RustC4++：通过混合大语言模型（LLM）和静态分析技术提升Rust代码注释不一致性的检测能力

《ACM Transactions on Software Engineering and Methodology》：RustC4++: Improving Rust Code-Comment Inconsistency Detection via Hybrid LLM and Static Analysis

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

保持源代码及其相关注释之间的一致性对于软件的可靠性、可维护性和用户体验至关重要，尤其是在Rust编程生态系统中，注释既作为开发者的指导，也作为权威的API契约。然而，现有的自动化不一致性检测方法主要针对面向对象的语言设计，未能充分解决Rust的独特特性，如显式的panic语义、基于特性的抽象以及option和有限性约束的惯用用法。

在本文中，我们介绍了RustC⁴++，这是一个新颖的混合框架，它结合了大型语言模型（LLM）驱动的约束提取、静态程序分析和基于SMT的双向验证来检测和诊断Rust中的代码-注释不一致性。RustC⁴++通过支持更丰富的约束分类（包括区间、边界、存在性、option和有限性约束）扩展了之前的解决方案，并开创了一种系统的方法来在特性和实现边界之间传播注释约束。利用思维链提示工程，RustC⁴++能够稳健地解释自然语言注释，将其映射到形式化规范，并通过精确的静态分析和形式化推理检查它们与代码逻辑的一致性。我们在17个多样化的真实世界Rust项目上进行了广泛的实验，证明RustC⁴++在精确度和召回率方面都显著优于之前的工具，并且能够发现导致上游仓库中已确认修复的微妙且可操作的不一致性。通过将注释提升为可执行、可验证的契约，RustC⁴++不仅提高了Rust生态系统中的代码质量和注释可靠性，还为其他现代编程语言的自动化代码注释分析提供了通用技术和见解。

AI摘要

AI生成摘要（实验性）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的主要摘要。完整文章是权威版本。点击这里了解更多。

点击这里对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进和未来重新生成的版本。

要查看此由AI生成的简明语言摘要，您必须具有高级访问权限。