From Traces To Proofs: Proving Concurrent Program Safe
调度的不确定性是并发程序正确性证明困难的主要原因。最近提出了一个强大的证明策略[6]来证明这些程序的正确性。该方法捕获数据流之间的依赖关系的指令的交错和无错误的线程执行。这些数据流依赖由归纳数据流图(iDFG)表示,简而言之,它表示引起所发现的数据流依赖的并发程序的一组执行。iDFG被进一步转化为替代有限自动机(AFA),以利用有效的自动机理论工具来解决这个问题。在本文中,我们给出了一个新颖的和有效的算法来直接构建AFA捕获的数据流依赖在并发程序执行。我们在ProofTraPar工具中实现了该算法,证明了有限状态循环程序在顺序一致内存模型下的正确性。我们的结果是encouranging和比较有利的现有国家的最先进的工具。
2016-04-28 cs.PL cs.SE
A Soundness and Precision Benchmark for Java Debloating Tools
Paderborn University(帕德博恩大学);SAP Labs(SAP实验室);Fraunhofer IEM(弗劳恩霍夫工业工程研究所)
针对 Java 去臃肿工具,构建包含 59 个测试用例的 Deblometer 基准,评估 Deptrim、JShrink 和 ProGuard,发现所有工具均存在移除必要构造导致的不正确性问题,需改进以保障软件可靠性。
2025-10-23 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
AgentFlow: Building Agent Dependency Graphs for Static Analysis of Agent Programs
Huazhong University of Science and Technology(华中科技大学);Macquarie University(麦考瑞大学)
提出AgentFlow,首个从智能体程序中恢复和分析智能体依赖的静态分析框架,通过构建框架无关的智能体依赖图(ADG)支持智能体治理和安全分析,在5399个真实程序中验证了其有效性。
2026-07-03 cs.CR cs.SE
Program Dependence Net and On-demand Slicing for Property Verification of Concurrent System and Software
针对并发软件模型检查中的状态爆炸问题,提出基于Petri网的程序依赖网(PDNet)及其按需切片方法,统一模型避免转换,减少冗余计算,显著降低验证成本。
2023-11-15 cs.FL cs.SE
GraphSearchNet: Enhancing GNNs via Capturing Global Dependencies for Semantic Code Search
Nanyang Technological University(南洋理工大学);Singapore Management University(新加坡管理大学);University of Alberta(阿尔伯塔大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
代码搜索旨在基于自然语言查询检索准确的代码片段,以提高软件生产率和质量。由于有大量可用的程序,例如(在GitHub或Stack Overflow上),识别和本地化精确的代码对于软件开发人员来说至关重要。此外,深度学习最近已被广泛应用于不同的代码相关场景,例如,漏洞检测,源代码总结。然而,自动化深度代码搜索仍然具有挑战性,因为它需要代码和自然语言查询之间的高级语义映射。大多数现有的基于深度学习的代码搜索方法依赖于顺序文本,将程序和查询作为令牌的平坦序列来馈送,以在没有充分考虑结构信息的情况下学习程序语义。此外,广泛采用的图神经网络(GNNs)已经证明了它们在学习程序语义方面的有效性,然而,它们也遭受在构造的图中捕获全局依赖的问题,这限制了模型学习能力。为了解决这些挑战,在本文中,我们设计了一种新的神经网络框架,命名为GraphSearchNet,使一个有效的和准确的源代码搜索,通过共同学习源代码和自然语言查询丰富的语义。具体来说,我们建议用双向GGNN(BiGGNN)为源代码和查询构建图,以捕获源代码和查询的局部结构信息。此外,我们通过利用多头注意力模块来补充BiGGNN遗漏的全局依赖关系,以提高模型的学习能力,从而增强BiGGNN。在Java和Python程序设计语言上的广泛实验证实了GraphSearchNet优于当前最先进的作品。
2023-02-13 cs.AI 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
Dynamic Slicing by On-demand Re-execution
在本文中,我们提出了一种新的方法,旨在提供一种替代流行的范式动态切片建设。动态切片需要在执行中出现的动态数据和控制依赖性。在单次执行期间,存储器引用信息被记录,然后被遍历以提取依赖性。即使执行中等大小的简单和简短的程序,一次执行的方法和工具也会受到挑战。我们建议将实际的时间复杂度从执行大小转移到切片大小。特别是,我们的方法多次执行程序,同时在每次执行时跟踪目标信息。我们提出了一个具体的算法,按照按需重新执行的范例,使用一个新的概念,边境依赖增量建立一个动态切片。为了集中依赖跟踪,该算法依赖于静态分析。我们显示的SV-COMP基准和Antrl 4单元测试,提供证据,按需重新执行可以提供性能增益,特别是当切片大小是小的,执行大小是大的评估结果。
