从语义代码搜索角度进行故障定位

《ACM Transactions on Software Engineering and Methodology》：Fault Localization from the Semantic Code Search Perspective

缺陷定位与代码搜索的融合方法研究。提出基于大语言模型（LLM）的CosFL方法，将缺陷定位分解为自然语言查询生成和多粒度代码搜索，有效提升定位准确率。在23个Java项目835个真实缺陷测试中，CosFL Top-1定位准确率达324/835，较现有方法提升26.6%-57.3%，验证了语义信息驱动和多粒度策略的有效性。

　　

摘要

软件开发过程的特点是一个迭代循环，包括持续的功能实现和调试，这对于提高软件质量和适应不断变化的需求至关重要。这一过程包含两个独立研究的任务：代码搜索（Code Search，简称CS），它从代码库中检索参考代码以辅助代码实现；以及故障定位（Fault Localization，简称FL），它识别软件项目中导致错误的代码实体，从而提高软件调试效率。本研究的基本观察结果是，这两个任务具有相似性，因为它们都涉及搜索问题。值得注意的是，CS技术的效果优于FL技术，这可能是因为自然语言查询提供了所需代码的精确语义细节，而这些细节对于FL方法来说并不容易获取。基于这一点，我们假设如果能够提供有关有缺陷方法的语义信息，故障定位器的效率将会更高。基于这一想法，我们提出了$\mathrm{CosFL}$，这是一种将FL任务分解为两个步骤的方法：查询生成，用自然语言描述问题代码的功能；故障检索，利用CS找到与查询在语义上相关的程序元素，从而从CS的角度完成FL任务。具体来说，为了描述有缺陷的功能并生成高质量的查询，$\mathrm{CosFL}$广泛利用了大型语言模型（LLM）的代码分析、语义理解、文本生成和决策能力。此外，为了提高CS的准确性，$\mathrm{CosFL}$捕获了不同层次的上下文信息，并采用多粒度代码搜索策略，从而能够从整体视角更精确地识别有缺陷的方法。在对23个Java项目中的835个真实错误进行的评估中，$\mathrm{CosFL}$成功定位了324个错误，其性能比现有最佳方法高出26.6%至57.3%。消融研究和敏感性分析进一步验证了不同组件的重要性以及$\mathrm{CosFL}$在不同后端模型中的鲁棒性。