論文の概要: Towards Better Linux Kernel Fault Localization: Leveraging Contrastive Reasoning and Hierarchical Context Analysis

• arxiv url: http://arxiv.org/abs/2607.00562v1
• Date: Wed, 01 Jul 2026 07:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.786553
• Title: Towards Better Linux Kernel Fault Localization: Leveraging Contrastive Reasoning and Hierarchical Context Analysis
• Title（参考訳）: Linuxカーネルフォールトローカライゼーションの改善に向けて - コントラスト推論と階層的コンテキスト分析の活用
• Abstract要約: 提案するCoHiKerは,Linuxカーネルに適したLLMベースのFL技術である。 CoHiKer は,(1) 相対的推論,(1) 慎重に変更したパスとフェールテストケースの振る舞いの相違を解析して根本原因を特定する,2) 階層的コンテキスト解析,(2) ファイルからメソッドへのローカライズ範囲を体系的に制限する,という2つの重要なイノベーションを紹介した。 我々は、CoHiKerを5つの最先端のベースラインに対して拡張されたLinuxカーネルバグデータセットで評価した。CoHiKerは、すべての競合より一貫して優れており、ファイルレベルでは26.07%、メソッドでは56.85%まで、Top-1ローカライゼーションの精度が向上している。
• 参考スコア（独自算出の注目度）: 15.256164004074995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Debugging the Linux kernel remains a formidable challenge due to its vast codebase, complex architecture, and low-level programming intricacies. Effective fault localization (FL) is thus essential for efficient kernel debugging and maintenance. While existing FL techniques (both traditional and LLM-based) have shown promise in general-purpose software, they are ill-suited for the kernel context. In particular, recent LLM-based techniques often treat bug reports and source code as plain text, lacking deep integration of kernel-specific knowledge, which limits their ability to identify root causes and achieve fine-grained localization. We present CoHiKer, a novel LLM-based FL technique tailored to the Linux kernel. CoHiKer introduces two key innovations: (1) contrastive reasoning, which identifies root causes by analyzing the behavioral divergence between carefully mutated passing and failing test cases, and (2) hierarchical context analysis, which systematically narrows the localization scope from files to methods by integrating crash reports, syscall semantics, inter-file dependencies, and kernel-specific features. Unlike prior techniques that rely on static understanding and full-code input, CoHiKer decomposes the localization task and enables structured LLM prompting to reason semantically over meaningful contexts. We evaluate CoHiKer on an extended Linux kernel bug dataset against five state-of-the-art baselines. CoHiKer consistently outperforms all competitors, improving Top-1 localization accuracy by up to 26.07% at the file level and 56.85% at the method level over state-of-the-art LLM-based baselines, while achieving up to 8.84% and 28.9% reductions in token consumption, respectively. Furthermore, CoHiKer demonstrates strong generalizability on the non-kernel dataset, with comparable gains (15.5% and 5.3% in Top-1 at file and method levels).
• Abstract（参考訳）: Linuxカーネルのデバッグは、その膨大なコードベース、複雑なアーキテクチャ、低レベルのプログラミングの複雑さのために、依然として困難な課題である。 したがって、効率的なカーネルのデバッグとメンテナンスには、効果的なフォールトローカライゼーション(FL)が不可欠である。 既存のFL技術(従来型とLLMベースの両方)は汎用ソフトウェアでは有望であるが、カーネルのコンテキストには不適である。 特に、最近のLLMベースの技術は、しばしばバグレポートやソースコードをプレーンテキストとして扱い、カーネル固有の知識の深い統合が欠如している。 提案するCoHiKerは,Linuxカーネルに適したLLMベースのFL技術である。 CoHiKer氏は、(1)慎重に変更されたパスとフェールテストケース間の振る舞いのばらつきを分析し、根本原因を特定するコントラスト推論、(2)クラッシュレポート、syscallセマンティクス、ファイル間の依存関係、カーネル固有の特徴を統合することで、ファイルからメソッドへのローカライズ範囲を体系的に制限する階層的コンテキスト分析という2つの重要なイノベーションを紹介した。 静的理解と全コード入力に依存する従来の手法とは異なり、CoHiKerはローカライゼーションタスクを分解し、意味のあるコンテキストに対して意味論的に推論する構造化LDMを可能にする。 我々はCoHiKerを5つの最先端ベースラインに対して拡張Linuxカーネルバグデータセットで評価する。 CoHiKerは、すべての競合より一貫して優れており、Top-1のローカライゼーション精度はファイルレベルで26.07%、メソッドレベルでは56.85%向上し、それぞれ8.84%と28.9%のトークン消費を達成している。 さらに、CoHiKerは、ファイルやメソッドレベルでTop-1の15.5%と5.3%に匹敵するゲインを持つ非カーネルデータセットに対して強力な一般化性を示す。