2022-11-09 cs.SE
Advancing Code Coverage: Incorporating Program Analysis with Large Language Models
针对自动测试生成难以覆盖复杂分支的问题,提出TELPA技术,通过提取真实使用场景和跨过程依赖方法,并结合反例与反馈机制优化LLM提示,显著提升了分支覆盖率。
2025-07-15 cs.SE
A Program Synthesis Approach for Adding Architectural Tactics to An Existing Code Base
根据给定的规范自动构造程序已经研究了几十年。尽管在程序合成领域取得了进步,但是当前的方法仍然合成代码片段块,并且将在现有代码库中重用它的任务留给程序开发者。由于其对整个程序的影响,综合一种架构策略并在程序中重用它更具挑战性。架构策略需要根据程序不同位置的上下文进行综合,分解为更小的部分,并添加到代码中的相应位置。此外,每个片段都需要建立与周围环境以及其他合成片段的正确数据和控制依赖关系。这是一项容易出错且具有挑战性的任务,尤其是对于新手程序开发人员。在本文中,我们介绍了一种新的程序合成的方法,综合架构策略,并将它们添加到现有的代码库。
2021-08-16 cs.SE
TreeCaps: Tree-Structured Capsule Networks for Program Source Code Processing
A*STAR(新加坡科技研究局);Singapore Management University(新加坡管理大学)
程序理解是软件开发和维护过程中的一项基本任务。软件开发人员通常需要了解大量现有代码,然后才能开发新功能或修复现有程序中的错误。能够自动处理程序设计语言代码并准确地提供代码功能的摘要可以显著帮助开发人员减少在代码导航和理解上花费的时间,从而提高生产力。与自然语言文章不同,程序设计语言中的源代码通常遵循严格的语法结构,并且在通过复杂的控制流和数据流彼此远离的代码元素之间可能存在依赖关系。现有的基于树的卷积神经网络(TBCNN)和门控图神经网络(GGNN)的研究不能准确地捕捉代码元素之间的基本语义依赖。在本文中,我们提出了新的基于树的胶囊网络(TreeCaps)和相关技术,用于以自动化的方式处理程序代码,编码代码语法结构,并更准确地捕获代码依赖关系。基于不同的程序设计语言编写的程序的评价,我们表明,我们的TreeCaps为基础的方法可以优于其他方法在许多程序的功能分类。
2019-10-27 cs.LG cs.SE stat.ML
Locating Faults with Program Slicing: An Empirical Analysis
统计故障定位是一种易于部署的技术,用于快速确定故障代码位置的候选者。但是,如果人类程序员必须在顶部候选位置之外搜索故障,那么沿着动态切片跟踪依赖关系的更传统的技术可能更适合。在一个大型的研究457错误(369单故障和88多故障)在46个开源C程序,我们比较了统计故障定位的有效性,对动态切片。对于单个故障,我们发现,动态切片比最佳性能的统计调试公式更有效8个百分点;对于66%的错误,动态切片比最佳性能的统计调试公式更早发现故障。在我们的评估中,动态切片是更有效的程序与单故障,但统计调试执行更好的多故障。然而,最好的结果是通过混合方法获得的:如果程序员首先从统计调试中检查最多前五个最可疑的位置,然后切换到动态切片,平均而言,他们将需要检查15%(30行)的代码。这些发现适用于18个最有效的统计调试公式,我们的结果与故障数量(即单个或多个故障)和错误类型(即人为或真实错误)无关。
2021-01-08 cs.SE
Focused Dynamic Slicing for Large Applications using an Abstract Memory-Model
动态切片技术计算程序依赖性,以找到在特定执行的程序点上影响变量值的所有语句。尽管它们有许多潜在的用途,但它们的适用性受到限制,因为它们通常不能扩展到小型应用程序之外。我们认为,这种限制的核心是使用内存引用来识别数据依赖关系。特别地,与存储器引用一起工作阻碍了对待切片的代码的不同处理(例如,用户感兴趣的类)与代码的其余部分(包括库和框架)分离。对未关注的代码执行粗粒度分析的能力可以提供性能增益,并可能成为实现可伸缩性的一条途径。在本文中,我们提出了一种新的方法,完全取代内存引用注册和处理与内存分析模型,与程序符号(即,条款)。事实上,这种方法支持不对不属于要切片的代码的代码进行插装(因此不生成任何跟踪)的替代方案。我们报告了一个用于C\#的抽象动态切片器\textit{DynAbs}的实现,以及一个评估,该评估显示了Roslyn和Powershell(可以在GitHub中找到的两个最大和最现代的C\#应用程序)的大小和相关部分可以在最多几分钟内对其测试用例断言进行切片。我们还展示了如何减少代码切片的重点可以带来重要的加速与边际相对精度损失。
2022-11-08 cs.SE
Fault Localization with Code Coverage Representation Learning
