出基于规则的调试方法RulER,通过自动推导和动态组合翻译规则实现高效对齐,在定位率和修复率上显著优于现有方法。
2025-09-18 cs.SE
An Abstract Programming System
系统PL允许将程序正确性的抽象证明翻译成各种程序设计语言的程序。满足某些公理的程序设计语言可以是这种转换的目标。系统PL还允许以抽象程序设计语言构造和证明程序的正确性,并允许将这些程序翻译成各种语言的正确程序。抽象程序设计语言具有命令式的编程风格,带有赋值语句和副作用,以允许高效地生成代码。抽象程序可以由人类编写,然后翻译,避免了用不同语言甚至相同语言重复编写相同程序的需要。该系统使用经典逻辑,概念简单,并允许推理使用斯科特-斯特雷奇风格的指称语义的非终止程序。
2003-06-05 cs.LO cs.SE
Unlocking LLM Repair Capabilities Through Cross-Language Translation and Multi-Agent Refinement
City University of Hong Kong(香港城市大学);Beijing JudaoYouda Network Technology Co. Ltd.(北京极道有道网络科技有限公司);SnT, University of Luxembourg(卢森堡大学科学与技术学院);Aalto University(阿尔托大学);University of Melbourne(墨尔本大学)
本文提出LANTERN方法,通过跨语言翻译和多代理迭代修复,提升LLM在多语言程序修复中的能力,尤其在Rust等较少使用语言上表现突出。
2026-03-30 cs.SE
An Empirical Study: MEMS as a Static Performance Metric
本文提出将内存访问次数 mems 作为架构无关的静态性能指标,并通过基于 Clang 的自动插桩工具在十个经典算法程序上验证其更适合比较同一程序内不同执行路径的性能。
2025-05-12 cs.SE
Naturalistic Static Program Analysis
静态程序分析开发是一项重要且耗时的任务。我们提出了一个框架,通过它开发人员可以定义静态程序分析在自然语言。我们展示了这个框架的应用程序,以确定密码学在Java程序中的误用,我们讨论了它如何促进静态程序分析开发人员。
2023-01-12 cs.CR cs.PL cs.SE
Algorithm-Based Pipeline for Reliable and Intent-Preserving Code Translation with LLMs
University of Saskatchewan(萨斯喀彻温大学)
本文提出一种基于算法的代码翻译管道,通过引入语言中立的中间规范提升翻译准确性和可靠性,实验结果显示其在多个指标上均优于直接翻译方法。
2026-02-18 cs.SE
Program Skeletons for Automated Program Translation
National University of Singapore(新加坡国立大学)
本文提出了一种基于程序骨架(program skeletons)的自动化跨语言程序翻译方法,通过抽象高级结构并保留功能不变性,结合数据驱动代码合成器实现可靠分解,并在Python到JavaScript的原型系统Skel中验证了其可扩展性与高正确率。
2025-04-22 cs.AI cs.PL cs.SE
Combining Static Analysis Techniques for Program Comprehension Using Slicito
该研究推出新版SLICITO工具,支持开发者在Visual Studio中交互式缩小C#代码分析范围,结合过程间数据流分析与符号执行提升分析精度,还提供可构建专用程序理解工具的分析可视化模块。
2025-03-19 cs.SE
Enchanting Program Specification Synthesis by Large Language Models using Static Analysis and Program Verification
本文提出 AutoSpec 方法,结合静态分析、程序验证与大型语言模型,通过程序分解和逐轮验证迭代生成满足性且充分的程序规约,成功验证 79% 的程序,显著优于现有工作。
2024-04-02 cs.SE
ArkAnalyzer: The Static Analysis Framework for OpenHarmony
针对OpenHarmony社区缺乏ArkTS静态分析核心框架、现有方法处理ArkTS代码存在问题的现状,研究团队设计实现了开源框架ArkAnalyzer,集成多项基础静态分析功能,可供开发者复用。
2025-01-13 cs.SE
Static Entanglement Analysis of Quantum Programs
本文提出了针对 Q# 量子程序的首个静态纠缠分析方法,通过构建过程间控制流图计算模块内及模块间的纠缠信息,以提升量子程序的可靠性与安全性。
2023-04-11 cs.SE quant-ph
Constructing Multilingual Code Search Dataset Using Neural Machine Translation
The University of Tokyo(东京大学);Microsoft Research Asia(微软亚洲研究院)
本研究使用神经机器翻译模型构建了包含四种自然语言和四种编程语言的多语言代码搜索数据集,实验表明数据规模比翻译质量对模型性能的影响更大。
