Post-Hoc Attention Steering of Large Language Models for Robust Code Understanding under Obfuscation
University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Central Florida(中佛罗里达大学)
针对LLM在混淆代码上性能下降的问题,提出CodeSteer注意力引导方法,通过重分配注意力至语义相关元素,显著提升混淆代码理解性能,并展示其在漏洞检测中的潜力。
2026-09-23 cs.SE
Hiding in the Particles: When Return-Oriented Programming Meets Program Obfuscation
众所周知的攻击场景,代码重用技术在仔细研究揭示的属性,也是吸引人的程序混淆。我们探讨流行的返回导向的编程范式下,这盏灯,转换成ROP链与周围的软件栈无缝共存的程序功能。我们将展示如何构建能够承受流行的静态和动态去混淆方法的链,评估常见程序设计的鲁棒性和开销。结果表明,为了秘密发现和代码覆盖目标,需要大量的计算资源来进行去混淆攻击。
2021-04-06 cs.CR cs.SE
Same Same But Different: Preventing Refactoring Attacks on Software Plagiarism Detection
KASTEL -- Institute of Information Security and Dependability, Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院 KASTEL 信息安全与可靠性研究所);KTH Royal Institute of Technology(瑞典皇家理工学院)
针对编程教育中基于重构的混淆攻击易绕过现有代码抄袭检测系统的问题,本文提出一种结合代码属性图与图变换的可扩展增强框架,经真实学生提交样本评估,显著提升了抄袭代码检测效果。
2025-10-29 cs.SE
COSPEX: A Program Comprehension Tool for Novice Programmers
开发人员在软件维护过程中经常会遇到不熟悉的代码,这会消耗大量的时间来理解,特别是对于新手程序员。分析源代码并向开发人员提供关键信息的自动化技术可以有效地理解代码。研究人员已经提出了自动代码摘要技术,该技术通过生成简要摘要而不是帮助理解代码摘要来关注代码摘要。现有的调试器表示程序的执行状态,但它们不显示单个点的完整执行。研究表明,如果为新手程序员提供工作示例,则可以减少程序理解所需的努力。因此,我们提出了CO(通过程序执行使用摘要的理解)--一个Atom插件,它动态提取每行执行代码的关键信息,并以交互式示例式动态信息实例的形式将其呈现给开发人员。作为初步评估,我们在用户调查中向14名具有1年以上Python编程经验的本科生介绍了代码理解任务。我们观察到COdac帮助新手程序员理解程序,并提高他们对代码执行的理解。源代码和工具可在https://bit.ly/3utHOBM上获得,Youtube上的演示可在https://bit.ly/2Sp08xQ上获得。
2021-07-06 cs.SE
Can LLMs Recover Program Semantics? A Systematic Evaluation with Symbolic Execution
The Pennsylvania State University(宾夕法尼亚州立大学)
本文研究LLMs通过符号执行制品微调能否有效去混淆程序,发现GPT-4.1-mini在去混淆效果上最佳,结合KLEE制品能提升语义保留和编译成功率。
2025-11-24 cs.SE
Trend Analysis on the Metadata of Program Comprehension Papers
由于程序理解是一个广阔的研究领域,有必要对其兴衰趋势进行概述。我们对2000-2014年1885篇关于程序理解的文章的标题,摘要和关键词进行了n-gram频率分析。根据这一分析,最上升的趋势是功能定位和开源系统,最下降的是程序切片和遗留系统。
2018-07-26 cs.SE
Empirical Research Plan: Effects of Sketching on Program Comprehension
草图是软件工程实践中交流的重要手段。然而,很少有研究调查草图的使用。我们希望有助于更好地理解草图,特别是它在程序理解过程中的使用。我们提出了一个控制实验,以调查的有效性和效率的程序理解的支持下,草图以及什么草图是以什么方式使用。
2016-12-05 cs.SE
Partial Evaluation for Program Comprehension
软件维护是软件生存周期的一个重要阶段,程序理解是软件维护中最繁琐、最耗时的工作。在维护已经用Fortran编写了几十年的科学应用程序时尤其如此,这些程序在各个领域中仍然至关重要,即使使用更现代的语言来实现其用户界面。通常,程序随着其应用领域的不断增加而发展,并且由于大量修改而变得非常复杂。程序中的这种通用性是由输入变量实现的,这些变量的值在给定应用程序的上下文中不会变化。因此,这是非常有趣的维护者传播这样的信息,即获得一个简化的程序,它的行为就像最初的一个根据限制使用。我们已经适应了程序理解的部分评估。我们的部分计算器主要执行两个任务:常量传播和语句简化。它包括一个过程间别名分析。由于我们的目标是程序理解而不是优化,因此与经典的部分求值有两个主要区别。我们不改变原来的
2006-10-16 cs.SE
The Code Barrier: What LLMs Actually Understand?
