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
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
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
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
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
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
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
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
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
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
Prompt-tuned Code Language Model as a Neural Knowledge Base for Type Inference in Statically-Typed Partial Code
部分代码通常涉及非完全限定的类型名(non-Full-Qualified Type Name)和未声明的接收对象。解析这些非类型和未声明的接收对象的类型(称为类型推断)是有效搜索和重用部分代码的先决条件。现有的基于字典查找的方法构建API名称和代码上下文的符号知识库,这涉及显著的编译开销并且对看不见的API名称和代码上下文变化敏感。在本文中,我们将类型推断描述为一个完形填空式的语言任务。建立在源代码的自然性,我们的方法微调的代码掩码语言模型(MLM)作为一个神经知识库的代码元素与一个新的“预训练,提示和预测”的范式从原始源代码。我们的方法是轻量级的,对代码编译的要求最低。与现有的符号名称和上下文匹配的类型推断,我们的优化代码MLM包在其参数中的CCN语法和用法,并支持模糊神经类型推断。我们在GitHub和Stack Overflow的大量源代码上系统地评估了我们的方法。我们的结果证实了我们的方法设计的有效性和实用性的部分代码类型推断。作为同类中的第一个,我们的神经类型推断方法为使用部分代码的许多创新方法打开了大门。
2022-08-26 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
Bidirectional Code Reuse in Software Redesign: An Action Research Study of Static Analyzers
Concordia University(康科迪亚大学);The University of Hong Kong(香港大学)
本文通过案例研究探讨软件重设计中代码复用的挑战,提出语义对齐启发式方法和分层检测策略,提升克隆检测精度并减少冗余代码。
2026-09-21 cs.SE
Evaluating Static and Process Evidence for Code Authorship in Programming Education
Technical University of Košice(科希策工业大学)
研究编程教育中代码作者身份问题,通过任务感知评估对比不同环境,发现竞赛数据信号强,教育数据集弱,添加过程特征可提升其性能,表明过程模式能补充最终代码信号,模型适合作教师决策支持。
2026-07-09 cs.SE
SkipAnalyzer: A Tool for Static Code Analysis with Large Language Models
本研究提出由LLM驱动的静态代码分析工具SkipAnalyzer,包含缺陷检测、误报过滤、补丁生成三个模块,在空指针解引用和资源泄漏两类缺陷的相关任务中性能优于现有工具。
2023-12-18 cs.SE
Using Multiple Code Representations to Prioritize Static Analysis Warnings
为了保证软件的质量和防止黑客对关键系统的攻击,经常使用静态分析工具来检测早期开发阶段的漏洞。然而,这些工具通常会报告大量的警告,误报率很高,这给开发人员带来了许多困难。在本文中,我们介绍VulRG,一种新的方法来解决这个问题。具体来说,VulRG根据警告成为真正正面的可能性进行预测和排名。为了预测这种可能性,VulRG结合了两个深度学习模型CNN和BiGRU,以捕获每个警告的程序语法,控制流和程序依赖性的上下文。我们在6,620个警告的真实数据集上的实验结果显示,VulRG的前50%召回率为90.9%。这意味着使用VulRG,90%的漏洞可以通过检查50%的警告来发现。此外,在Top-5%,VulRG可以在精度和召回率方面将最先进的方法提高+30%。
2022-09-27 cs.SE
The Influence of Code Smells in Efferent Neighbors on Class Stability
University of Auckland(奥克兰大学)
本研究探讨了代码异味在传出邻居中的影响对类稳定性的作用,考虑了代码异味的互相关和相互作用因素。
2026-10-26 cs.SE
Interactive Static Software Performance Analysis in the IDE
在开发过程中检测由于次优代码导致的性能问题可能是一项艰巨的任务,特别是在部署后注意到性能下降后进行本地化时。静态分析有可能为开发人员提供有关性能问题的早期反馈,而不必运行具有昂贵(且通常不可用)性能测试的分析器。我们开发了一个VSCode工具,它通过代码注释和装饰(在上下文中显示复杂性分析结果)以及显示细节和概述的侧面板视图(使结果具有可解释性)集成了来自Infer的静态性能分析结果。此外,我们设计的系统具有交互性,以便在发生代码更改时能够更好地响应。我们通过测量静态性能分析集成在开发工作流中引入的开销来评估我们的工具的有效性。此外,我们报告了一个案例研究,说明了我们的系统如何在ElasticSearch开源项目中的一个真实性能错误的背景下用于推理软件性能。演示视频:https://www.youtube.com/watch? v=-GqPb_YZMOs存储库:https://github.com/ipa-lab/vscode-infer-performance
2021-05-04 cs.SE
SLICET5: Static Program Slicing using Language Models with Copy Mechanism and Constrained Decoding
University of Manitoba(曼尼托巴大学);Concordia University(康考迪亚大学)
本文提出SLICET5框架,将静态程序切片建模为序列到序列任务,通过复制机制和词法/语法受限解码解决依赖识别不准与生成不受约束问题,在CodeNet和LeetCode上ExactMatch最高提升27%。