2023-06-27 cs.CL cs.SE
ENCORE: Ensemble Learning using Convolution Neural Machine Translation for Automatic Program Repair
University of Waterloo(滑铁卢大学);Purdue University(普渡大学)
针对传统生成-验证程序修复技术规则固化、适配语言有限的问题,提出基于卷积神经机器翻译集成学习的ENCORE方法,可跨多语言修复缺陷,在多个基准上修复效果优于现有技术。
2024-03-10 cs.LG cs.SE
QChecker: Detecting Bugs in Quantum Programs via Static Analysis
本文提出了一种名为QChecker的静态分析工具,通过基于AST提取程序信息和基于模式检测错误的两个模块,有效检测Qiskit量子程序中的错误。
2023-04-10 cs.PL 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
Neural Code Translation of Legacy Code: APL to C#
Technical University of Denmark(丹麦技术大学);SimCorp A/S(SimCorp公司)
本文研究了利用大语言模型将APL翻译为C#的挑战,通过三种引导策略提升翻译质量,构建了功能等价的代码对数据集,并开发了自动化评估流程验证语法和功能。
2026-05-12 cs.PL cs.SE
SACTOR: LLM-Driven Correct and Idiomatic C to Rust Translation with Static Analysis and FFI-Based Verification
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Google(谷歌)
SACTOR通过结合静态分析和FFI验证,利用大语言模型实现C到Rust的正确且习惯性翻译,提升了代码安全性和效率
2025-12-22 cs.AI cs.PL cs.SE
Closing the Gap -- Formally Verifying Dynamically Typed Programs like Statically Typed Ones Using Hoare Logic -- Extended Version --
动态类型的面向对象语言使程序员能够编写优雅的、可重用的和可扩展的程序。然而,在当前的程序验证方法中,静态类型信息的缺失造成了显著的开销。我们的建议有两个方面:首先,我们提出了一个抽象层隐藏的复杂性动态类型时,提供了足够的类型信息。由于这本质上造成了验证静态类型程序的错觉,因此所需的工作量与静态类型的情况相当。其次,我们展示了如何所需的类型信息可以有效地获得所有类型安全的程序集成到霍尔逻辑的类型推断算法,产生一个半自动的过程,让用户专注于那些真正需要他的注意力的打字问题。虽然应用类型推断的动态类型的程序是一个行之有效的方法,现在,我们的方法补充了传统的软类型系统,除了修改程序(静态类型)和接受存在的运行时类型错误(动态类型)提供正式的证明作为第三种选择。
2015-01-12 cs.LO cs.PL cs.SE
Mostly Automatic Translation of Language Interpreters from C to Safe Rust
National University of Singapore(新加坡国立大学);Amazon(亚马逊)
提出Reboot技术,通过特征约简和多智能体架构,将C语言解释器大部分自动翻译为安全Rust,消除内存漏洞,验证测试通过率62%-92%。
2026-06-26 cs.MA cs.PL cs.SE
Static analysis-guided agentic AI translation enables Rust as a full stack bioinformatics language
Umeå University(于默奥大学);Science for Life Laboratory (SciLifeLab)(生命科学实验室(SciLifeLab))
该研究结合智能体AI与静态分析,将生物信息学遗留代码翻译为Rust,在Bascet软件上实现规模、构建时间、性能的显著优化,且支持原生Windows运行,为生物信息学软件大规模重构提供了低成本方案。
2026-08-14 cs.AI cs.SE q-bio.GN
AlphaTrans: A Neuro-Symbolic Compositional Approach for Repository-Level Code Translation and Validation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Indian Institute of Science(印度科学研究所);Cornell University(康奈尔大学);IBM Research(IBM研究)
AlphaTrans是一种神经符号组合方法,通过程序分解和逆调用顺序翻译,结合多级验证,实现仓库级代码翻译,在真实项目中取得高语法正确率和功能验证率。
2025-06-19 cs.LG cs.SE
Jolie Static Type Checker: a prototype