University of Luxembourg(卢森堡大学)
本研究以代码混淆为测试框架,评估13个前沿LLMs的代码语义理解能力,通过混淆代码描述和解混淆任务发现模型性能随混淆复杂度下降,通用模型具意外韧性,提出新评估方法并建立实证基准。
2025-04-14 cs.AI cs.SE
ASTANA: Practical String Deobfuscation for Android Applications Using Program Slicing
Android开发人员广泛使用软件混淆来保护其应用程序的源代码免受对抗性逆向工程的影响。一种特定类型的混淆,字符串混淆,将源代码中所有字符串文字的内容转换为不可解释的文本,并插入逻辑以在运行时对这些字符串文字进行去混淆。在这项工作中,我们证明了字符串混淆是很容易可逆的。我们提出ASTANA,Android应用程序的实用工具,以恢复人类可读的内容从混淆字符串字面量。ASTANA对混淆逻辑或应用程序结构做了最少的假设。关键思想是为特定(模糊)字符串字面量执行去模糊逻辑,这会产生原始字符串值。为了获得相关的去混淆逻辑,我们提出了一个轻量级的乐观算法,基于程序切片技术。通过对100个流行的真实金融应用的实验评估,我们证明了ASTANA的实用性。我们验证了我们的去混淆工具的正确性,并提供了由开发人员评估的Android应用程序的字符串混淆器的行为的见解。
2021-04-06 cs.CR cs.SE
Providing Information About Implemented Algorithms Improves Program Comprehension: A Controlled Experiment
该研究通过56人的对照实验发现,在源代码中标注算法标签能显著提升程序理解正确率约23%,且不影响完成时间,尤其对中等经验开发者帮助显著。
2025-04-27 cs.SE
Generating Adversarial Computer Programs using Optimized Obfuscations
CSAIL, MIT(麻省理工学院计算机科学与人工智能实验室);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Michigan State University(密歇根州立大学)
学习和预测计算机程序属性的机器学习(ML)模型正越来越多地被采用和部署。这些模型在自动完成代码、总结大型程序以及检测程序中的错误和恶意软件等应用中取得了成功。在这项工作中,我们研究了对抗干扰计算机程序以欺骗这种学习模型的原则性方法,从而确定其对抗鲁棒性。我们使用程序混淆,这通常被用来避免尝试在逆向工程程序,作为对抗性扰动。这些扰动以不改变程序功能的方式修改程序,但可以在做出决定时欺骗ML模型。我们为对抗程序提供了一个通用的公式,允许对任何语言的程序应用多个混淆转换。我们开发了一阶优化算法,以有效地确定两个关键方面-程序的哪些部分进行转换,以及使用什么转换。我们表明,重要的是要优化这两个方面,以产生最好的adversarially扰动程序。由于这个问题的离散性,我们还建议使用随机平滑来改善攻击损失情况,以简化优化。我们评估我们的工作在Python和Java程序的问题上的程序摘要。我们表明,我们最好的攻击建议实现了$52\%$的改进超过一个国家的最先进的攻击生成方法的程序上训练的seq 2seq模型。我们进一步表明,我们的配方是更好的训练模型,是强大的对抗攻击。
2021-03-18 cs.LG cs.PL cs.SE
Assessing Semantic Frames to Support Program Comprehension Activities
软件开发人员在构建和处理软件系统时,经常依赖于出现在软件工程工件中的自然语言文本来访问关键信息。例如,开发人员访问需求文档以了解要构建什么,访问源代码中的注释以了解设计决策,访问问答网站上的问题答案以了解API,等等。为了帮助软件开发人员访问和使用这些自然语言信息,软件工程研究人员经常使用自然语言处理中的技术。在本文中,我们探讨框架语义,一般的语言学方法,已被用于需求文本,也可以帮助解决问题时,应用基于词汇分析的技术与程序理解活动的文本。我们评估通用语义框架解析的适用性,并根据结果,我们提出SEFrame定制语义框架解析程序的理解使用。我们评估的正确性和鲁棒性的方法,发现SEFrame是正确的73%和74%的情况下,它可以解析文本从各种软件工件用于支持程序的理解。我们描述了如何使用这种方法来增强现有的方法来确定意图的含义从软件工程文本。
2021-05-12 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
