کشف خودکار باگ های برنامه با استفاده از تبدیلات مدل و یادگیری عمیق

در سال های اخیر، تکنیک های شناسایی باگ نرم افزاری به طور گسترده ای توسط توسعه دهندگان برنامه ها مورد استفاده قرار گرفته اند تا کیفیت کد را بهبود بخشیده و از پایداری آن اطمینان حاصل کنند. یکی از محبوب ترین روش ها، تحلیل ایستا (Static Analysis) است که بر پایه ی الگو عمل می کند. در این تکنیک ها، الگوهای شناسایی باگ به صورت دستی توسط کارشناسان طراحی می شوند تا خطاهای شناخته شده را تشخیص دهند. با وجود تلاش های گسترده برای ایجاد مجموعه ای بزرگ از الگوها برای انواع مختلف باگ ها، هنوز هم باگ های زیادی وجود دارند که از تمام فیلترهای موجود عبور می کنند و شناسایی نمی شوند.در پاسخ به این محدودیت، این مقاله روشی جدید برای شناسایی خودکار باگ در کدهای جاوااسکریپت ارائه می دهد. رویکرد پیشنهادی شامل نگاشت کدهای دارای باگ و بدون باگ به ساختارهای گرافی است. سپس این گراف ها به یک مدل یادگیری عمیق داده می شوند که برای طبقه بندی کدها به دو دسته ی دارای باگ و بدون باگ آموزش دیده است. توانایی مدل در کار با داده های گرافی به آن امکان می دهد تا روابط پیچیده تری را در ساختار کد تشخیص دهد. علاوه بر این، این رویکرد قابلیت سازگاری با باگ های جدید و ناشناخته را نیز دارد که باعث افزایش پایداری و اثربخشی آن می شود. نتایج ارزیابی نشان می دهند که این روش می تواند دامنه ی وسیع تری از باگ ها را شناسایی کند و از نظر دقت و پوشش عملکرد بهتری نسبت به روش های پیشین دارد.

کلیدواژه ها:

کشف باگ ، یادگیری عمیق ، طبقه بندی گراف ها ، شبکه های کانولوشن ، درخت خلاصه نحوی (AST)