程序源代码正确性的静态验证是软件可靠性的重要内容。软件程序的形式化验证涉及证明程序满足其行为的形式化规范。许多语言同时使用静态和动态类型检查。使用这种方法,静态类型检查器在编译时验证所有可能的内容,并动态检查其余内容。Jolie程序设计语言的当前状态包括动态类型系统。因此,它允许可避免的运行时错误。该语言的静态类型系统已经在纸上正式定义,但还缺乏实现。在本文中,我们描述了一个原型的Jolie静态类型并行计算器(JSTC),它采用了基于SMT求解器的技术。我们描述了背后的理论和实现,以及静态分析的过程。
2017-10-18 cs.PL cs.SE
Live, Rich, and Composable: Qualities for Programming Beyond Static Text
推动编程超越静态文本代码的努力已经寻求向编程注入多种不同的品质。一个长期公认的特性是活跃性:在程序编辑时为程序员提供关于程序动态行为的深入反馈。第二个品质,长期探索但缺乏共同的艺术术语,是丰富性:允许程序员通过特定领域的表示和交互来编辑程序,而不仅仅是通过文本。在本文中,我们映射这两个品质之间的关系,并调查过去的工作,证明他们。我们观察到,结合了活性和丰富性的系统往往是以牺牲传统编程的一个基本品质为代价的:可组合性。我们认为,通过结合活性,丰富性和可组合性,编程系统可以更好地捕捉交互式计算的全部潜力,而不会留下传统代码的表现力。
2023-03-12 cs.HC cs.PL cs.SE
Unveiling the Power of Intermediate Representations for Static Analysis: A Survey
该综述针对静态分析领域缺乏对中间表示(IR)价值系统性分析的问题,从IR视角梳理现代静态分析框架的核心目标与潜在方案,为从业者提供参考并指明研究方向。
2024-05-21 cs.PL cs.SE
Kaizen: Metamorphic Fuzzing and Differential Testing for LLM-Translated HPC Applications
Oregon State University(俄勒冈州立大学);Oak Ridge National Laboratory(橡树岭国家实验室)
研究大语言模型驱动的高性能计算应用代码翻译的正确性评估,提出用变质模糊测试和差分测试框架Kaizen,经源码变异、语法输入模糊等生成等价程序,暴露语义差异,评估揭示了编译成功与正确性的关系。
2026-07-07 cs.PL cs.SE
CURE: Code-Aware Neural Machine Translation for Automatic Program Repair
Purdue University(普渡大学);University of Waterloo(滑铁卢大学)
自动程序修复(APR)是提高软件可靠性的关键.最近,神经机器翻译(NMT)技术已被用于自动修复软件错误。虽然这些方法很有前途,但有两个主要的局限性。它们的搜索空间通常不包含正确的修复,并且它们的搜索策略忽略了软件知识,例如严格的代码语法。由于这些限制,现有的基于NMT的技术表现不如最好的基于模板的方法。我们提出了CURE,一种新的基于NMT的APR技术,具有三个主要的新颖性。首先,CURE在大型软件代码库上预训练程序设计语言(PL)模型,以便在APR任务之前学习类似于开发人员的源代码。其次,CURE设计了一个新的代码感知搜索策略,通过关注可编译的补丁和长度接近错误代码的补丁来找到更多正确的修复。最后,CURE使用子字标记化技术来生成包含更多正确修复的较小搜索空间。我们对两个广泛使用的基准测试的评估表明,CURE正确地修复了57个Defects4J错误和26个菜错误,在这两个基准测试上优于所有现有的APR技术。
2021-09-02 cs.AI cs.LG cs.SE
Does the way we write a theory change the program an LLM builds from it? A prospective randomized study of renderer format in LLM theory-to-program translation
American University of Beirut(贝鲁特美国大学)
该研究通过前瞻性随机实验发现,LLM理论转程序翻译中渲染器格式未产生预测的行为几何,为该领域规范格式效应设定了边界并提供了可审计研究工具。
2026-08-12 cs.SE physics.comp-ph
NESA: Relational Neuro-Symbolic Static Program Analysis
Purdue University(普渡大学)
NESA通过大规模语言模型实现无编译定制化静态程序分析,通过分解问题和增量提示减少幻觉,提升程序切片和漏洞检测性能。
2026-04-13 cs.PL cs.SE
TransAgent: Enhancing LLM-Based Code Translation via Fine-Grained Execution Alignment
Fudan University(复旦大学);Tsinghua University(清华大学)
TransAgent通过细粒度执行对齐本地化错误代码块,提升LLM代码翻译的准确性与修复性能,优于现有方法33.3%和56.7%。
2026-04-07 cs.AI cs.SE
InterTrans: Leveraging Transitive Intermediate Translations to Enhance LLM-based Code Translation
