AiDD研发数字峰会-北京站

出品人：刘逵

华为智能化软件工程技术专家

华为2012实验室智能化软件工程技术专家，CCF会员，CCF软件工程专委会委员。主要从事软件编码、软件测试、程序分析、代码检视等智能化软件工程工作，在软件工程领域发表高水平研究论文40余篇，其中CCF A类期刊/会议论文十多篇，曾任南京航空航天大学计算机科学与技术学院副教授，主持过国家自然科学基金面上项目一项，江苏省自然科学基金青年项目一项，参与国家重点研发计划项目两项，担任IEEE TSE、ACM TOSEM、EMSE、《软件学报》、ICSME、SANER等国际期刊/会议审稿人。

LLM助力缺陷定位与修复

本论坛聚焦于LLM在软件缺陷自动定位、修复或管理中的应用。讨论缺陷预测、智能缺陷检测、代码缺陷自动定位、自动化修复建议、缺陷修复优先级排序、持续集成中的缺陷管理等关键议题。通过分享LLM在缺陷识别、分析和修复过程中的实际应用，旨在提升软件质量保证的效率和准确性。

LLM助力缺陷定位与修复

李传艺

南京大学特聘研究员/助理教授

内容简介：

迄今为止，已有 40 多种采用不同错误修复策略的自动程序修复 (APR) 工具被设计出来。这些工具已被证明在对不同错误类别的有效性方面具有互补性。换句话说，通过组合现有工具，应该可以提高 APR 的整体错误修复性能。但简单地针对给定的错误调用所有可用的 APR 工具可能会导致 APR 执行以及补丁验证（通过昂贵的测试）的成本令人无法接受。因此，虽然组合现有工具很有吸引力，但它需要一种有效的策略来为特定缺陷筛选出最可能正确修复它的那个APR工具，以此实现通过最小成本修复尽可能多的缺陷，提升APR的实用性。针对这个问题，本研究提出了一个基于偏好的集成程序修复框架 (P-EPR)，旨在对用于修复不同错误的 APR 工具进行有效的排名。 P-EPR 是第一个非基于学习的 APR 集成方法，其创新之处在于利用修复模式作为对 APR 工具进行排序的主要知识来源，并通过动态更新工具能力的策略，使其能够立即利用新得出的修复结果并从中受益。实验结果表明，P-EPR 在灵活性和有效性方面都远远优于现有策略。

演讲提纲：

1、传统APR和基于LLM的自动程序修复研究现状；
2、APR集成研究和本研究工作的动机；
3、基于修复偏好的APR集成策略；
4、集成效果和讨论；
5、总结和展望。

听众受益：

1、了解并关注到通过集成策略能够进一步发挥现有APR和NPR的实用效果；
2、从基于学习的角度探究集成现有工具的策略。

主要研究方向为智能化软件技术，在 ACM TOSEM、IEEE TSC、软件学报、计算机学报和ICSE、ESEC/FSE、ASE、ACL、AAAI、 IJCAI等国内外重要学术期刊和会议发表论文60余篇，获授权专利6项。主持国家自然科学青年基金项目、CCF-华为胡杨林基金项目，以及华为、腾讯等企业创新项目10余项，成果研制了一系列智能化软件工具，落地应用于国产编程语言开发环境建设、国产操作系统生态建设等信创领域。作为国家重点研发计划课题骨干，在智能化软件技术支撑智慧法院建设方面取得系列成果并应用于中央政法委国家司法改革重点示范工程。曾获教育部-华为“智能基座”优秀教学资源奖励计划、首批线上线下混合式国家一流本科课程(排名第三)、南大-华为“智能基座”突出贡献奖等。

大语言模型时代的变异分析

王博

北京交通大学计算机与信息技术学院讲师/CCF专业会员

内容简介：

随着代码大模型的兴起，自动生成的代码将成为工程中不可避免的一部分。如何确保自动生成代码的质量，是软件测试与分析领域面临的新问题。变异测试是软件工程领域的基础方法之一，在软件测试和软件调试等方向发挥巨大作用。给定一个目标程序，变异分析系统地植入人造缺陷（即变异），编译后执行单元测试，通过观察原有测试检测出的变异比例度量单元测试的质量。对于未被检测出的变异，则提供了改进测试的方向。在测试质量度量上，变异测试被证明相比于覆盖更有优势。影响变异测试的核心是变异生成，即生成接近真实缺陷的变异。在大模型时代，代码大模型在优异的代码理解和生成能力上，生成在给定代码上下文下更接近真实缺陷的变异，从而提升变异分析的效果。