関連論文リスト

• Outrunning LLM Cutoffs: A Live Kernel Crash Resolution Benchmark for All [57.23434868678603]
  Live-kBenchは、新たに発見されたカーネルバグのエージェントをスクラップし、評価するセルフ進化ベンチマークの評価フレームワークである。 kEnvは、カーネルのコンパイル、実行、フィードバックのためのエージェントに依存しないクラッシュ解決環境である。 kEnvを用いて3つの最先端エージェントをベンチマークし、最初の試行で74%のクラッシュを解決したことを示す。
  論文  参考訳（メタデータ） (2026-02-02T19:06:15Z)
• Towards Automated Kernel Generation in the Era of LLMs [17.69471168609145]
  カーネルエンジニアリングは時間がかかり、スケールできないプロセスです。 大規模言語モデル(LLM)やエージェントシステムの最近の進歩は、カーネル生成と最適化を自動化する新しい可能性を開いた。 フィールドは断片化され続けており、LLM駆動のカーネル生成の体系的な視点が欠如している。
  論文  参考訳（メタデータ） (2026-01-22T07:53:52Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
  大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。 本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。 LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
  論文  参考訳（メタデータ） (2025-11-03T03:20:26Z)
• Enhancing LLM-based Fault Localization with a Functionality-Aware Retrieval-Augmented Generation Framework [14.287359838639608]
  FaR-Locは、メソッドレベルの障害ローカライゼーションを強化するフレームワークである。 FaR-Locは、LLM機能抽出、Semantic Retrieval、LLM再ランクの3つの重要なコンポーネントで構成されている。 広く使われているDefects4Jベンチマーク実験により、FaR-Locは最先端のLCMベースライン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） (2025-09-24T20:37:11Z)
• Benchmarking and Enhancing LLM Agents in Localizing Linux Kernel Bugs [9.986455089493779]
  フォールトローカライゼーション(FL)は、ソフトウェアのバグのあるコード要素を特定することを目的としている。 最近のLLMエージェントは、SWE-benchのような最近のベンチマークでFLで有望な精度を達成した。 実世界のLinuxカーネルのバグから構築されたFLベンチマークであるLinuxFLBenchを紹介する。
  論文  参考訳（メタデータ） (2025-05-26T04:15:48Z)
• A Multi-Agent Approach to Fault Localization via Graph-Based Retrieval and Reflexion [8.22737389683156]
  従来のフォールトローカライゼーション技術は、広範なトレーニングデータセットと高い計算資源を必要とする。 大規模言語モデル(LLM)の最近の進歩は、コード理解と推論を強化することで、新たな機会を提供する。 LLM4FLは3つの特殊なLLMエージェントを利用するマルチエージェントの故障局所化フレームワークである。 14のJavaプロジェクトから675の障害を含むDefects4Jベンチマークで評価され、LLM4FLはAutoFLよりも18.55%、SoapFLより4.82%、Top-1の精度が18.55%向上した。
  論文  参考訳（メタデータ） (2024-09-20T16:47:34Z)
• Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
  マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。 本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。 実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-05T05:00:38Z)
• VELVET: a noVel Ensemble Learning approach to automatically locate VulnErable sTatements [62.93814803258067]
  本稿では,ソースコード中の脆弱な文を見つけるための新しいアンサンブル学習手法であるVELVETを提案する。 我々のモデルは、グラフベースとシーケンスベースニューラルネットワークを組み合わせて、プログラムグラフの局所的およびグローバル的コンテキストを捕捉する。 VELVETは、合成データと実世界のデータに対して、それぞれ99.6%と43.6%の精度を達成している。
  論文  参考訳（メタデータ） (2021-12-20T22:45:27Z)

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。