Infrared:一种元缺陷检测器
软件工程
2022-09-20 v1 人工智能
摘要
深度学习方法的近期突破引发了对基于学习的缺陷检测器的广泛兴趣。与传统的静态分析工具相比,这些缺陷检测器直接从数据中学习,因此更易于构建。另一方面,它们难以训练,需要大量不易获取的数据。在本文中,我们提出一种称为元缺陷检测的新方法,与现有的基于学习的缺陷检测器相比,它具有三个关键优势:缺陷类型通用(即能够捕获训练期间完全未观察到的缺陷类型)、自解释(即无需任何外部可解释性方法即可解释自身预测)以及样本高效(即所需训练数据远少于标准缺陷检测器)。我们的大量评估表明,我们的元缺陷检测器(MBD)能有效捕获多种缺陷,包括空指针解引用、数组越界、文件句柄泄漏,甚至并发程序中的数据竞争;在此过程中,MBD 还显著优于多个值得注意的基线,包括著名的静态分析工具 Facebook Infer 和最新的异常检测方法 FICS。
引用
@article{arxiv.2209.08510,
title = {Infrared: A Meta Bug Detector},
author = {Chi Zhang and Yu Wang and Linzhang Wang},
journal= {arXiv preprint arXiv:2209.08510},
year = {2022}
}