2025-09-22 cs.SE
An Empirical Study on Bug Severity Estimation using Source Code Metrics and Static Analysis
本文基于Defects4J和Bugs.jar数据集,实证评估10种源代码度量与SpotBugs、Infer静态分析工具在缺陷及其严重程度预测上的能力,发现两者均难以估计严重程度,并分析了原因与未来方向。
2024-08-02 cs.SE
On the Benefit of Automated Static Analysis for Small and Medium-Sized Software Enterprises
当今软件行业的中小企业面临着重大挑战。在使用有限资源高效工作的同时,他们必须对代码进行质量保证,以避免进一步修复错误或补偿的风险。自动化的静态分析可以降低这种风险,因为它保证运行分析的工作量很小。我们报告我们的经验,分析五个项目,并与中小企业通过三种不同的静态分析技术:代码克隆检测,错误模式检测和架构一致性分析。我们发现,引入这些技术所需的工作量很小(大部分低于一个人小时),我们可以检测到生产代码中的各种缺陷,并且参与公司认为所提出的技术的有用性以及我们的分析结果足够高,可以将这些技术纳入其质量保证。
2016-11-22 cs.SE
Static Code Analysis in the AI Era: An In-depth Exploration of the Concept, Function, and Potential of Intelligent Code Analysis Agents
针对软件质量保证中传统方法处理复杂逻辑的不足,本文提出结合大语言模型的智能代码分析智能体(ICAA),显著降低误报率至66%并提升召回率,展现变革潜力。
2023-10-13 cs.SE
An Empirical Study of Static Analysis Tools for Secure Code Review
本研究通过真实漏洞数据集实证评估C/C++静态分析工具在安全代码审查中的有效性,发现其能提升审查精度与召回率,但存在大量无关警告和漏检问题。
2024-07-17 cs.SE
Static and Dynamic Verification of Relational Properties on Self-Composed C Code
函数契约是正式指定函数预期行为的一种行之有效的方法。然而,它们通常只描述在单个呼叫期间应该发生的事情。另一方面,关系属性链接多个函数调用。它们包括不干涉性、连续性和单调性等性质。例如,其他示例涉及函数调用的序列,以表明使用适当的密钥解密加密的消息会返回原始消息。这些性质不能直接在传统的模块化演绎验证中表达,但可以通过自组合进行验证。本文提出了一种基于自组合的C程序关系属性验证技术及其在FRAMA-C插件RPP中的实现。它支持具有副作用的函数和递归函数。所提出的方法可以证明一个关系属性,在运行时检查它,使用测试生成一个反例,并将其作为一个假设,在随后的验证。我们在现有基准上的初步实验证实,所提出的技术是有助于静态和动态分析的相关属性。
2018-05-08 cs.SE
An Empirical Study of False Negatives and Positives of Static Code Analyzers From the Perspective of Historical Issues
本文从历史问题视角系统研究了PMD、SpotBugs和SonarQube等静态代码分析器的假阴性与假阳性问题,揭示了其根本原因,并设计蜕变测试策略成功发现14个新问题。
2024-08-25 cs.SE
Fast Static Analyses of Software Product Lines -- An Example With More Than 42,000 Metrics
内容:软件度量作为静态分析的一种形式,是软件工程中常用的一种方法,用于了解软件系统的状态,特别是识别容易出现缺陷的潜在区域。基于族的技术从软件产品线(SPL)中的代码工件中提取可变性信息,以对所有可用的变体执行静态分析。在文献中已经定义了具有许多变体的许多不同类型的度量。当计算包括这些变体的所有度量时,可以轻松地定义数千个度量。在性能和资源消耗方面,为大型产品线计算所有这些数据可能是一个极其昂贵的过程。目的:我们解决了这些性能和资源挑战,同时支持可定制的度量套件,允许运行单一系统和可变性感知代码度量。方法:在本文中,我们介绍了一种部分解析方法,用于有效测量超过42,000个代码度量变化。该方法涵盖了可变性信息,并限制解析到抽象树(AST)的相关部分。结论:这种部分解析方法被设计为覆盖所有相关信息,以计算关于包含基于注释的可变性的代码工件的各种可变性感知代码度量,例如,用C预处理器语句实现。它允许单个系统和可变性感知指标的灵活组合,这是现有工具所不支持的。这是通过一种新的表示部分解析的产品线代码工件,这是定制的度量的计算。我们的方法消耗的资源少得多,特别是在并行计算许多度量变量时。
2021-10-12 cs.SE
Data Leakage in Notebooks: Static Detection and Better Processes
用机器学习来训练和评估模型的数据科学管道可能像任何其他代码一样包含错误。训练数据和测试数据之间的泄漏可能会导致在离线评估期间高估模型的准确性,从而可能导致在生产中部署低质量的模型。这种泄漏很容易因错误或遵循不良实践而发生,但手动检测可能是繁琐且具有挑战性的。我们开发了一种静态分析方法来检测数据科学代码中常见的数据泄漏形式。我们的评估表明,我们的分析可以准确地检测到数据泄漏,并且这种泄漏在超过100,000个分析的公共笔记本中普遍存在。我们讨论了我们的静态分析方法如何帮助从业者和教育工作者,以及如何将泄漏预防设计到开发过程中。
2022-09-07 cs.SE
Industrial Experience of Finding Cryptographic Vulnerabilities in Large-scale Codebases
企业环境经常使用静态分析工具筛选大规模(数百万行代码)代码库,以发现错误和漏洞。Parfait是Oracle中使用的静态代码分析工具,用于查找工业代码库中的安全漏洞。近年来,许多研究表明,Java中存在着由于误用密码API而导致的复杂密码漏洞。在本文中,我们描述了如何实现一个精确的和可扩展的检测这些复杂的密码漏洞的基础上Parfait框架。密码漏洞检测的关键挑战是伪影响引起的高误报率。如果在构造安全临界值时使用了与安全无关的常量,则会产生伪影响。静态分析通常无法将它们与暴露敏感信息的硬编码常量区分开来。我们通过专门化Parfait中使用的反向递归分析来解决这个问题,其中包含细化见解,这是CryptoGuard工具的一个想法。我们评估我们的分析全面的Java加密漏洞基准和11个大型现实世界的应用程序。实验结果表明,基于Parfait的密码漏洞检测器能够在大规模的代码库中发现真实世界的密码漏洞,具有较高的正确率和较低的运行时间开销。
2022-01-01 cs.SE