Улучшение оптимизации патча для многосекционных ошибок при автоматизированном восстановлении программ

Аннотация

Методы автоматизированного исправления программ, основанные на глубоком обучении, продемонстрировали значительные улучшения в устранении ошибок. В этих методах часто используются предварительно обученные модели нейро-машинного перевода для создания исправлений для ошибочного исходного кода. Для исходного кода с множеством ошибок в разных местах были предложены различные подходы, в том числе генерация множества патчей-кандидатов для каждого дефектного участка и их 51 объединение для формирования окончательных патчей. Однако задача состоит в том, чтобы ранжировать эти сгенерированные патчи по вероятности их правильности и выбрать конкретное число из верхней части, так как объединять их все нецелесообразно. В данной работе мы представляем усовершенствованную методику оптимизации патчей, которая решает эту задачу в три этапа: отсеивание ненужных патчей, ранжирование и отбор наиболее ранжированных патчей, а также их объединение. В экспериментах с использованием набора данных данный метод показал лучшую производительность по сравнению с другими исследованиями. Введение: Автоматизированный исправления программ (APR) предназначен для автоматического исправления программных ошибок без вмешательства человека. Автоматизированный восстановительный программный процесс (APR) предназначен для автоматического исправления ошибок в программном обеспечении без вмешательства человека. Распространенной проблемой в APR является устранение многосекционных ошибок, которые включают в себя несколько наборов непрерывных строк исходного кода, связанных с одной ошибкой. Одним из способов исправления многосекционных ошибок является генерация множества патчей-кандидатов с помощью модели нейро-машинной трансляции (NMT) и их комбинирование. Однако такой подход приводит к экспоненциальному увеличению пространства патчей в зависимости от количества комбинаций. Поэтому Дж. Ким и др. [1] предложили стратегию оптимизации патчей для эффективного отсеивания (фильтрация патчей), ранжирования (ранжирование патчей) и комбинирования (комбинирование патчей) патчей-кандидатов, сгенерированных его методом багги-блоков и тонкой настройкой CodeBERT. Однако, по нашим наблюдениям, этот оптимизационный подход имеет ряд ограничений, особенно на этапе ранжирования и комбинирования патчей. Поэтому в данной работе предлагается усовершенствованная методика оптимизации патчей для многозвенных ошибок. Кроме того, мы уделяем особое внимание шагу исправления программы для устранения выявленных ошибок и стилю generate and validate (G&V) для применения сгенерированного патча и его оценки на тестовых примерах. Обобщая вышесказанное, можно сказать, что мы вносим следующий вклад: • Предлагаем усовершенствованную оптимизацию патчей для более эффективного исправления многосекционных ошибок. • Анализируем проблемы предыдущей оптимизации патчей и предлагаем их решения. Проводим эксперименты с нашими решениями и представляем