InterTrans提出利用跨语言中间翻译序列,通过ToCT算法规划并验证,增强LLM代码翻译,在三个基准上较直接翻译提升18.3%-43.3%的计算准确率。
2024-11-05 cs.AI cs.SE
Exploring and Unleashing the Power of Large Language Models in Automated Code Translation
Shandong University(山东大学);Beihang University(北京航空航天大学);City University of Hong Kong(香港城市大学);Peking University(北京大学)
本文评估 LLM 与学习型转译器的代码翻译能力,定位其理解与 I/O 指令等缺陷,并提出结合测试生成、执行验证和迭代修复的 UniTrans 框架,在六种跨语言设置上显著提升三类 LLM。
2024-05-11 cs.AI cs.SE
LLOV: A Fast Static Data-Race Checker for OpenMP Programs
在Exascale计算时代,编写高效的并行程序是必不可少的,同时,编写好的并行程序是非常困难的。与诸如OpenMP之类的框架的并行性是相对容易的,但是这些程序中的数据竞争是错误的重要来源。在本文中,我们提出了LLOV,一个快速,轻量级,语言无关,静态的数据竞争检查的基础上的LLVM编译器框架的OpenMP程序。我们比较LLOV与其他国家的最先进的数据竞赛检查各种完善的基准。我们表明,精度,准确性和F1得分的LLOV是可比的其他跳棋,而数量级更快。据我们所知,LLOV是最先进的数据竞争检查器中唯一可以验证C/C++或FORTRAN程序是否无数据竞争的工具。
2020-09-01 cs.LO cs.PL cs.SE
CodeRosetta: Pushing the Boundaries of Unsupervised Code Translation for Parallel Programming
Cisco Outshift(思科Outshift);Google DeepMind(谷歌DeepMind);Iowa State University(爱荷华州立大学)
本文提出 CodeRosetta 编码器-解码器模型,利用定制预训练与训练目标实现编程语言及其 HPC 扩展的双向无监督翻译,在 C++-CUDA 和 Fortran-并行 C++ 任务上显著优于现有 LLM。
2024-10-27 cs.AI cs.DC cs.LG
Assessing the Latent Automated Program Repair Capabilities of Large Language Models using Round-Trip Translation
Simula Research Laboratory(Simula研究实验室)
本研究探索利用往返翻译(RTT)通过大语言模型进行自动化程序修复,发现该方法能生成合理补丁,并可作为APR框架的补充组件。
2025-10-15 cs.CL cs.LG cs.SE
MockingBird: Context-aware Repository-level Code Translation with Isolated Validation
IBM
TRAM通过结合上下文感知的类型解析与基于模拟的独立验证,实现了高质量的编程语言间翻译,尤其在Java到Python的翻译中表现出色。
2026-10-22 cs.PL cs.SE
LLVM Static Analysis for Program Characterization and Memory Reuse Profile Estimation
本文提出一种基于LLVM的概率静态分析方法,通过分析LLVM IR常数时间内预测程序特征并估计重用距离剖面,实验证明其预测准确度可媲美动态分析工具Byfl。
2023-11-20 cs.PF cs.PL cs.SE
Static Analysis of Communicating Processes using Symbolic Transducers
我们提出了一个通用模型,允许静态分析的基础上抽象的解释系统的通信过程。我们的技术受到常规模型检验的启发,将程序状态集表示为格自动机,将程序语义表示为符号转换器。该模型可以表示进程和通信的动态创建/销毁。使用抽象的解释框架,我们能够提供一个健全的过度近似的系统的可达集,从而使我们能够证明安全属性。我们在一个原型中实现了这种方法,该原型针对C程序的MPI库。
2016-11-27 cs.FL cs.LO cs.SE
An approach to translating Haskell programs to Agda and reasoning about them
我们使用Agda程序设计语言和证明助手来正式验证基于HotStuff / LibraBFT的拜占庭容错共识实现的正确性。Agda实现是我们基于LibraBFT的Haskell实现的翻译。这篇简短的论文集中在这项工作的一个方面。我们开发了一个库,使翻译后的Agda实现能够紧密地反映它所基于的Haskell代码。这使得更容易和更有效地审查翻译的准确性,并在Haskell代码更改时维护翻译的Agda代码,从而降低翻译错误的风险。我们还解释了我们如何捕捉我们的库提供的语法功能的语义,从而使正式的推理程序使用它们,我们如何推理所产生的Agda实现的细节将在未来的论文。我们提供的库独立于我们的特定验证项目,并且是开源的,可供其他人使用和扩展。
2022-05-18 cs.LO cs.PL cs.SE