論文の概要: Reproducing Failures in Fault Signatures
- arxiv url: http://arxiv.org/abs/2309.11004v1
- Date: Wed, 20 Sep 2023 02:14:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 07:09:25.798171
- Title: Reproducing Failures in Fault Signatures
- Title(参考訳): 故障シグナチャにおける再生障害
- Authors: Ashwin Kallingal Joshy, Benjamin Steenhoek, Xiuyuan Guo and Wei Le
- Abstract要約: 障害箇所と元のソースコードから障害シグネチャを生成し、小さなプログラムで障害を再現する。
障害シグネチャは、障害を再現できる十分なステートメントのみを含むことを目的としています。
Corebench, BugBench, Manybugsの実際のバグに対する評価は, 障害シグネチャが元のプログラムの障害を再現できることを示している。
- 参考スコア(独自算出の注目度): 5.458524825360132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software often fails in the field, however reproducing and debugging field
failures is very challenging: the failure-inducing input may be missing, and
the program setup can be complicated and hard to reproduce by the developers.
In this paper, we propose to generate fault signatures from the failure
locations and the original source code to reproduce the faults in small
executable programs. We say that a fault signature reproduces the fault in the
original program if the two failed in the same location, triggered the same
error conditions after executing the same selective sequences of
failure-inducing statements. A fault signature aims to contain only sufficient
statements that can reproduce the faults. That way, it provides some context to
inform how a fault is developed and also avoids unnecessary complexity and
setups that may block fault diagnosis. To compute fault signatures from the
failures, we applied a path-sensitive static analysis tool to generate a path
that leads to the fault, and then applied an existing syntactic patching tool
to convert the path into an executable program. Our evaluation on real-world
bugs from Corebench, BugBench, and Manybugs shows that fault signatures can
reproduce the fault for the original programs. Because fault signatures are
less complex, automatic test input generation tools generated failure-inducing
inputs that could not be generated by using the entire programs. Some
failure-inducing inputs can be directly transferred to the original programs.
Our experimental data are publicly available at
https://doi.org/10.5281/zenodo.5430155.
- Abstract(参考訳): ソフトウェアは、しばしば現場で失敗するが、フィールドの再現とデバッグの失敗は、非常に困難である。
本稿では,障害箇所とソースコードから障害シグネチャを生成して,小さな実行可能プログラムで障害を再現する手法を提案する。
障害シグネチャは、2つのプログラムが同じ場所で失敗した場合、元のプログラムの障害を再現し、同じエラー発生文の選択的シーケンスを実行した後、同じエラー条件を発生させる。
障害シグネチャは、障害を再現できる十分なステートメントのみを含むことを目的としています。
これにより、障害がどのように開発されたかを伝えるためのコンテキストが提供され、障害診断をブロックする不要な複雑さやセットアップを回避することができる。
障害からの障害シグネチャを計算するために,障害につながるパスを生成するパスセンシティブな静的解析ツールを適用し,そのパスを実行可能なプログラムに変換する既存の構文パッチツールを適用した。
Corebench, BugBench, Manybugsの実際のバグに対する評価は, 障害シグネチャが元のプログラムの障害を再現できることを示している。
障害シグネチャは複雑ではないため、自動テストインプット生成ツールは、プログラム全体を使用して生成できないエラー誘発インプットを生成する。
いくつかの障害誘発入力は、元のプログラムに直接転送できる。
実験データはhttps://doi.org/10.5281/zenodo.5430155で公開されている。
関連論文リスト
- NExT: Teaching Large Language Models to Reason about Code Execution [50.93581376646064]
大規模言語モデル(LLM)のコードは通常、プログラムの表面テキスト形式に基づいて訓練される。
NExTは,プログラムの実行トレースを検査し,実行時の動作を判断する手法である。
論文 参考訳(メタデータ) (2024-04-23T01:46:32Z) - Inferring Non-Failure Conditions for Declarative Programs [0.0]
計算中の意図しない失敗は苦痛ですが、ソフトウェア開発では頻繁です。
意図しない引数で部分的に定義された操作を呼び出すような失敗のプログラミングは、ソフトウェアが正しいという仮定のため、しばしばキャッチされない。
本稿では,そのような仮定を検証するためのアプローチを提案する。
論文 参考訳(メタデータ) (2024-02-20T12:25:36Z) - Error Propagation Analysis for Multithreaded Programs: An Empirical
Approach [7.1372356952003795]
フォールトインジェクションは、エラーに対するプログラムの堅牢性を測定するテクニックである。
EPAは通常、フォールトフリー(ゴールド)実行のトレースとプログラムの障害実行のトレースを比較します。
EPAのアプローチは、非決定論的ゴールデンランを持つマルチスレッドプログラムには当てはまらない。
論文 参考訳(メタデータ) (2023-12-28T02:36:02Z) - Guess & Sketch: Language Model Guided Transpilation [59.02147255276078]
学習されたトランスパイレーションは、手作業による書き直しやエンジニアリングの取り組みに代わるものだ。
確率的ニューラルネットワークモデル(LM)は、入力毎に可塑性出力を生成するが、正確性を保証するコストがかかる。
Guess & Sketch は LM の特徴からアライメントと信頼性情報を抽出し、意味的等価性を解決するためにシンボリック・ソルバに渡す。
論文 参考訳(メタデータ) (2023-09-25T15:42:18Z) - Directed Test Program Generation for JIT Compiler Bug Localization [3.626013617212667]
Just-in-Time(JIT)コンパイラのバグローカライズ技術は、この目的のために生成されたテストプログラムのセット上で、ターゲットJITコンパイラの実行動作を分析することに基づいている。
本稿ではJITコンパイラのバグローカライゼーションのための新しいテストプログラム生成手法を提案する。
論文 参考訳(メタデータ) (2023-07-17T22:43:02Z) - Fault-Aware Neural Code Rankers [64.41888054066861]
サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。
我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-06-04T22:01:05Z) - 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) - Static Prediction of Runtime Errors by Learning to Execute Programs with
External Resource Descriptions [31.46148643917194]
実世界のデータセットと実行時のエラーを予測するタスクを導入します。
プログラムの実行を模倣する帰納的バイアスを持つインタプリタにインスパイアされたアーキテクチャを開発する。
また,このモデルでは,エラーの有無やエラーの種類を示すラベルにのみトレーニングされているにもかかわらず,エラーの位置を予測できることを示す。
論文 参考訳(メタデータ) (2022-03-07T23:17:17Z) - Experimental Characterization of Fault-Tolerant Circuits in Small-Scale
Quantum Processors [67.47400131519277]
符号の論理ゲートセットは、10以上のゲートシーケンスに対してフォールトトレラントとみなすことができる。
一部の回路は耐故障性基準を満たしていなかった。
試験した回路が低次元の出力状態に制限された場合に、耐故障性基準を評価するのが最も正確である。
論文 参考訳(メタデータ) (2021-12-08T01:52:36Z) - Fault-tolerant parity readout on a shuttling-based trapped-ion quantum
computer [64.47265213752996]
耐故障性ウェイト4パリティチェック測定方式を実験的に実証した。
フラグ条件パリティ測定の単発忠実度は93.2(2)%である。
このスキームは、安定化器量子誤り訂正プロトコルの幅広いクラスにおいて必須な構成要素である。
論文 参考訳(メタデータ) (2021-07-13T20:08:04Z)
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。