論文の概要: SysPro: Reproducing System-level Concurrency Bugs from Bug Reports

• arxiv url: http://arxiv.org/abs/2601.09616v1
• Date: Wed, 14 Jan 2026 16:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.473283
• Title: SysPro: Reproducing System-level Concurrency Bugs from Bug Reports
• Title（参考訳）: SysPro:バグレポートからシステムレベルの並行バグを再現
• Authors: Tarannum Shaila Zaman, Zhihui Yan, Chen Wang, Chadni Islam, Jiangfan Shi, Tingting Yu,
• Abstract要約: システムレベルのバグを再現するには、入力データとシステム呼び出しの正確なインターリーブ順序の両方が必要である。 既存のツールは、システムコールレベルで特定のインターリーブを管理することができないため、これらのバグを再現するには不十分です。 本稿では,バグレポートから関連するシステムコール名を自動抽出し,ソースコード内の位置情報を識別するSysProを提案する。
• 参考スコア（独自算出の注目度）: 3.789798997996016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reproducing system-level concurrency bugs requires both input data and the precise interleaving order of system calls. This process is challenging because such bugs are non-deterministic, and bug reports often lack the detailed information needed. Additionally, the unstructured nature of reports written in natural language makes it difficult to extract necessary details. Existing tools are inadequate to reproduce these bugs due to their inability to manage the specific interleaving at the system call level. To address these challenges, we propose SysPro, a novel approach that automatically extracts relevant system call names from bug reports and identifies their locations in the source code. It generates input data by utilizing information retrieval, regular expression matching, and the category-partition method. This extracted input and interleaving data are then used to reproduce bugs through dynamic source code instrumentation. Our empirical study on real-world benchmarks demonstrates that SysPro is both effective and efficient at localizing and reproducing system-level concurrency bugs from bug reports.
• Abstract（参考訳）: システムレベルの並行性バグを再現するには、入力データとシステム呼び出しの正確なインターリーブ順序の両方が必要である。 このようなバグは決定論的ではなく、バグ報告には必要な詳細な情報が欠けていることが多いため、このプロセスは難しい。 さらに、自然言語で書かれたレポートの構造化されていない性質は、必要な詳細を抽出することを困難にしている。 既存のツールは、システムコールレベルで特定のインターリーブを管理することができないため、これらのバグを再現するには不十分です。 このような課題に対処するために,バグレポートから関連するシステムコール名を自動抽出し,ソースコード内の位置情報を識別する,SysProを提案する。 情報検索、正規表現マッチングおよびカテゴリ分割方法を利用して入力データを生成する。 この抽出されたインプットとインターリービングデータは、動的ソースコードインスツルメンテーションによってバグを再現するために使用される。 実世界のベンチマークに関する実証研究は、SysProがバグレポートからシステムレベルの並行性バグをローカライズし、再現するのに効率的かつ効果的であることを実証している。

関連論文リスト

• PyResBugs: A Dataset of Residual Python Bugs for Natural Language-Driven Fault Injection [5.383910843560784]
  PyResBugsは、主要なPythonフレームワークからの残留バグのデータセットである。 各バグは、対応するフォールトフリー(固定)バージョンとペアリングされ、マルチレベル自然言語(NL)記述と注釈付けされる。
  論文  参考訳（メタデータ） (2025-05-09T04:39:09Z)
• Automated Duplicate Bug Report Detection in Large Open Bug Repositories [3.481985817302898]
  大規模なオープンソースプロジェクトのユーザやコントリビュータは,問題追跡システムにソフトウェア欠陥や拡張要求(バグレポートとして知られる)を報告している。 オープンバグレポジトリにおける重複バグレポートを自動的に検出する機械学習手法に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-21T01:55:54Z)
• Auto-labelling of Bug Report using Natural Language Processing [0.0]
  ルールとクエリベースのソリューションは、明確なランキングのない、潜在的な類似バグレポートの長いリストを推奨します。 本論文では,NLP手法の組み合わせによる解を提案する。 カスタムデータトランスフォーマー、ディープニューラルネットワーク、および非汎用機械学習メソッドを使用して、既存の同一バグレポートを検索する。
  論文  参考訳（メタデータ） (2022-12-13T02:32:42Z)
• Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
  我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。 このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
  論文  参考訳（メタデータ） (2022-11-11T16:37:33Z)
• Automatic Classification of Bug Reports Based on Multiple Text Information and Reports' Intention [37.67372105858311]
  本稿では,バグレポートの自動分類手法を提案する。 イノベーションは、バグレポートを分類する際に、レポートのテキスト情報に加えて、レポートの意図も考慮することである。 提案手法は性能が向上し,F-Measureは87.3%から95.5%に向上した。
  論文  参考訳（メタデータ） (2022-08-02T06:44:51Z)
• BigIssue: A Realistic Bug Localization Benchmark [89.8240118116093]
  BigIssueは、現実的なバグローカライゼーションのためのベンチマークである。 実際のJavaバグと合成Javaバグの多様性を備えた一般的なベンチマークを提供する。 われわれは,バグローカライゼーションの最先端技術として,APRの性能向上と,現代の開発サイクルへの適用性の向上を期待している。
  論文  参考訳（メタデータ） (2022-07-21T20:17:53Z)
• Understanding Factual Errors in Summarization: Errors, Summarizers, Datasets, Error Detectors [105.12462629663757]
  本研究では、既存の9つのデータセットから事実性エラーアノテーションを集約し、基礎となる要約モデルに従ってそれらを階層化する。 本稿では,この階層化ベンチマークにおいて,最近のChatGPTベースの指標を含む最先端の事実性指標の性能を比較し,その性能が様々な種類の要約モデルで大きく異なることを示す。
  論文  参考訳（メタデータ） (2022-05-25T15:26:48Z)
• S3M: Siamese Stack (Trace) Similarity Measure [55.58269472099399]
  本稿では、深層学習に基づくスタックトレースの類似性を計算する最初のアプローチであるS3Mを紹介します。 BiLSTMエンコーダと、類似性を計算するための完全接続型分類器をベースとしている。 私たちの実験は、オープンソースデータとプライベートなJetBrainsデータセットの両方において、最先端のアプローチの優位性を示しています。
  論文  参考訳（メタデータ） (2021-03-18T21:10:41Z)
• 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)

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。