基于 LLM 的资源导向意图推断提升静态资源泄漏检测
流体动力学
2025-02-11 v1
摘要
资源泄漏由获取资源后未释放引起，常导致性能问题与系统崩溃。现有静态检测技术依赖对预定义资源获取/释放 API 和空值检查条件的机械匹配来发现未释放资源，存在（1）因预定义资源获取/释放 API 不完整导致的漏报，以及（2）因资源可达性验证识别不完整导致的误报。为克服这些挑战，我们提出 InferROI，一种利用大语言模型（LLM）卓越的代码理解能力直接推断代码中资源导向意图（获取、释放与可达性验证）的新方法。InferROI 首先提示 LLM 推断给定代码片段涉及的意图，然后结合两阶段静态分析方法，基于推断意图检查控制流路径以检测资源泄漏。我们在资源导向意图推断与资源泄漏检测两方面评估了 InferROI 的有效性。在 DroidLeaks 和 JLeaks 数据集上的实验结果表明，InferROI 取得了可观的缺陷检测率（59.3% 和 62.5%）与误报率（18.6% 和 19.5%）。与三种工业级静态检测器相比，InferROI 在 DroidLeaks 和 JLeaks 中分别多检测出 14~45 和 149~485 个缺陷。应用于真实开源项目时，InferROI 识别出 29 个未知资源泄漏缺陷（经作者验证），其中 7 个被开发者确认。此外，消融研究结果强调了将基于 LLM 的推断与静态分析相结合的必要性。
引用
@article{arxiv.2311.04447,
title = {In vitro evaluation of solution-based pressurised metered dose inhaler sprays with low GWP propellants},
author = {Daniel Duke and Lingzhe Rao and Benjamin Myatt and Phil Cocks and Nirmal Marasini and Hui Xin Ong and Paul Young},
journal= {arXiv preprint arXiv:2311.04447},
year = {2025}
}
备注
23 pages single-spaced, 10 figures