深度学习驱动的函数覆盖缺陷定位技术

"面向函数覆盖的缺陷定位通过深度神经网络实现，旨在提高软件工程中的缺陷定位精确性。" 在软件开发过程中，缺陷定位是一项至关重要的任务，它帮助开发者快速找到并修复代码中的错误。传统的缺陷定位方法多是基于程序频谱且面向语句，但这往往不足以应对复杂的程序结构。随着程序规模的增大和复杂性的提升，单行或几行代码往往难以成为判断缺陷的唯一依据。因此，郑涵铭和彭图的研究工作提出了一个创新的方法，将缺陷定位的粒度提升到函数级别，以提高定位精度。 他们通过分析函数的数据流和控制流对函数覆盖的影响，能够更准确地捕获错误用例的覆盖情况。在这一过程中，研究人员关注错误用例如何影响函数的执行路径，以及哪些正确用例的覆盖情况与之形成鲜明对比。这些信息被用来构建深度神经网络模型，模型训练的目标是学习和理解不同函数覆盖模式与缺陷之间的关联。 深度神经网络（DNN）是一种强大的机器学习工具，尤其擅长处理复杂的数据关系。在该研究中，DNN被用于学习和识别与错误相关的函数特征，从而实现更精准的故障定位。通过在Siemens测试套件上进行实验，研究结果显示，这种方法不仅有效，而且在处理高复杂度错误时表现出色。 关键词涉及的领域包括软件工程、缺陷定位、深度神经网络和函数覆盖。软件工程领域的研究不断追求提高软件质量，减少错误和提高开发效率，而此研究为这一目标提供了新的视角和技术手段。深度神经网络的应用为软件缺陷检测带来了自动化和智能化的可能，函数覆盖作为衡量测试覆盖率的重要指标，在这个框架下得到了新的利用，有助于在大规模代码库中更快地找出问题所在。 这篇研究论文展示了如何利用深度学习技术改进传统缺陷定位方法，提高软件开发过程中的问题定位效率，特别是在面对复杂程序结构时。通过将缺陷定位从语句级别提升到函数级别，结合DNN的强大学习能力，能够更有效地定位和修复代码中的错误，这对于软件可靠性分析和缺陷检测具有重大意义。