基于加權(quán)軟件行為圖挖掘的錯誤定位和錯誤理解方法研究.pdf

1、目前，計算機軟件已廣泛應(yīng)用于多個領(lǐng)域中，其規(guī)模也日趨龐大和復(fù)雜，人們投入大量精力來保證軟件的質(zhì)量，并提出了很多自動化軟件錯誤定位方法，用來幫助開發(fā)者快速定位到軟件中的錯誤。
　　但是，大部分錯誤定位方法的結(jié)果都是一個語句的可疑值序列，其中按照可疑值降序的順序列出了不同語句的可疑值。但是，僅僅單獨檢查給出的一條可疑語句，開發(fā)者很難理解錯誤是如何產(chǎn)生的，往往還需要更多與錯誤相關(guān)的上下文信息。
　　針對這一問題，本文完成了以下工作

2、：
　　首先，基于抽象語法樹對待測程序進行語句級別和邏輯表達式級別兩種不同粒度的插樁，并得到相應(yīng)的程序執(zhí)行路徑。由于目前缺乏簡單易用的C語言詞法語法分析工具，因此本文使用C＃語言實現(xiàn)了一個C語言詞法語法分析工具CParser。
　　其次，為提高錯誤定位精度，提出了加權(quán)軟件行為圖，將語句執(zhí)行頻率作為權(quán)重，可以更好的處理循環(huán)和遞歸等結(jié)構(gòu)。根據(jù)成功執(zhí)行和失敗執(zhí)行的程序執(zhí)行路徑，分別構(gòu)造出相應(yīng)的加權(quán)軟件行為圖。
　　然后，利用

3、基于分支限界搜索的加權(quán)軟件行為圖挖掘算法，識別成功和失敗的加權(quán)軟件行為圖之間最有差異的子圖作為錯誤簽名，最后得到的Top-K錯誤簽名作為錯誤定位和錯誤理解的依據(jù)，并給出錯誤簽名用于錯誤理解的實例。
　　最后，使用Siemens Suit對本文方法進行了測試，分別分析本文方法的錯誤定位精度，對不同類型的錯誤的定位精度，以及邏輯表達式級別插樁對錯誤定位精度的改進。結(jié)果表明，本文方法的錯誤定位精度較高，對冗余代碼、缺失代碼和變量替換錯誤