Obfuscation Resilient Search through Executable Classification
Android应用程序通常在发布前进行模糊处理,因此很难分析它们是否存在恶意软件或侵犯知识产权。混淆器可以通过重命名变量和/或修改程序结构来隐藏代码的真实意图。搜索与混淆的应用程序相关的可执行文件以供开发人员高效分析是具有挑战性的。以前的模糊弹性搜索方法依赖于应用程序的某些结构部分作为地标,不受模糊影响。例如,一些先前的方法假设标识符之间的结构关系不会被混淆器破坏;其他方法假设控制流图保持其结构。这两种方法都很容易被动机模糊器击败。我们提出了一种新的方法,Macneto,利用深度学习和指令上的主要组件来搜索与混淆的可执行文件相关的程序。Macneto对模糊处理器可能执行的修改类型几乎没有做出任何假设。我们表明,它具有很高的搜索精度,由一个国家的最先进的混淆器,改变控制流混淆的可执行文件。此外,我们还展示了Macneto帮助开发人员理解可执行文件的潜力,其中Macneto为混淆的可执行文件推断关键字(来自相关的未混淆程序)。
2018-06-11 cs.CR cs.SE
A Survey of Reverse Engineering and Program Comprehension
逆向工程已经成为硬件社区的标准实践有一段时间了。仅仅在过去的十年里,逆向工程,或“程序理解”,已经成长为软件工程的当前子学科。传统的软件工程主要集中在新软件的开发和设计上。然而,大多数程序员都在其他人设计和开发的软件上工作。一个软件维护人员可能会花费50%的时间来确定源代码的意图。由于客户服务器和万维网技术的激增,对重新评估和重新实施遗留软件系统的需求日益增长,这突出了对逆向工程工具和技术的需要。本文介绍了逆向工程的相关术语,并给出了使逆向工程难以实施的一些障碍。虽然逆向工程仍然严重依赖于人类的组成部分,一些自动化的工具,提出了帮助逆向工程。
2005-03-24 cs.SE
Integrating Runtime Values with Source Code to Facilitate Program Comprehension
源代码固有的抽象性使得程序难以理解。在我们的研究中,我们设计了三种技术,在程序执行过程中利用变量和其他表达式的具体值。RuntimeSearch是一个调试器扩展,在运行时在所有表达式中搜索给定的字符串。DynamiDoc生成包含参数、返回值和状态更改示例的文档语句。RuntimeSamp使用示例变量值在IDE(集成开发环境)中扩充源代码行。在这篇博士后文章中,我们简要介绍了这三种方法和相关的动机研究,调查和评估。我们还反映了博士研究,为当前的学生提供建议。最后,对未来的短期和长期工作进行了描述。
2018-12-18 cs.SE
Faster but Not Wiser: GitHub Copilot Decouples Programming Performance from Code Comprehension in Brownfield Tasks
Oregon State University(俄勒冈州立大学)
研究探讨GitHub Copilot对代码理解的影响,发现性能提升与理解之间存在脱节,且主动验证行为能显著提升理解能力。
2026-09-27 cs.SE
Considerations and Pitfalls in Controlled Experiments on Code Comprehension
理解程序代码是一项复杂的工作。因此,无数不同的因素可以影响结果。程序理解的研究,特别是那些使用控制实验的研究,必须考虑到这些因素。为了促进健全的实验方法的开发和使用,我们讨论了潜在的问题,关于实验对象,他们工作的代码,他们被要求执行的任务,以及他们的性能指标。
2021-03-15 cs.SE
SpecEval: Evaluating Code Comprehension in Large Language Models via Program Specifications
针对现有代码理解评估框架覆盖执行轨迹有限、无法全面评估模型程序理解能力的问题,提出基于形式化程序规约的黑盒评估框架SpecEval,设计4项分层任务并开展反事实分析,实验发现6款先进大语言模型在规约相关任务上表现不佳且对语义保持扰动敏感。
2025-03-22 cs.SE
Improving Code Comprehension through Cognitive-Load Aware Automated Refactoring for Novice Programmers