在本文中,我们提出了DeepRL 4FL,这是一种深度学习故障定位(FL)方法,通过将FL视为图像模式识别问题,在语句和方法级别定位错误代码。DeepRL 4FL通过新的代码覆盖表示学习(RL)和程序语句的数据依赖RL来实现这一点。这两种基于代码覆盖矩阵中的动态信息的强化学习也与基于通常可疑源代码的静态信息的代码表示学习相结合。这种组合受到犯罪现场调查的启发,在犯罪现场调查中,调查人员分析犯罪现场(失败的测试案例和语句)和相关人员(具有依赖关系的语句),同时检查过去犯下类似罪行的常见嫌疑人(训练数据中类似的错误代码)。对于代码覆盖率信息,DeepRL 4FL首先对测试用例进行排序,并标记错误代码语句,期望模型能够识别出区分错误和非错误语句/方法的模式。对于语句之间的依赖关系,除了语句本身之外,还考虑到对执行中的其他语句和数据流的数据依赖关系,可以看出语句的可疑性。最后,代码覆盖矩阵,语句之间的数据依赖关系,和源代码的矢量表示相结合,并作为一个分类器的输入,从卷积神经网络检测错误的语句/方法。我们的实证评估表明,DeepRL 4FL将最先进的语句级FL基线的前1结果从173.1%提高到491.7%。它还将现有方法级FL基线的前1结果从15.0%提高到206.3%。
2021-02-27 cs.SE
D$^2$ABS: A Framework for Dynamic Dependence Abstraction of Distributed Programs
随着现代软件系统越来越多地在分布式环境中运行,提供诸如依赖分析之类的基本技术来检查、诊断和演化这些系统是至关重要的。然而,传统的依赖分析是不适用的或非常有限的效用,由于这些程序的解耦组件,运行在并发进程在物理上分离的机器上的分布式程序。基于分布式软件依赖分析的需要和基于依赖的应用程序的不同成本效益的需求,本文提出了D $^2$ ABS,一个分布式程序的动态依赖抽象框架。通过对分布式方法执行事件进行部分排序并从排序的事件中推断因果关系,D $^2$ ABS抽象了过程边界内和过程边界之间的方法级依赖关系。此外,通过利用跨进程的消息传递语义,并将静态依赖关系和语句覆盖范围内的各个组件,我们提出了三个额外的实例D $^2$ ABS的贸易效率更好的精度。我们提出了设计的D $^2$ ABS框架和评估的四个实例的D $^2$ ABS分布式系统的各种架构和规模使用我们的Java实现。我们的实证结果表明,D $^2$ ABS是显着更有效的比现有的选项,同时提供不同程度的成本效益权衡。由于我们的框架本质上是计算整个系统的运行时依赖关系,因此它自然会支持一系列其他基于依赖关系的应用程序。
2021-11-08 cs.DC cs.PL cs.SE
Classport: Designing Runtime Dependency Introspection for Java
IMT School for Advanced Studies(IMT高等研究院);University of Genoa(热那亚大学);KTH Royal Institute of Technology(皇家理工学院)
针对Java缺乏运行时依赖自省的问题,提出Classport蓝图与系统,将依赖信息嵌入类文件以支持运行时检索,并在六个实际项目中验证可行性。
2026-10-06 cs.CR cs.SE
PRAXIS: Integrating Program Analysis with Observability for Root-Cause Analysis
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院)
PRAXIS通过整合程序分析与可观测性,提升云故障根本原因分析的准确性,减少token消耗,适用于真实世界故障场景。
2026-04-29 cs.AI cs.DC cs.SE
Embedding API Dependency Graph for Neural Code Generation
Shandong Normal University(山东师范大学);The University of Newcastle(纽卡斯尔大学);Big Data Center of Shandong Province(山东省大数据中心);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学)
从文本程序描述生成代码生成的问题一直被视为软件工程中的一个重大挑战。近年来,已经提出了许多基于深度学习的方法,其可以从文本程序描述的序列生成代码序列。然而,现有的方法忽略了API方法之间的全局关系,这对于理解API的使用是很重要的。在本文中,我们建议将API方法之间的依赖关系建模为API依赖图(ADG),并将图形嵌入到序列到序列(Seq 2Seq)模型中。除了现有的编码器-解码器结构,一个新的模块命名为“嵌入器”。通过这种方式,解码器可以利用全局结构依赖性和文本程序描述来预测目标代码。我们进行了广泛的代码生成实验上的三个公共数据集和两个程序设计语言(Python和Java)。我们提出的方法称为ADG-Seq 2Seq,与现有的最先进的方法相比有了显着的改进,并且随着目标代码长度的增加而保持其性能。广泛的消融测试表明,建议的ADG嵌入是有效的,优于基线。
2021-03-29 cs.AI cs.SE
Better Context Makes Better Code Language Models: A Case Study on Function Call Argument Completion
