神经程序建模：学习程序特定模型，从输入特征预测执行特征，反之亦然

《ACM Transactions on Software Engineering and Methodology》：Neural Program Modeling Learning Program-Specific Models that Predict Execution Features from Input Features and vice versa

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须具备高级访问权限。

了解更多登录

摘要

摘要

理解程序代码的语义是软件工程中的基本问题，它为测试和分析，以及 AI 智能体带来了持续的挑战。我们提出了一种神经网络程序建模方法：该方法从生成的系统输入和监测到的执行数据对中，学习输入特征与执行特征（如执行轨迹或覆盖率）之间的关系。由此得到的程序专用模型可以在数秒内预测触发期望程序行为的系统输入，而无需执行程序。它还可以在不运行程序的情况下，为给定输入预测程序轨迹和覆盖率。

训练完成后，这样的模型可作为被测程序的代理，支持一系列任务：(1) 预测特定执行特征的输入，为测试生成器和开发人员提供指导；(2) 在基于搜索的测试或模糊测试中替代原始程序，减少昂贵或有风险的操作；(3) 预测测试输入将执行程序的哪些部分，为测试选择提供指导；(4) 预测哪个输入将触发特定行为，作为输入过滤器以防止不期望的结果。据我们所知，这是首项训练可逆的程序专用神经网络机器翻译模型的工作，既能从输入预测执行行为，又能为现实程序合成输入以实现所需行为。

在我们对包括Bottle和 Google re2库在内的现实程序进行评估中，我们展示了神经网络程序建模能够为未见过的输入预测执行特征，相似度比值范围为 91.57% 到 98.59%。我们还能够以高达 100% 的准确率和召回率预测触发指定行为的程序输入（经过验证和精炼后）。所有预测都可以自动验证和精炼，方法是通过新的输入-轨迹对重新训练模型，或使用反向传播循环调整其参数。模型训练和推理资源效率较高，可在通用硬件上完成。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审核。它旨在支持文献发现、帮助读者评估相关性，并帮助来自相邻研究领域的读者理解该工作。它是作者提供的摘要的补充，后者仍是论文的主要摘要。完整文章仍是权威版本。 点击此处了解更多。

点击此处对本摘要的准确性、清晰度和有用性发表评论。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的简明摘要，您必须具备高级访问权限。