结合语言与应用程序UI分析以自动评估缺陷复现步骤

缺陷报告对于开发人员确认软件问题、调查其原因并验证修复至关重要。不幸的是，报告常常遗漏重要信息或表述不清，这可能导致延迟、增加问题解决的工作量，甚至无法解决问题。报告中最常见的问题组件之一是复现缺陷的步骤（S2Rs），这对于复现所描述的程序故障和推理修复方案至关重要。鉴于报告的S2Rs中普遍存在缺陷，先前的工作提出了辅助报告者编写或评估S2Rs质量的技术。然而，自动理解S2Rs具有挑战性，需要将微妙的自然语言短语与特定的、语义相关的程序信息联系起来。由于语言可变性问题以及从程序分析中获取信息的局限性，先前技术通常难以形成这种语言到程序的连接。为了更有效地解决S2R质量标注问题，我们提出了一种名为AstroBR的新技术，该技术利用大语言模型（LLMs）的语言理解能力，从缺陷报告中识别并提取S2Rs，并将其映射到通过动态分析导出的程序状态模型中的GUI交互。我们将AstroBR与相关的最先进方法进行了比较，发现AstroBR在S2Rs标注方面比基线方法好25.2%（以F1分数衡量）。此外，AstroBR建议的缺失S2Rs比基线方法更准确（以F1分数衡量，高出71.4%）。