Jahangirnagar University(贾汉吉尔纳加尔大学);Case Western Reserve University(凯斯西储大学);Missouri University of Science and Technology(密苏里科技大学)
本文提出基于认知驱动开发的自动化重构方法CDDRefactorER,通过减少控制流复杂度提升初学者代码理解,实验显示其在减少重构失败和降低复杂度方面效果显著。
2026-04-16 cs.SE
eye2vec: Learning Distributed Representations of Eye Movement for Program Comprehension Analysis
Nara Institute of Science and Technology(奈良先端科学技术大学院大学);National Institute of Technology, Nara College(国立奈良技术学院)
本文提出eye2vec,利用分布式表示将连续注视建模为语法元素间的转换,以简化程序理解中的眼动分析,并支持多样化的数据分析方法。
2025-10-15 cs.SE
Identifying Effective Program Comprehension Strategies through Gaze Transitions over Syntactic Elements
National Institute of Technology(KOSEN), Nara College(奈良工业高等专门学校);Nara Institute of Science and Technology(奈良先端科学技术大学院大学)
本研究通过将眼动数据转换为句法节点间的转换,分析注视比例和视线转换模式,发现成功参与者表现出更系统的句法元素间转换,表明使用了结构化阅读策略。
2026-07-02 cs.SE
Developers' Visuo-spatial Mental Model and Program Comprehension
本文通过20名开发者的被试间在线实验,比较传统标签页与 code canvas,并结合 Corsi Block 测试,考察空间代码表示和视觉空间工作记忆对程序理解的影响。
2023-04-18 cs.SE
Predicting Program Comprehension with Foundation Models of Human Cognition
Saarland University(萨尔兰州立大学)
研究探讨用人类认知基础模型预测程序理解能力,通过评估基于160个心理实验训练的Centaur在9个程序理解研究中的表现,发现其比基础模型更契合人类响应模式,为软件工程中开发者行为建模提供了新思路。
2026-07-15 cs.SE
Evidence Profiles for Validity Threats in Program Comprehension Experiments
通过系统文献检索与主题综合,构建程序理解实验中编程经验、程序长度和理解测量三类最常见有效性威胁的证据画像,揭示现有威胁讨论普遍缺乏证据支持,并倡导开展更多基于证据的元研究以改进实验设计。
2023-01-25 cs.SE
A Systematic Literature Review of the Use of GenAI Assistants for Code Comprehension: Implications for Computing Education Research and Practice
Oregon State University(俄勒冈州立大学)
本文通过系统文献综述探讨GenAI在代码理解中的应用,分析其在计算教育中的挑战与机遇,并提出未来研究方向。
2025-10-28 cs.SE
A Large Scale Empirical Study of the Impact of Spaghetti Code and Blob Anti-patterns on Program Comprehension