演讲提纲：
1、引言
1）代码大模型的兴起及其影响
2）代码自动生成和当前应用情况
3）自动生成代码的质量保证挑战
2、变异测试概述
1）变异测试简介
2）变异测试的基本概念
3）变异测试的理论基础
4）变异测试在软件工程中的作用
5）变异测试的优势
3、大模型时代的变异生成
1）生成接近真实缺陷的变异的重要性
2）变异生成对变异测试效果的影响
3）大模型的在变异生成上的能力探索
4、启发与展望
1）大模型时代变异测试的优势
2）变异测试在软件测试与调试中的未来发展

听众受益：
1、了解变异测试技术的基本原理和优势
2、掌握大模型赋能的变异生成方法及其在测试中的应用
3、获取提高自动生成代码质量的新思路和方法

北京交通大学计算机与信息技术学院讲师、硕士生导师，CCF专业会员、CCF系统软件专委执行委员、CCF开源发展委员会执行委员。分别于北京大学、中国科学技术大学和中南大学获得博士、硕士和学士学位。研究兴趣为软件测试与调试，已在ASE、ISSTA、TOSEM、软件学报等发表多篇论文。担任TSE、TOSEM、TDSC、EMSE、JSS、ASEJ、IET Software、JSME、软件学报等多个期刊审稿人，获得ISSTA 2017 杰出论文奖，全国大学生系统能力大赛优秀指导教师和北京市高校优质教案。

面向实用的自动程序修复

辛奇

武汉大学副教授

内容简介：

自动程序修复技术旨在无人为干预的情况下，自动修复软件漏洞，极大程度节约开发人员的时间和精力。尽管有着较好的潜在应用价值，当前的自动修复技术尚未在实际软件调试中发挥积极作用。这是由于它们大多依赖于较完备的测试用例集来制作修复补丁，有着较慢的修复速度，并且只能处理较简单的单位置漏洞。为推动更为实用的程序修复，以辅助开发人员有效完成软件调试，报告人将重点介绍几项近期研究工作：（1）基于IDE的交互式快速修复技术ROSE；（2）基于LLM的有效单位置漏洞修复；（3）面向多位置不可分割多位置漏洞修复调研。最后，报告人将给出面向实用的自动程序修复的思考和展望。

演讲提纲：
1、基于IDE的交互式快速修复技术ROSE
2、基于LLM的有效单位置漏洞修复
3、面向多位置不可分割多位置漏洞修复调研

听众受益：
1、了解如何利用自动修复技术辅助日常调试
2、了解如何使用LLM完成有效单位置漏洞修复
3、了解如何应对复杂多位置漏洞修复

武汉大学计算机学院副教授，博士生导师。长期从事软件工程领域的研究，方向为软件测试与调试、软件优化、程序分析。在相关领域发表论文20余篇。主持国家自然科学基金青年项目。入选湖北省创新人才计划，华为人才计划，获得过包括 ACM-Wuhan新星、武汉英才、武汉软件工程学会青年才俊等奖项。担任CCF系统软件专委会执行委员，ICSE、FSE等软件工程顶级会议PC成员，TSE、TOSEM等顶级期刊审稿人，以及AUSE期刊特刊编辑。

基于大语言模型的混合式缺陷修复技术探索

姜佳君

天津大学智能与计算学部副教授

内容简介：

软件缺陷自动修复技术长期以来一直是一个极具挑战性的任务，近年来得到了学术界和工业界的广泛关注。随着大语言模型（LLM）的快速发展，研究者开始探索将LLM应用于辅助缺陷自动修复，取得了显著的实验成果。然而，现有修复技术在LLM的应用方面仍处于探索阶段。特别是，项目特异性和领域知识的不足使得大语言模型难以生成完全正确的修复补丁。因此，如何进一步提升LLM在修复过程中的效果仍面临多重挑战。本报告将介绍我们在LLM指导缺陷修复方面的最新研究成果，结合了大语言模型的代码生成能力与传统软件分析的自适应补丁生成方法，以提升整体的修复效果。

演讲提纲：
1、基于LLM的缺陷自动修复技术现状
2、基于LLM自动修复技术的局限性
3、LLM自动修复技术效果提升技术探索
4、实验验证效果对比

听众受益：
1、LLM在缺陷修复上的实践效果
2、关于提升LLM在自动修复领域效果的探索

天津大学智能与计算学部副教授、硕士生导师，CCF专业会员、CCF软件工程专委执行委员。2020年毕业于北京大学获得博士学位，主要研究领域为软件测试与分析，包括软件缺陷自动定位、缺陷自动修复、深度学习系统调试和程序变换等。近五年，在软件工程领域国际旗舰会议和期刊上发表论文20余篇，获得ICSME21杰出论文奖。长期担任领域权威期刊的审稿人，包括TSE、TOSEM和EMSE等。受邀担任CCF-A类会议ASE、ISSTA、FSE、ICSE等国际顶会程序委员会成员。ISSTA19组织委员会成员、2022和2023年中国软件大会专刊编委。获得2022年中国电子学会自然科学奖一等奖。

AiDD峰会

K+峰会

联系我们