关联分析与N-Gram错误参数检测法：提升软件缺陷识别效率

本文主要探讨了一种新颖的错误参数检测方法，名为ANiaD（基于关联分析与N-Gram的错误参数检测），它旨在提高软件系统中错误参数的检测效率。该方法由北京理工大学计算机学院的李超和刘辉提出，并发表在《软件学报》上，2018年第29卷第8期，DOI:10.13328/j.cnki.jos.005531。 ANiaD的核心思想是结合关联分析和N-Gram语言模型来识别潜在的错误参数。首先，通过大量的开源代码数据，构建了一个关联分析模型，用于发现函数调用中参数之间的强烈关联规则。这些规则揭示了参数之间的共现模式，有助于识别可能不合理的参数组合。 接下来，ANiaD针对具有强关联规则的函数调用构建N-Gram语言模型。N-Gram是一种统计语言模型，它根据连续的n个符号序列出现的概率来预测文本。在这个上下文中，它用来估计给定函数调用的正确概率。如果某个函数调用的概率低于预设阈值，那么它就被标记为异常函数调用，因为这可能是参数错误的迹象。 在实验验证阶段，研究者选择了10个开源Java项目作为测试平台。结果显示，ANiaD的查准率达到了约43.40%，相较于现有基于相似度的检测方法（查准率25%），表现出显著的优势。这意味着ANiaD在准确识别出含有错误参数的函数调用方面具有较高的性能。 ANiaD方法提供了一种有效且统计学驱动的错误参数检测策略，利用关联分析挖掘参数间的模式，并结合N-Gram模型评估函数调用的合理性。这对于软件质量保证和故障诊断具有重要的实际应用价值。对于软件开发人员来说，这种自动化的检测工具可以辅助他们更早地发现并修复潜在的错误，从而提高软件系统的稳定性和可靠性。