上下文:几项研究调查了反模式的影响(即,在维护活动期间,经常出现的设计问题的“糟糕”解决方案),并报告说反模式严重影响了开发人员编辑文件所需的工作。但是,在开发人员编辑文件之前,他们必须了解系统的源代码。这些源代码必须易于开发人员理解。目的:在这项工作中,我们提供了一个完整的评估两个实例的两个反模式,斑点或意大利面条代码,对程序的理解的影响。方法:我们通过在蒙特利尔理工学院(加拿大)进行的三项实证研究分析了这两种反模式的影响,有24名参与者;在卡尔顿大学(加拿大)有30名参与者;在巴西利卡塔大学(意大利)有79名参与者。结果:我们收集了来自三所大学的133名不同参与者的372项任务的数据。我们使用三个指标来评估开发人员对源代码的理解:(1)完成每个任务的持续时间;(2)正确答案的百分比;(3)NASA任务负荷指数。结论:我们报告说,虽然单次出现的Blob或Spaghetti代码反模式对代码理解的影响不大,两次出现的Blob或Spaghetti代码显着增加了开发人员的时间花在他们的任务,减少他们的正确答案的百分比,并增加他们的努力。因此,我们建议开发人员对这两种反模式都采取行动,只要有可能,就应该从源代码中重构出来。我们还建议进一步研究反模式的组合,而不是一次一个地研究单个反模式。
2020-09-05 cs.SE
Exploring the Impact of Source Code Linearity on the Programmers Comprehension of API Code Examples
本文通过61名Java开发者的受控实验,研究API代码示例的线性度和长度对理解与复用的影响,发现线性代码示例能加快反应时间,但在正确性和主观评分上无显著差异,为API开发者优化示例结构提供了启示。
2024-04-03 cs.SE
Analyzing Code Comments to Boost Program Comprehension
我们正在尝试寻找源代码注释,帮助程序员理解源代码的重要部分。这样的例子之一是解释分配零作为"清除"缓冲区的一种方式。这样的注释对程序员来说是无价的,正确地识别它们将有很大的帮助。为了实现这一目标,我们开发了一种方法来发现源代码中的解释性代码注释。我们首先提出了11种不同的代码注释类别。然后,我们开发了一个基于决策树的分类器,可以识别解释性评论,准确率为60%,召回率为80%。我们分析了2,000个GitHub项目,这些项目都是用两种语言编写的:Java和Python。这个任务是新颖的,因为它关注于方法或函数中的微观注释("本地注释"),而不是之前关注于API或方法级注释的工作。我们还研究了如何在不同的项目中使用不同类别的注释。我们的主要发现是,有两种主要类型的评论:前置条件和后置条件。我们的研究结果还表明,许多英语代码注释具有一定的语法结构,在不同的项目中是一致的。
2022-03-17 cs.SE
Overcoming Language Dichotomies: Toward Effective Program Comprehension for Mobile App Development
移动设备和平台已经成为现代软件开发人员的既定目标,这是由于高性能的硬件和数十亿的庞大且不断增长的用户群。尽管它们很受欢迎,但移动应用程序的软件开发过程伴随着一系列独特的、特定于领域的挑战,这些挑战植根于程序理解。这些挑战中的许多都源于开发人员在推理程序的不同表示时遇到的困难,我们将这种现象定义为“语言二分法”。在本文中,我们反映了各种语言二分法,有助于开放的问题,在程序的理解和开发的移动应用程序。此外,为了帮助指导研究界对这些问题的有效解决方案,我们提供了未来工作的方向路线图。
2018-07-18 cs.PL cs.SE
Exploring Code Comprehension in Scientific Programming: Preliminary Insights from Research Scientists
本研究通过调查57名不同学科的科研人员,探究科学编程中的代码理解现状,揭示了科研人员编程背景、代码可读性实践与挑战及工具使用趋势,为改进科学编程实践提供参考。
2025-01-17 cs.SE
Automatically Generating Questions About Scratch Programs
University of Passau(帕绍大学)
本文扩展 LitterBox 静态分析工具,为基于积木的编程语言 Scratch 自动生成涵盖程序理解模型的 30 类问题,在 600,913 个项目中生成超 5400 万问题,并经 34 名学生实验验证了其有效性与学生表现的相关性。
2025-10-13 cs.SE
IDE-Independent Program Comprehension Tools via Source File Overwriting
传统上,我们有两种可能性来设计用于程序理解和分析的工具。第一个选择是创建一个独立的程序,独立于任何源代码编辑器。这样,源代码编辑的行为就与查看代码分析结果的行为分离了。第二种选择是为特定的IDE(集成开发环境)创建插件-在这种情况下,必须为每个IDE创建单独的版本。我们提出了一种方法,其中有关源代码元素的信息直接写入源文件作为注释或特殊注释。在提交到版本控制系统之前,注释将从源代码中删除,以避免代码污染。我们简要评估的方法,并描绘其局限性。
