深度学习驱动的函数覆盖缺陷定位技术
需积分: 9 41 浏览量
更新于2024-09-07
收藏 596KB PDF 举报
"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。
2024-07-20 上传
2024-07-24 上传
2024-07-23 上传
2662 浏览量
908 浏览量
916 浏览量
1064 浏览量
1158 浏览量
749 浏览量
weixin_39840914
- 粉丝: 436
- 资源: 1万+
最新资源
- 掌握Jive for Android SDK:示例应用的使用指南
- Python中的贝叶斯建模与概率编程指南
- 自动化NBA球员统计分析与电子邮件报告工具
- 下载安卓购物经理带源代码完整项目
- 图片压缩包中的内容解密
- C++基础教程视频-数据类型与运算符详解
- 探索Java中的曼德布罗图形绘制
- VTK9.3.0 64位SDK包发布,图像处理开发利器
- 自导向运载平台的行业设计方案解读
- 自定义 Datadog 代理检查:Python 实现与应用
- 基于Python实现的商品推荐系统源码与项目说明
- PMing繁体版字体下载,设计师必备素材
- 软件工程餐厅项目存储库:Java语言实践
- 康佳LED55R6000U电视机固件升级指南
- Sublime Text状态栏插件:ShowOpenFiles功能详解
- 一站式部署thinksns社交系统,小白轻松上手