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
- Fuzzing BusyBox: Leveraging LLM and Crash Reuse for Embedded Bug
Unearthing [2.4287247817521096]
BusyBoxの脆弱性は、はるかに大きな結果をもたらす可能性がある。
この研究は、現実の組み込み製品で古いBusyBoxバージョンが普及していることを明らかにした。
ソフトウェアテストの強化のための2つのテクニックを紹介します。
論文 参考訳(メタデータ) (2024-03-06T17:57:03Z) - 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) - DeepFD: Automated Fault Diagnosis and Localization for Deep Learning
Programs [15.081278640511998]
DeepFDは学習ベースの障害診断およびローカライゼーションフレームワークである。
フォールトローカライゼーションタスクを学習問題にマップする。
52%の欠陥DLプログラムを正しく診断し、最先端の成果によって達成された約半分(27%)と比較する。
論文 参考訳(メタデータ) (2022-05-04T08:15:56Z) - Learn then Test: Calibrating Predictive Algorithms to Achieve Risk
Control [67.52000805944924]
Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。
私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。
我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
論文 参考訳(メタデータ) (2021-10-03T17:42:03Z) - 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) - Robust and Transferable Anomaly Detection in Log Data using Pre-Trained
Language Models [59.04636530383049]
クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。
システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-23T09:17:05Z) - Robust Unsupervised Video Anomaly Detection by Multi-Path Frame
Prediction [61.17654438176999]
本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。
提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
論文 参考訳(メタデータ) (2020-11-05T11:34:12Z) - 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) - Scalable Autonomous Vehicle Safety Validation through Dynamic
Programming and Scene Decomposition [37.61747231296097]
本稿では、近似動的プログラミングを用いて、自律的なポリシの障害に対する分布を推定する新しい安全性検証手法を提案する。
両実験とも, ベースラインアプローチと比較して, 故障数の増加が見られた。
論文 参考訳(メタデータ) (2020-04-14T21:03:50Z)
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。