2018-08-30 cs.PL cs.SE
Decoupling is a Necessity: Transformation-Agnostic Decompiled Code Recovery under Optimization and Obfuscation
Tianjin University(天津大学);Southern Cross University(南十字星大学);University of New South Wales(新南威尔士大学)
针对优化与混淆导致的反编译代码结构崩溃和语义幻觉问题,提出多阶段LLM框架ReSource,通过解耦词汇、句法、语义层级恢复,在大规模基准上实现83% Top-5准确率,为安全分析提供可靠基础。
2026-08-31 cs.SE
Investigating the Impact of Vocabulary Difficulty and Code Naturalness on Program Comprehension
本研究从语言习得视角出发,采用交叉熵与人工分级词汇表分别衡量代码自然度和词汇难度,通过统计分析探究二者与代码可读性、可理解性的关联及对预测性能的提升作用。
2023-08-25 cs.SE
Empirical Study of Phased Model of Software Change
软件变更是软件演化和维护的基本任务。PMSC(Phased Model for Software Change)是一个软件变更的过程模型,它是在代码中本地化的。它由几个阶段组成,涵盖了程序理解和代码修改。本文提出了一个实证研究的制定私营军事和安保服务公司,加强了使用工具JRipples。受试者是具有不同程度编程经验的研究生。实证研究结果表明,程序员与知识的PMSC和支持JRipples执行完善的软件变化,在不熟悉的软件在显着更少的时间(约一半的时间)比独立的程序员。在代码理解和实施工作方面都有了实质性的时间改进。
2019-04-11 cs.SE
Automatic Code Summarization: A Systematic Literature Review
背景:在软件维护和开发过程中,对程序代码的理解是成功的关键。高质量的注释可以帮助我们更好地理解程序,但在今天的程序中,它们经常被遗漏或过时。自动代码摘要就是为了解决这些问题而提出的。在过去十年中,这一领域取得了巨大进展,但缺乏最新的调查。目的:我们研究了出版物有关的代码摘要领域的程序理解,调查国家的最先进的方法。通过阅读和分析相关文献,全面了解自动代码摘要的研究现状。方法:在本文中,我们进行了系统的文献综述自动源代码摘要领域。此外,我们综合了所获得的数据,并研究了不同的方法。结果:我们成功地收集和分析了来自不同研究社区的41项研究。我们详尽地调查和描述了这些作品的数据提取技术,描述生成方法,评估方法和相关工件。结论:我们的系统综述概述了最新技术水平,并讨论了进一步的研究方向。通过充分阐述该领域目前的方法,我们的工作揭示了未来的研究方向的程序理解和评论生成。
2019-10-13 cs.SE
Behavior Specification-Guided Program Synthesis for Binary Deobfuscation
College of Computer Science and Technology, National University of Defense Technology(国防科技大学计算机学院)
针对二进制反混淆领域的局限,本文提出BinMirror方法,将二进制反混淆转化为行为规范引导的程序合成任务,在150万个合成混淆二进制文件上的评估显示其性能优于现有基线,单元测试Pass@1达74.5%。
2026-08-24 cs.SE
On the Reliability of Code Comprehension Proxies
New Jersey Institute of Technology(新泽理工学院);William & Mary(威廉与玛丽学院)
通过专家共识和学生实验,评估了现有文献中多种代码理解代理的相对可靠性,发现基于输入输出问题和响应时间的代理更可靠,而基于语法问题的代理不可靠。
2026-09-16 cs.SE
CADV: A software visualization approach for code annotations distribution
