論文の概要: DynamicsLLM: a Dynamic Analysis-based Tool for Generating Intelligent Execution Traces Using LLMs to Detect Android Behavioural Code Smells
- arxiv url: http://arxiv.org/abs/2604.10661v1
- Date: Sun, 12 Apr 2026 14:30:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.157553
- Title: DynamicsLLM: a Dynamic Analysis-based Tool for Generating Intelligent Execution Traces Using LLMs to Detect Android Behavioural Code Smells
- Title（参考訳）: DynamicsLLM: LLMを使ってAndroidの振る舞いコードスメルを検出するインテリジェントな実行トレースを生成する動的解析ベースのツール
- Authors: Houcine Abdelkader Cherief, Florent Avellaneda, Naouel Moha,
- Abstract要約: 振る舞いコードの臭いは、実行中に不適切なコードの振る舞いを誘発するソースコードの特徴である。
本稿では,大規模言語モデルを活用したDynamics法の実装について述べる。
少数のアクティビティを持つアプリケーションにおいて、コードの臭いに関連するイベントのカバレッジを改善するために設計された、新しいハイブリッドアプローチ。
- 参考スコア（独自算出の注目度）: 4.1437907033628205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile apps have become essential of our daily lives, making code quality a critical concern for developers. Behavioural code smells are characteristics in the source code that induce inappropriate code behaviour during execution, which negatively impact software quality in terms of performance, energy consumption, and memory. Dynamics, the latest state-of-the-art tool-based method, is highly effective at detecting Android behavioural code smells. While it outperforms static analysis tools, it suffers from a high false negative rate, with multiple code smell instances remaining undetected. Large Language Models (LLMs) have achieved notable advances across numerous research domains and offer significant potential for generating intelligent execution traces, particularly for detecting behavioural code smells in Android mobile applications. By intelligent execution trace, we mean a sequence of events generated by specific actions in a way that triggers the identification of a given behaviour. We propose the following three main contributions in this paper: (1) DynamicsLLM, an enhanced implementation of the Dynamics method that leverages LLMs to intelligently generate execution traces. (2) A novel hybrid approach designed to improve the coverage of code smell-related events in applications with a small number of activities. (3) A comprehensive validation of DynamicsLLM on 333 mobile applications from F-DROID, including a comparison with the Dynamics tool. Our results show that, under a limited number of actions, DynamicsLLM configured with 100% LLM covers three times more code smell-related events than Dynamics. The hybrid approach improves LLM coverage by 25.9% for apps containing few activities. Moreover, 12.7% of the code smell-related events that cannot be triggered by Dynamics are successfully triggered by our tool.
- Abstract（参考訳）: モバイルアプリは私たちの日々の生活に欠かせないものとなり、コード品質が開発者にとって重要な関心事になっている。
振る舞いコードの臭いは、実行中に不適切なコードの振る舞いを誘発するソースコードの特徴であり、性能、エネルギー消費、メモリの点でソフトウェアの品質に悪影響を及ぼす。
最新の最先端のツールベースのメソッドであるDynamicsは、Androidの振る舞いのコードの臭いを検出するのに非常に効果的である。
静的解析ツールよりも優れていますが、偽陰性率が高く、コードの臭いが検出されないケースも複数あります。
大規模言語モデル(LLM)は、多くの研究領域で顕著な進歩を遂げており、特にAndroidモバイルアプリケーションにおける振る舞いコード臭いの検出において、インテリジェントな実行トレースを生成する大きな可能性を秘めている。
インテリジェントな実行トレースによって、指定された振る舞いの識別をトリガーする方法で、特定のアクションによって生成される一連のイベントを意味する。
本論文では, LLMを利用して実行トレースをインテリジェントに生成するDynamicsLLMの実装を改良したDynamicsLLMを提案する。