Amazon Web Services(亚马逊云科技)
本文构建含完整项目与依赖的 Python 数据集,研究函数调用参数补全,并利用程序分析器提供函数实现和用法等非局部上下文,显著提升代码模型性能。
2023-06-01 cs.LG cs.SE
Precise Learning of Source Code Contextual Semantics via Hierarchical Dependence Structure and Graph Attention Networks
Peking University(北京大学);Beijing Forestry University(北京林业大学);Swinburne University of Technology(斯威本科技大学)
深度学习被广泛用于各种软件工程任务,例如,程序分类和缺陷预测。虽然该技术消除了所需的过程中的功能工程,源代码模型的建设显着影响这些任务的性能。最近的工作主要集中在补充AST为基础的源代码模型,通过引入上下文依赖从CFG提取。然而,它们都没有注意到基本块的表示,这是上下文依赖的基础。在本文中,我们集成AST和CFG,提出了一种新的源代码模型嵌入层次依赖。在此基础上,我们还设计了一个基于图注意力机制的神经网络,具体介绍了基本块的语法结构,即:其对应的AST,在源代码模型中提供了足够的信息,填补了空白。我们已经评估了这个模型上的三个实际的软件工程任务,并与其他国家的最先进的方法进行比较。实验结果表明,该模型可以显著提高性能。例如,与性能最好的基线相比,我们的模型将参数的规模减少了50%,在程序分类任务上的准确率提高了4%。
2021-11-20 cs.LG cs.SE
Designing and developing tools to automatically identify parallelism
在这项工作中,我们提出了一个动态分析工具,用于分析代码区域,以及这些区域如何通过程序执行过程中遇到的数据依赖关系相互依赖。通过对程序执行图的商图的研究,提出了一种分析和研究有向图中并行性的抽象方法,并给出了一种在具有高度对称性的执行图中寻找并行性的简单算法。最后,我们评估我们的方法选择四个矮星的13 Berkeleys计算的矮星或以其他方式被称为平行模式。
2022-08-04 cs.PL cs.SE
BRF: eBPF Runtime Fuzzer
针对内核模糊测试器难以有效测试 eBPF 运行时的问题,本文提出 BRF 模糊测试器,通过满足验证器语义和依赖关系,实现更高程序执行率、表达力和代码覆盖率,并发现多个漏洞。
2023-05-15 cs.CR cs.SE
Rover: Context-aware Conflict Resolution with LLM
The University of Hong Kong(香港大学);Wuhan University(武汉大学)
本文提出Rover,一种结合程序分析和大语言模型的冲突解决系统,通过多层代码属性图获取上下文感知提示,提升代码合并的准确性与效率。
2026-05-17 cs.AI cs.SE
Towards Symbolic Pointers Reasoning in Dynamic Symbolic Execution
动态符号执行是一种广泛用于自动化软件测试的技术,旨在探索执行路径和检测程序错误。一个混合的方法最近变得普遍,当符号执行的主要目标是帮助模糊增加程序的覆盖率。符号执行器可以反转的分支越多,它对模糊器就越有用。程序控制流通常依赖于内存值,这些内存值是通过从用户输入计算地址索引而获得的。然而,大多数DSE工具不支持这种依赖关系,因此它们会错过一些所需的程序分支。我们实现了符号地址推理的内存读取在我们的动态符号执行工具Sydr。可能的存储器访问区域是通过分析存储器地址符号表达式,或二进制搜索与SMT求解器确定。我们提出了一种增强的线性化技术来模拟内存访问。在程序集上比较了不同的内存建模方法。我们的评估表明,符号地址处理允许发现新的符号分支,并增加程序覆盖率。
2022-03-22 cs.CR cs.SE
Reliable LLM-Generated Programs for High-Energy Physics Experiments through Graph-Grounded Software Knowledge
Institute of High Energy Physics, Chinese Academy of Sciences(中国科学院高能物理研究所);University of Chinese Academy of Sciences(中国科学院大学)
该研究针对LLM生成高能物理实验程序不可靠问题,提出结合软件知识图检索等的基础系统,在ROOT基准测试中显著提升程序执行成功率,成本增幅小且可迁移至其他框架。
2026-09-02 cs.SE hep-ex
Code Arcades: 3d Visualization of Classes, Dependencies and Software Metrics
University of Crete(克里特大学);Alpha Omega Zed SA(Alpha Omega Zed 公司)
本文提出 Code Arcades 三维代码可视化方法,通过可配置分组、多粒度软件度量和交互式渲染引擎,提升开发者对大规模源代码结构与复杂性的理解。
2025-09-27 cs.GR cs.HC cs.SE