ByteCue：利用API信息优化字节码注释生成

《ACM Transactions on Software Engineering and Methodology》：ByteCue: enhancing bytecode comment generation with API information

字节码注释生成方法ByteCue通过构建控制流图解析API调用，并基于Transformer模型实现高效注释生成，在122k方法级数据集上显著优于基线，BLEU-4/METEOR/ROUGE-L分别提升17.5%/16.1%/8.6%，用户研究验证其信息量和自然度优势。

　　

摘要

字节码是一种专为程序解释器高效执行而设计的指令集。与人类可读的源代码不同，字节码对于程序员和研究人员来说更难以理解。字节码被广泛应用于各种软件任务中，包括恶意软件检测和代码克隆检测。为了快速准确地理解字节码的含义，并进一步协助程序员进行这些软件相关工作，我们提出了一种名为ByteCue的字节码注释生成方法，该方法使用了神经语言模型。具体来说，为了获取字节码的结构化信息，我们首先生成字节码的控制流图（CFG），同时解析字节码中调用的API并对其进行序列化。然后，我们提出了一个基于Transformer的模型来学习字节码特征以生成注释。通过从Maven仓库中知名的开源项目中收集JAR包，我们最终创建了一个包含122k个方法级别的数据集。实验表明，我们的方法在字节码注释生成方面超越了现有的最佳实践，平均在BLEU-4指标上提高了17.5%，在METEOR指标上提高了16.1%，在ROUGE-L指标上提高了8.6%，证明了其有效性和优越性。用户研究表明，ByteCue在信息丰富性和自然性方面也优于现有方法，进一步凸显了其实际价值。