論文の概要: Deep Learning Based Concurrency Bug Detection and Localization

• arxiv url: http://arxiv.org/abs/2508.20911v1
• Date: Thu, 28 Aug 2025 15:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.486276
• Title: Deep Learning Based Concurrency Bug Detection and Localization
• Title（参考訳）: 深層学習に基づく並行バグ検出と局所化
• Authors: Zuocheng Feng, Kaiwen Zhang, Miaomiao Wang, Yiming Cheng, Yuandao Cai, Xiaofeng Li, Guanjun Liu,
• Abstract要約: 並行性バグは、ソフトウェアの信頼性とセキュリティを検知し、妥協することが難しいことで知られている。 既存のディープラーニング手法には3つの大きな制限がある。 そこで本研究では,効率的なバグ検出とローカライゼーションのための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 9.2389985253336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concurrency bugs, caused by improper synchronization of shared resources in multi-threaded or distributed systems, are notoriously hard to detect and thus compromise software reliability and security. The existing deep learning methods face three main limitations. First, there is an absence of large and dedicated datasets of diverse concurrency bugs for them. Second, they lack sufficient representation of concurrency semantics. Third, binary classification results fail to provide finer-grained debug information such as precise bug lines. To address these problems, we propose a novel method for effective concurrency bug detection as well as localization. We construct a dedicated concurrency bug dataset to facilitate model training and evaluation. We then integrate a pre-trained model with a heterogeneous graph neural network (GNN), by incorporating a new Concurrency-Aware Code Property Graph (CCPG) that concisely and effectively characterizes concurrency semantics. To further facilitate debugging, we employ SubgraphX, a GNN-based interpretability method, which explores the graphs to precisely localize concurrency bugs, mapping them to specific lines of source code. On average, our method demonstrates an improvement of 10\% in accuracy and precision and 26\% in recall compared to state-of-the-art methods across diverse evaluation settings.
• Abstract（参考訳）: マルチスレッドや分散システムにおける共有リソースの不適切な同期に起因する並行性バグは、ソフトウェアの信頼性とセキュリティを検知し、妥協することが難しいことで知られている。 既存のディープラーニング手法には3つの大きな制限がある。 ひとつは、さまざまな並行性バグの大規模で専用のデータセットがないことです。 第二に、コンカレンシーセマンティクスの十分な表現が欠けている。 第三に、バイナリ分類の結果は、正確なバグラインのようなよりきめ細かいデバッグ情報を提供していない。 そこで本研究では,これらの問題に対処するために,効率的な同時並行バグ検出法とローカライズ手法を提案する。 モデルトレーニングと評価を容易にするために,専用の同時実行バグデータセットを構築した。 次に、並列性セマンティクスを簡潔かつ効果的に特徴付ける新しい並行性対応コードプロパティグラフ(CCPG)を組み込むことにより、事前学習されたモデルを異種グラフニューラルネットワーク(GNN)に統合する。 さらにデバッグを容易にするために、GNNベースの解釈可能性手法であるSubgraphXを用いて、並列性バグを正確にローカライズし、ソースコードの特定の行にマッピングするグラフを探索する。 提案手法は, 精度と精度を平均10倍, 再現率を26倍に向上することを示した。

関連論文リスト

• Supporting Cross-language Cross-project Bug Localization Using Pre-trained Language Models [2.5121668584771837]
  既存のテクニックは、アプリケーション固有のデータに依存しているため、一般化性とデプロイメントに苦労することが多い。 本稿では,プロジェクトと言語の境界を超越したバグローカライゼーションのための,PLMに基づく新しい言語モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-03T01:09:36Z)
• Provably Secure Disambiguating Neural Linguistic Steganography [66.30965740387047]
  サブワードに基づく言語モデルを使用する際に生じるセグメンテーションの曖昧さ問題は、時にはデコード障害を引き起こす。 そこで我々はSyncPoolという,セグメンテーションのあいまいさ問題に効果的に対処する,セキュアな曖昧さ回避手法を提案する。 SyncPoolは、候補プールのサイズやトークンの分布を変えないため、確実に安全な言語ステガノグラフィー手法に適用できる。
  論文  参考訳（メタデータ） (2024-03-26T09:25:57Z)
• Pre-training Code Representation with Semantic Flow Graph for Effective Bug Localization [4.159296619915587]
  セマンティックフローグラフ (Semantic Flow Graph, SFG) という, 有向多ラベル符号グラフの表現法を提案する。 そこで本手法は,バグローカライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-08-24T13:25:17Z)
• Supervised Auto-Encoding Twin-Bottleneck Hashing [5.653113092257149]
  Twin-Bottleneck Hashingはグラフを動的に構築する手法である。 本研究では,ラベル情報を組み込むことで,オリジナルモデルを教師付きディープハッシュネットワークに一般化する。
  論文  参考訳（メタデータ） (2023-06-19T18:50:02Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Generating Bug-Fixes Using Pretrained Transformers [11.012132897417592]
  実世界のgithubからマイニングしたjavaメソッドのバグの検出と修正を学ぶ,データ駆動型プログラム修復手法を導入する。 ソースコードプログラムの事前トレーニングは,スクラッチからの教師ありトレーニングに比べて,33%のパッチ数を改善することを示す。 我々は,標準精度評価基準を非削除および削除のみの修正に洗練し,我々の最良モデルが従来よりも75%多くの非削除修正を生成することを示す。
  論文  参考訳（メタデータ） (2021-04-16T05:27:04Z)
• PushNet: Efficient and Adaptive Neural Message Passing [1.9121961872220468]
  メッセージパッシングニューラルネットワークは、最近、グラフ上での表現学習に対する最先端のアプローチへと進化した。 既存のメソッドは、複数のラウンドですべてのエッジに沿って同期メッセージパッシングを実行する。 我々は、収束するまで最も関連性の高いエッジに沿ってのみ情報をプッシュする、新しい非同期メッセージパッシングアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-03-04T18:15:30Z)
• Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
  本稿では,効率よく適応的なコード駆動グラフを提案する。 自動エンコーダのコンテキストでデコードすることで更新される。 ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
  論文  参考訳（メタデータ） (2020-02-27T05:58:12Z)

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。