Oracle缺失的大规模软件缺陷定位技术的研究

Modern software has become more and more large-scaled and most of them have oracle problem. There is a lack of solution that can address these two challenges simultaneously. In this project, we are aiming to propose such a solution in order to meet the real demands in debugging these modern software systems. The research contents include: (1) Design a metamorphic-property-driven multi-level fault localization framework, in which we first build hierarchies in terms of both the spectrum and the localization procedure. Different levels will adopt different data types and analysis algorithms, in order to achieve the corresponding required precision and cost, such that the margin of error will not be amplified when going deeper into lower levels. Then, for each level, we introduce the metamorphic-property in an appropriate manner, in order the make the oracle no longer mandatory in debugging. (2) Design optimization strategies in the perspectives of metamorphic-property selection, metamorphic slice improvement and test suite optimization. (3) Propose a more practical measurement, and design an efficient and helpful report style. (4) Develop a tool-kit to support our framework and optimization strategies, which can be used in empirical analysis and real-life case studies. With the above proposals, the fault localization techniques will become suitable to large-scaled software systems, more importantly, no longer oracle-driven, such that their application domains can be significantly extended and hence can be effectively utilized in real-life development.

越来越多的现代软件存在测试oracle缺失、大规模的双重特点，同时解决这两个挑战是目前自动缺陷定位领域的空白。本研究旨在提出完整解决方案填补此空白，满足现代软件调试的真实迫切需求。研究内容包括 (1)设计蜕变属性驱动的多层定位框架。首先在数据和算法流程的双重维度进行层次划分，通过逐层选用不同定位算法和数据，满足大规模软件定位高精度低开销的要求，避免传统单一数据分层方法中可能的误差放大。其次将逐层配合定位算法引入蜕变属性概念，使定位技术完全摆脱对oracle的依赖(2)从蜕变属性优选、蜕变切片改进、测试用例集优化三方面研究定位精度优化策略(3)从实用性角度提出综合度量标准，设计高效定位报告提交方式(4)实现工具平台支持上述框架及优化策略，用以实验验证和真实案例分析推广。通过上述研究将极大拓宽自动缺陷定位技术的应用领域，使其不再因程序规模和oracle缺失而受限，从而有效服务于现代软件开发。

大量的现代软件存在测试oracle缺失、大规模的双重特点，同时解决这两个挑战是目前自动缺陷定位领域的空白。本研究旨在提出完整解决方案填补此空白，满足现代软件调试的真实迫切需求。本项目首先针对现有大规模软件进行了海量数据的实证研究：通过热点跟踪分析，发现了调试行为的两大模式；通过挖掘开源软件仓库，提出半监督结构化字典学习和迁移学习技术，获得真实缺陷模式并提升预测效果。第二，项目完成了蜕变属性驱动的多层定位框架的设计：提出基于上下文信息将已有的缺陷风险列表重新排序，提高了精度；提出了一种基于集合论的分析框架，判定任意公式间性能关系，使用空间维度简化与可视化分析给出了全局最优公式的充要条件；针对基于击中集的频谱缺陷定位技术Sendys进行了理论分析。第三，项目针对蜕变关系与测试用例的选取与优化进行了研究：针对蜕变关系的生成难题，提出了基于输入等价类划分的METRIC技术；开发了METWIKI蜕变关系仓库，支持MR的选择和复用；利用基于搜索的方法和基于自适应随机序列的优化排序算法，分别实现了蜕变关系与测试用例的双重优化。第四，项目完成了缺陷定位技术综合效果评估及实用性分析：先后提出了LRSRI方法和ICSD&MLBDO方法，从整体上对测试和调试效率进行优化；针对异构多样且实时动态更新的开源数据设计合理的开销度量指标，针对复杂深度学习软件定义多样性度量指标，并开发了相关支撑工具。第五，项目研发了开放性缺陷定位工具平台，完成实验分析验证：成功地将其应用于大规模分布式面向服务的动态系统，利用了端到端和频谱定位的思想，计算每个基本模块的风险值以及他们对最终失效贡献的延迟系数，确定失效模块。本项目研究可以极大拓宽自动缺陷定位技术的应用领域，使其不再因程序规模和oracle缺失而受限，从而有效服务于现代软件开发。项目在国际知名期刊、国内一级学报等发表论文11篇，在国际知名会议发表论文10篇。申请专利6项、软件著作权3项。于2017年获得ACM SigEvo颁发的HUMIES银奖。

内容获取失败，请点击重试