代码注释是Java系统中广泛使用的特性,用于在编程元素上配置自定义元数据。它们的日益增多,需要采取办法来评估和了解它们的使用和分布情况。在这种背景下,软件可视化已经被研究和研究,以提高程序的理解在不同的方面。本研究旨在设计一种软件可视化方法,以图形方式显示代码注释如何在软件系统中分布和组织,并开发一种工具,作为该方法的参考实现,以生成视图并与用户交互。我们进行了实证评估,通过问卷调查和访谈来评估我们的可视化方法考虑四个方面:有效性的程序理解,感知有用性,感知易用性,和适合的目标受众。所得数据用于进行定性和定量分析。该工具识别包责任,在不同级别提供有关其注释的可视信息。使用所开发的工具,参与者实现了很高的正确率,在程序理解任务,并表现得很好的问题,概述了分析中的系统。最后,与会者认为,该工具优于现有的方法进行代码检查时,搜索相关的代码注释的信息。结果表明,使用开发的工具的可视化方法是有效的程序理解任务相关的代码注释,这也可以用来确定应用程序包中的责任。此外,它被评估为适合新手概述系统中注释的使用情况,并适合架构师执行深入分析,可以潜在地检测错误的注释和异常增长。
2022-06-27 cs.SE
Applications of Multi-view Learning Approaches for Software Comprehension
程序理解是指个体对现有软件系统的理解能力,软件系统包含大量噪声和缺失的数据,这使得程序理解更加困难。软件系统由各种视图组成,包括模块依赖图、执行日志、演化信息和源代码中使用的词汇表,这些视图共同定义了软件系统。这些视图中的每一个都包含独特的和互补的信息;它们一起可以更准确地描述数据。在本文中,我们研究了结合不同信息源以提高程序理解任务性能的各种技术。我们采用最先进的技术,从学习1)找到一个合适的相似性函数为每个视图,2)比较不同的多视图学习技术,将软件系统分解成高层次的单元,并给出组件级的建议重构的系统,以及跨视图的源代码搜索。在10个比较大的Java软件系统上进行的实验表明,通过融合来自不同观点的知识,我们可以保证一个下限的质量模块化,甚至提高后it. We继续通过整合不同的信息源,给出一组高层次的建议,如何重构的软件系统。此外,我们演示了如何学习一个联合子空间允许跨视图执行跨模态检索,产生的结果是更符合用户的意图查询。本文中概述的多视图方法可以用于解决软件工程中的问题,这些问题可以根据学习问题进行编码,例如软件错误预测和特征定位。
2019-02-01 cs.SE
Following Breadcrumbs in Code: What Accidentally Committed Ad-Hoc Logs Reveal about Developer Comprehension
University of California, Irvine(加州大学尔湾分校);Amazon(亚马逊);ETH Zürich(苏黎世联邦理工学院)
本研究通过挖掘含临时日志的意外提交和分析实时编程会话,构建了多语言大型数据集,揭示了开发者使用临时日志的模式,为调试和日志工具开发提供了实证依据与数据集。
2026-10-09 cs.SE
OBsmith: LLM-Powered JavaScript Obfuscator Testing
University of Texas at Austin(德克萨斯大学奥斯汀分校)
OBsmith利用大语言模型系统测试JavaScript混淆器,发现11个正确性错误,凸显其在混淆诱导误操作方面的有效性。
2026-02-27 cs.AI cs.PL cs.SE
PALM: Path-aware LLM-based Test Generation with Comprehension
UCLA(加州大学洛杉矶分校);Virginia Tech(弗吉尼亚理工大学)
PALM结合符号路径枚举与LLM辅助测试生成,通过AST分析静态枚举路径并生成可执行变体,提升测试覆盖和路径识别能力。
2026-02-11 cs.SE
Evaluating Code Readability and Legibility: An Examination of Human-centric Studies
