論文の概要: Large-scale Crash Localization using Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2109.14326v1
• Date: Wed, 29 Sep 2021 10:26:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 14:57:27.989133
• Title: Large-scale Crash Localization using Multi-Task Learning
• Title（参考訳）: マルチタスク学習による大規模クラッシュローカライズ
• Authors: Manish Shetty, Chetan Bansal, Suman Nath, Sean Bowles, Henry Wang, Ozgur Arman, Siamak Ahari
• Abstract要約: 我々は,スタックトレースにおける非難フレームを識別するための,新しいマルチタスクシーケンスラベリング手法を開発した。 当社のモデルは、4つの人気のあるMicrosoftアプリケーションから100万以上の現実世界のクラッシュで評価しています。
• 参考スコア（独自算出の注目度）: 3.4383679424643456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crash localization, an important step in debugging crashes, is challenging when dealing with an extremely large number of diverse applications and platforms and underlying root causes. Large-scale error reporting systems, e.g., Windows Error Reporting (WER), commonly rely on manually developed rules and heuristics to localize blamed frames causing the crashes. As new applications and features are routinely introduced and existing applications are run under new environments, developing new rules and maintaining existing ones become extremely challenging. We propose a data-driven solution to address the problem. We start with the first large-scale empirical study of 362K crashes and their blamed methods reported to WER by tens of thousands of applications running in the field. The analysis provides valuable insights on where and how the crashes happen and what methods to blame for the crashes. These insights enable us to develop DeepAnalyze, a novel multi-task sequence labeling approach for identifying blamed frames in stack traces. We evaluate our model with over a million real-world crashes from four popular Microsoft applications and show that DeepAnalyze, trained with crashes from one set of applications, not only accurately localizes crashes of the same applications, but also bootstraps crash localization for other applications with zero to very little additional training data.
• Abstract（参考訳）: クラッシュのデバッギングにおける重要なステップであるクラッシュローカライゼーションは、非常に多くの多様なアプリケーションやプラットフォーム、根本原因を扱う場合、難しい。 大規模なエラー報告システム、例えばwindows error reporting (wer)は、一般的に手動で開発されたルールとヒューリスティックを使用して、クラッシュの原因となったフレームをローカライズする。 新しいアプリケーションや機能は日常的に導入され、既存のアプリケーションは新しい環境の下で実行されるため、新しいルールを開発し、既存のものを維持することは非常に困難になります。 我々はこの問題に対処するためのデータ駆動ソリューションを提案する。 まず、362kのクラッシュに関する最初の大規模な実証研究から始め、現場で数万のアプリケーションが動作しているとwerに報告した。 この分析は、クラッシュの発生場所と方法、クラッシュの原因となる方法に関する貴重な洞察を提供する。 これらの知見により,スタックトレース中の非難フレームを識別する新しいマルチタスクシーケンスラベリング手法であるDeepAnalyzeを開発することができる。 我々は、当社のモデルを4つの人気のあるmicrosoftアプリケーションから100万以上の現実世界のクラッシュで評価し、同じアプリケーションのクラッシュを正確にローカライズするだけでなく、ゼロないし極めて少ないトレーニングデータを持つ他のアプリケーションのクラッシュローカライズをブートストラップする、ひとつのアプリケーションからのクラッシュでトレーニングされたdeepanalyzeを示しました。

関連論文リスト

• Better Debugging: Combining Static Analysis and LLMs for Explainable Crashing Fault Localization [12.103194723136406]
  本稿では,静的解析とLLM手法を組み合わせた説明可能なクラッシュ断層定位手法を提案する。 フレームワークコードで例外をスローするステートメントのセマンティクスを理解することは、バグだらけのメソッドをアプリコードで見つけて認識するのに役立ちます。 この考え方に基づいて、まず、各フレームワーク固有の例外に関連する重要な要素を記述する例外スローの要約(ETS)を設計する。 そして、その重要な要素をデータ追跡して、与えられたクラッシュのバグのある候補を特定し、ソートします。
  論文  参考訳（メタデータ） (2024-08-22T02:18:35Z)
• KGym: A Platform and Dataset to Benchmark Large Language Models on Linux Kernel Crash Resolution [59.20933707301566]
  大規模言語モデル(LLM)は、ますます現実的なソフトウェア工学(SE)タスクにおいて一貫して改善されている。 現実世界のソフトウェアスタックでは、Linuxカーネルのような基本的なシステムソフトウェアの開発にSEの取り組みが費やされています。 このような大規模システムレベルのソフトウェアを開発する際にMLモデルが有用かどうかを評価するため、kGymとkBenchを紹介する。
  論文  参考訳（メタデータ） (2024-07-02T21:44:22Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Crash Report Accumulation During Continuous Fuzzing [0.0]
  本稿では,CASRツールセットの一部として,クラッシュ蓄積手法を提案し,実装する。 ファジィ結果から得られた事故報告に対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2024-05-28T13:36:31Z)
• The Impact Of Bug Localization Based on Crash Report Mining: A Developers' Perspective [7.952391285456257]
  事故報告をグループ化し,バグコードを見つけるためのアプローチを18ヶ月にわたって毎週実施した経験を報告する。 この調査で調査されたアプローチは、バギーファイルの大部分を正しく示唆していた。
  論文  参考訳（メタデータ） (2024-03-16T01:23:01Z)
• Resolving Crash Bugs via Large Language Models: An Empirical Study [20.32724670868432]
  クラッシュバグは予期せぬプログラムの動作や終了を引き起こし、高優先度の解決を必要とする。 近年の大規模言語モデル(LLM)であるChatGPTは、様々な領域にまたがる例外的なパフォーマンスのため、大きな注目を集めている。 この研究は、ChatGPTの実際のクラッシュバグ解決能力に関する最初の調査を行い、コード関連および環境関連クラッシュバグのローカライズと修復の両面での有効性に焦点を当てた。
  論文  参考訳（メタデータ） (2023-12-16T13:41:04Z)
• CrashTranslator: Automatically Reproducing Mobile Application Crashes Directly from Stack Trace [30.48737611250448]
  本稿では,モバイルアプリケーションのクラッシュを自動的にスタックトレースから直接再現するCrashTranslatorという手法を提案する。 CrashTranslatorを58のAndroidアプリを含む75のクラッシュレポートで評価し、61.3%のクラッシュを再現しました。
  論文  参考訳（メタデータ） (2023-10-11T02:00:18Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• Do Different Tracking Tasks Require Different Appearance Models? [118.02175542476367]
  我々は、同じフレームワーク内の5つの異なるタスクに対処する統合されたトラッキングソリューションUniTrackを提案する。 UniTrackは単一かつタスクに依存しない外観モデルで構成されており、教師付きまたは自己管理的な方法で学習することができる。 このフレームワークでは,ほとんどのトラッキングタスクがいかに解決可能かを示し,同じ外観モデルを用いて検討された5つのタスクすべてに対して,特殊化メソッドと競合する性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-07-05T17:40:17Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。