2) 活動の少ないアプリケーションにおけるコードの臭い関連事象のカバレッジを改善するために設計された,新しいハイブリッドアプローチ。
(3) DynamicsLLM の F-DROID による 333 モバイルアプリケーションに対する総合的な検証。
以上の結果から,DynamicsLLMは100%LLMで構成され,Dynamicsよりも3倍のコードの臭いに関連する事象をカバーしていることがわかった。
ハイブリッドアプローチは、アクティビティの少ないアプリに対して、LLMカバレッジを25.9%改善する。
さらに、Dynamicsによってトリガーできないコードの臭いに関連するイベントの12.7%が、私たちのツールによってトリガーされます。
関連論文リスト
- Empirical Evaluation of SMOTE in Android Malware Detection with Machine Learning: Challenges and Performance in CICMalDroid 2020 [0.0]
この作業は、動的実行特性から悪意のあるコードを検出する機械学習アルゴリズムをテストする。
テストされた構成の75%では、SMOTEの適用によってパフォーマンスが低下するか、限界しか改善されなかった。
XGBoostやRandom Forestのような木ベースのアルゴリズムは、常に他のアルゴリズムよりも優れており、94%以上の重み付けリコールを達成した。
論文 参考訳（メタデータ） (2026-02-09T14:47:47Z) - Beyond Strict Rules: Assessing the Effectiveness of Large Language Models for Code Smell Detection [0.5249836059995157]
コードの臭いは、ソフトウェアの保守性に影響を与える可能性のあるコード品質の問題の兆候である。
本稿では,30のJavaプロジェクトにおいて,9つのコードの臭いを検出するための4つの大規模言語モデル(LLM)の有効性を評価する。
論文 参考訳（メタデータ） (2026-01-14T21:08:35Z) - InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。
対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
論文 参考訳（メタデータ） (2025-10-21T06:26:29Z) - DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。
そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。
MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
論文 参考訳（メタデータ） (2025-09-15T10:59:57Z) - Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。
異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。
我々は最先端のPTQ手法を実装し、包括的な評価を行う。
論文 参考訳（メタデータ） (2025-08-20T17:59:51Z) - AutoSafeCoder: A Multi-Agent Framework for Securing LLM Code Generation through Static Analysis and Fuzz Testing [6.334110674473677]
既存のアプローチは、セキュアで脆弱性のないコードを生成するのに苦労するコード生成に、単一のエージェントに依存することが多い。
コード生成,脆弱性解析,セキュリティ強化にLLM駆動エージェントを活用するマルチエージェントフレームワークであるAutoSafeCoderを提案する。
私たちのコントリビューションは、コード生成中に反復的なプロセスで動的および静的なテストを統合することで、マルチエージェントコード生成の安全性を確保することに焦点を当てています。
論文 参考訳（メタデータ） (2024-09-16T21:15:56Z) - ShadowCode: Towards (Automatic) External Prompt Injection Attack against Code LLMs [56.46702494338318]
本稿では,コード指向の大規模言語モデルに対する(自動)外部プロンプトインジェクションという,新たな攻撃パラダイムを紹介する。
コードシミュレーションに基づいて誘導摂動を自動生成する,シンプルで効果的な方法であるShadowCodeを提案する。
3つの人気のあるプログラミング言語にまたがる31の脅威ケースを発生させるため、13の異なる悪意のある目標に対して本手法を評価した。
論文 参考訳（メタデータ） (2024-07-12T10:59:32Z) - AutoDetect: Towards a Unified Framework for Automated Weakness Detection in Large Language Models [95.09157454599605]
大規模言語モデル(LLM)はますます強力になってきていますが、それでも顕著ですが微妙な弱点があります。
従来のベンチマークアプローチでは、特定のモデルの欠陥を徹底的に特定することはできない。
さまざまなタスクにまたがるLLMの弱点を自動的に露呈する統合フレームワークであるAutoDetectを導入する。
論文 参考訳（メタデータ） (2024-06-24T15:16:45Z) - TRACED: Execution-aware Pre-training for Source Code [24.101763959136058]
TRACEDは、ソースコードに対する実行対応事前学習戦略である。
私たちの目標は、事前トレーニング中に複雑な実行ロジックをコードモデルに教えることです。
TRACEDは静的に事前訓練されたコードモデルを、完全な実行パス予測では12.4%、実行時変数値予測では25.2%改善している。
論文 参考訳（メタデータ） (2023-06-13T01:30:14Z) - Distractor-Aware Fast Tracking via Dynamic Convolutions and MOT
Philosophy [63.91005999481061]
実用的長期トラッカーは、典型的には3つの重要な特性を含む。
効率的なモデル設計、効果的なグローバル再検出戦略、堅牢な気晴らし認識メカニズム。
動的畳み込み (d-convs) と多重オブジェクト追跡 (MOT) の哲学を用いて, 注意をそらした高速トラッキングを実現するための2タスクトラッキングフレームワーク(DMTrack)を提案する。
我々のトラッカーはLaSOT, OxUvA, TLP, VOT2018LT, VOT 2019LTベンチマークの最先端性能を実現し, リアルタイム3倍高速に動作させる。
論文 参考訳（メタデータ） (2021-04-25T00:59:53Z)
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。