論文の概要: Polyglot Code Smell Detection for Infrastructure as Code with GLITCH

• arxiv url: http://arxiv.org/abs/2308.09458v1
• Date: Fri, 18 Aug 2023 10:44:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 13:38:08.013418
• Title: Polyglot Code Smell Detection for Infrastructure as Code with GLITCH
• Title（参考訳）: GLITCHを用いたインフラストラクチャ・アズ・コードに対する多言語符号スメル検出
• Authors: Nuno Saavedra, Jo\~ao Gon\c{c}alves, Miguel Henriques, Jo\~ao F. Ferreira, and Alexandra Mendes
• Abstract要約: 本稿では、インフラストラクチャー・アズ・コードスクリプトの自動臭い検出を可能にする技術に依存しない新しいフレームワークGLITCHを提案する。 GLITCHを用いて行った研究は、複数のIaC技術のためのコードの臭い分析を書く労力を減らすだけでなく、現在の最先端ツールよりも高精度でリコールできることを示した。
• 参考スコア（独自算出の注目度）: 39.979007027634196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents GLITCH, a new technology-agnostic framework that enables automated polyglot code smell detection for Infrastructure as Code scripts. GLITCH uses an intermediate representation on which different code smell detectors can be defined. It currently supports the detection of nine security smells and nine design & implementation smells in scripts written in Ansible, Chef, Docker, Puppet, or Terraform. Studies conducted with GLITCH not only show that GLITCH can reduce the effort of writing code smell analyses for multiple IaC technologies, but also that it has higher precision and recall than current state-of-the-art tools. A video describing and demonstrating GLITCH is available at: https://youtu.be/E4RhCcZjWbk
• Abstract（参考訳）: 本稿では、インフラストラクチャ・アズ・コードスクリプトの自動臭い検出を可能にする新しい技術に依存しないフレームワークGLITCHを提案する。 GLITCHは、異なるコードの臭い検知を定義できる中間表現を使用する。 現在、ansible、chef、docker、puppet、terraformで書かれたスクリプトで、9つのセキュリティ臭いと9つの設計と実装臭いの検出をサポートしている。 GLITCHを用いて行った研究は、GLITCHが複数のIaC技術に対してコード臭いの分析を行う労力を減らすだけでなく、現在の最先端ツールよりも高精度でリコールできることを示した。 GLITCHを説明したビデオは、https://youtu.be/E4RhCcZjWbkで公開されている。

関連論文リスト

• LLM-DetectAIve: a Tool for Fine-Grained Machine-Generated Text Detection [87.43727192273772]
  テキストが人間の書いたものなのか、機械で作られたものなのかを判断するのは、しばしば困難である。 細粒度検出のためのLLM-DetectAIveを提案する。 i) 人書き、ii) 機械生成、(iii) 機械書、次いで機械書、(iv) 人書き、そして機械ポリッシュの4つのカテゴリをサポートする。
  論文  参考訳（メタデータ） (2024-08-08T07:43:17Z)
• Open-CD: A Comprehensive Toolbox for Change Detection [59.79011759027916]
  Open-CDは変更検出ツールボックスで、変更検出方法の豊富なセットと関連するコンポーネントとモジュールを含んでいる。 徐々に、多くの一般的な変更検出方法や同時代のモジュールをカバーする統一されたプラットフォームへと進化していく。
  論文  参考訳（メタデータ） (2024-07-22T01:04:16Z)
• OVLW-DETR: Open-Vocabulary Light-Weighted Detection Transformer [63.141027246418]
  本稿では,OVLW-DETR(Open-Vocabulary Light-Weighted Detection Transformer)を提案する。 本稿では,視覚言語モデル(VLM)からオブジェクト検出器への知識伝達を簡易なアライメントで行うエンド・ツー・エンドのトレーニングレシピを提案する。 実験により,提案手法は標準ゼロショットLVISベンチマークにおいて,既存の実時間開語彙検出器よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-15T12:15:27Z)
• DetToolChain: A New Prompting Paradigm to Unleash Detection Ability of MLLM [81.75988648572347]
  DetToolChainはマルチモーダル大言語モデル(MLLM)のゼロショットオブジェクト検出能力を解き放つ新しいパラダイムである。 提案手法は,高精度検出にヒントを得た検出プロンプトツールキットと,これらのプロンプトを実装するための新しいChain-of-Thoughtから構成される。 DetToolChainを用いたGPT-4Vは,オープン語彙検出のための新しいクラスセットにおいて,最先端のオブジェクト検出器を+21.5%AP50で改善することを示す。
  論文  参考訳（メタデータ） (2024-03-19T06:54:33Z)
• Prompt Learning for Multi-Label Code Smell Detection: A Promising Approach [6.74877139507271]
  コードの臭いは、開発者がコードの臭いを検出することによって機会を識別できるように、ソフトウェア品質の潜在的な問題を示している。 提案手法は,複数ラベルのコードの臭いを早期に検出する手法である textitPromptSmell を提案する。
  論文  参考訳（メタデータ） (2024-02-16T01:50:46Z)
• Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
  本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。 既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。 本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
  論文  参考訳（メタデータ） (2023-10-08T10:08:21Z)
• LARCH: Large Language Model-based Automatic Readme Creation with Heuristics [9.820370420194948]
  大規模言語モデル(LLM)は,リポジトリを表すコードフラグメントを識別できれば,一貫性のある,事実上正しい読み出しを生成することができることを示す。 LARCH (LLM-based Automatic Readme Creation with Heuristics) を開発した。 LARCHは、ほとんどのケースにおいて整合的で事実的に正しい読み出しを生成できることを示し、代表的なコード識別に依存しないベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-06T12:28:24Z)
• FLAG: Finding Line Anomalies (in code) with Generative AI [18.612900041820875]
  FLAGは、生成AIの語彙能力、特にLarge Language Models(LLM)に基づいている。 C、Python、Verilogで121のベンチマークを使用します。 FLAGは101の欠陥を識別でき、検索スペースを12-17%に削減できる。
  論文  参考訳（メタデータ） (2023-06-22T03:04:56Z)
• Empirical Analysis on Effectiveness of NLP Methods for Predicting Code Smell [3.2973778921083357]
  コードの臭いは、システムに固有の問題の表面的な指標である。 629パッケージ上に3つのExtreme機械学習マシンカーネルを使用して、8つのコードの臭いを識別します。 以上の結果から,放射基底関数型カーネルは,平均98.52の精度で3つのカーネル法のうち最高の性能を発揮することが示唆された。
  論文  参考訳（メタデータ） (2021-08-08T12:10:20Z)

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。