阅读代码是软件维护和演化中的一项基本活动。几项针对人类受试者的研究调查了不同的因素,如所采用的编程结构和命名约定,如何影响代码的可读性,即,什么使程序更容易或更难被开发者阅读和理解,以及代码易读性,即,是什么影响了识别程序元素的容易性。这些研究通过不同的理解任务和反应变量来评估可读性和易读性。在本文中,我们在比较编程结构、编码习惯、命名约定和格式指南的研究中检查了这些任务和变量,例如,递归代码与迭代代码。为此,我们进行了系统的文献综述,发现了54篇相关论文。这些研究大多通过测量受试者结果的正确性(83.3%)或简单地询问他们的意见(55.6%)来评估代码的可读性和易读性。一些研究(16.7%)完全依赖于后一个变量。仍然有少数研究监测受试者的身体体征,如大脑激活区域(5%)。此外,我们的研究表明,一些变量是多方面的。例如,正确性可以被衡量为预测程序输出的能力,回答有关其行为的问题,或回忆部分内容。这些结果清楚地表明,不同的评估方法需要不同的能力,例如,跟踪程序vs.总结其目标vs.记住其文本。为了帮助研究人员设计新的研究,并提高我们对现有研究的理解,我们通过调整预先存在的学习分类法,将程序理解建模为一种学习活动。这一调整表明,在这些评价中经常运用某些能力,而很少针对其他能力。
2021-10-02 cs.SE
Program Comprehension Does Not Primarily Rely On the Language Centers of the Human Brain
本文通过 Python 与 Scratch Jr. 的 fMRI 实验发现,程序理解主要激活多重需求系统而非语言系统,且变量名、控制流和操作类型不影响脑反应。
2023-04-11 cs.HC cs.PL cs.SE
Toward Neurosymbolic Program Comprehension
William & Mary(威廉玛丽学院)
本文质疑单纯增大模型参数的最优性,提出结合深度学习与符号方法的神经符号化程序理解框架 NsPC,用于识别有缺陷的代码组件。
2025-02-03 cs.AI 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
TARS: A Theory-of-Mind Agent for Personalized In-IDE Code Comprehension
University of Salerno(萨莱诺大学);Aalborg University(奥尔堡大学)
研究针对代码理解中LLM助手的不足,提出TARS智能体,基于心理理论范式,剖析开发者特点并调整解释,通过检索增强生成联系项目文档。实验表明它能提升效率、降低认知负荷,解释更适配开发者。
2026-07-20 cs.SE
Source Code Comprehension: A Contemporary Definition and Conceptual Model for Empirical Investigation
本文针对源代码理解缺乏统一定义的问题,提出了一个当代定义和概念模型,作为经验研究的参考框架,以支持次要研究并保障构念效度。
2023-10-17 cs.SE
Comprehension vs. Adoption: Evaluating a Language Workbench Through a Family of Experiments
CNR–ISTI(意大利国家研究委员会信息系统技术研究所);University of Milan(米兰大学);University College Dublin(都柏林大学学院)
本文通过实验评估Neverlang语言工作台的可理解性和用户接受度,发现其使用简便性仍存在问题,但高可理解性并不必然提升用户接受度。
2026-01-28 cs.SE
JSidentify-V2: Leveraging Dynamic Memory Fingerprinting for Mini-Game Plagiarism Detection
针对现有静态分析无法检测小游戏深度混淆代码抄袭的问题,提出基于运行时内存不变量的动态检测框架JSidentify-V2,通过四阶段流水线构建抗混淆内存指纹,在1200个小游戏、8种混淆场景下开展评估。
2025-08-03 cs.CR cs.SE
Leveraging Artificial Intelligence on Binary Code Comprehension
Vanderbilt University(范德堡大学)
对于逆向工程、恶意软件分析和编译器优化来说,理解二进制代码是一项必不可少但复杂的软件工程任务。与源代码不同,二进制代码具有有限的语义信息,这使得它对人类的理解具有挑战性。同时,将源代码编译为二进制代码,或者在不同的程序设计语言(PL)之间进行编译,可以提供一种将外部知识引入二进制理解的方法。我们建议开发人工智能(AI)模型,帮助人类理解二进制代码。具体来说,我们建议将来自大型源代码语料库的领域知识(例如,变量名,注释)来构建AI模型,以捕获二进制代码的可泛化表示。最后,我们将通过使用人类对理解的研究来研究评估适用于二进制代码的模型性能的指标。
2022-10-11 cs.AI cs.SE