ترجمه فارسی مقاله یادگیری پیش‌بینی اجرای برنامه با مدل‌سازی وابستگی پویا روی گراف‌های کد

چکیده

Predicting program behavior without execution is a crucial and challenging task in software engineering. Traditional models often struggle to capture the dynamic dependencies and interactions within code. This paper introduces a novel machine learning-based framework called CodeFlow, designed to predict code coverage and detect runtime errors through Dynamic Dependencies Learning. By utilizing control flow graphs (CFGs), CodeFlow represents all possible execution paths and the relationships between different statements, providing a comprehensive understanding of program behavior. CodeFlow constructs CFGs to depict execution paths and learns vector representations for CFG nodes, capturing static control-flow dependencies. Additionally, it learns dynamic dependencies through execution traces, which reflect the impacts among statements during execution. This approach enables accurate prediction of code coverage and effective identification of runtime errors. Empirical evaluations demonstrate significant improvements in code coverage prediction accuracy and effective localization of runtime errors, outperforming existing models.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی رفتار برنامه بدون اجرای یک کار مهم و چالش برانگیز در مهندسی نرم افزار است.مدل های سنتی اغلب برای ضبط وابستگی های پویا و تعامل در کد تلاش می کنند.در این مقاله یک چارچوب مبتنی بر یادگیری ماشین جدید به نام CodeFlow ، طراحی شده برای پیش بینی پوشش کد و تشخیص خطاهای زمان اجرا از طریق یادگیری وابستگی پویا ارائه شده است.با استفاده از نمودارهای کنترل جریان (CFG) ، CodeFlow تمام مسیرهای اجرای احتمالی و روابط بین بیانیه های مختلف را نشان می دهد ، و درک کاملی از رفتار برنامه ارائه می دهد.CodeFlow CFG ها را برای نشان دادن مسیرهای اجرای ساخته شده و بازنمایی بردار را برای گره های CFG می آموزد ، و وابستگی های جریان کنترل استاتیک را ضبط می کند.علاوه بر این ، وابستگی های پویا را از طریق آثار اجرا می آموزد ، که منعکس کننده تأثیرات بیانیه ها در هنگام اجرای است.این رویکرد پیش بینی دقیق پوشش کد و شناسایی مؤثر خطاهای زمان اجرا را امکان پذیر می کند.ارزیابی های تجربی پیشرفت های قابل توجهی در دقت پیش بینی پوشش کد و بومی سازی مؤثر خطاهای زمان اجرا ، بهتر از مدل های موجود را نشان می دهد.