APR中的补丁生成：从利用大语言模型（LLMs）和使用APR特定信息的角度进行的综述

《ACM Transactions on Software Engineering and Methodology》：Patch Generation in APR: A Survey from the Perspectives of Utilizing LLMs and Using APR-Specific Information

自动程序修复（APR）作为LLMs下游任务，面临整合APR-specific信息的挑战。研究从LLMs应用和APR信息整合双视角展开：定义APR-specific信息概念，归纳四类LLMs在补丁生成中的应用技术，分析提示上下文和微调配置等关键影响因素，探讨基准测试和推理成本评估方法，系统提炼包含缺陷修复对的APR-specific知识库，并总结LLM时代APR的现存问题与未来方向。

　　

摘要

自动化程序修复（APR）是软件开发和维护中的关键任务，其目标是在无需人工干预的情况下自动修复软件漏洞。大型语言模型（LLMs）的出现显著推动了APR技术的发展。然而，随着研究人员深入探索将APR作为LLMs的下游任务，一个关键挑战仍然存在：如何有效地整合与APR相关的信息以补充LLMs的能力。本综述回顾了124项现有的APR研究，这些研究大多发表于2021年至2024年间，从两个角度进行了分析：一是利用LLMs，二是利用与APR相关的信息。首先，我们定义了与APR相关的信息的概念；接着，我们总结了在四个维度上利用LLMs生成补丁的技术；随后，我们探讨了影响LLMs生成补丁效果的关键因素，如提示上下文和微调配置；之后，我们重点评估了生成的补丁，包括基准测试、推理成本等方面的表现；此外，我们提炼了所有与APR相关的信息（例如漏洞修复对和错误信息），强调了它们的独特重要性和特征；最后，我们全面总结了在LLM时代APR领域面临的挑战、局限性以及潜在的未来研究方向。通过采用这两种视角，我们旨在为APR社区提供有关如何挖掘和利用与APR相关的信息以辅助LLMs工作的宝贵见解。