Khái niệm cốt lõi
Eine verbesserte Graphrepräsentation des Codes, die Aufrufabhängigkeiten und Codeänderungen berücksichtigt, kann die Genauigkeit und Skalierbarkeit der Fehlerortung auf Basis von Graph-Neuronalen-Netzen deutlich erhöhen.
Tóm tắt
Die Studie präsentiert DepGraph, eine neue Technik zur Fehlerortung auf Basis von Graph-Neuronalen-Netzen. DepGraph erweitert den Graphen zur Coderepräsentation, indem es Aufrufabhängigkeiten zwischen Methoden und Informationen zu Codeänderungen integriert.
Die Kernpunkte sind:
- Konstruktion eines "Dependency-Enhanced Coverage Graph", der die Aufrufbeziehungen zwischen Methoden abbildet und so die Ausbreitung von Fehlern besser erfasst. Dieser Graph ist 70% kompakter als der in vorherigen Ansätzen verwendete Graph.
- Integration von Informationen zu Codeänderungen (Code Churn, Methodenmodifikationen) als Knotenattribute im Graph. Dies erweitert die Repräsentation um historische Projektdaten.
- Evaluation auf dem Defects4J Benchmark mit 675 realen Fehlern. DepGraph übertrifft den vorherigen Spitzenreiter Grace um 20% bei Top-1 Genauigkeit und verbessert die mittlere Rangfolge (MFR, MAR) um über 50%.
- DepGraph reduziert den GPU-Speicherverbrauch um 44% und die Trainings-/Inferenzzeit um 85% im Vergleich zu Grace.
- In Kreuzprojekt-Szenarien übertrifft DepGraph den Spitzenreiter Grace deutlich, mit 42% höherer Top-1 Genauigkeit und 68%/65% Verbesserung bei MFR und MAR.
Die Ergebnisse zeigen, dass die erweiterte Graphrepräsentation und die Integration zusätzlicher Informationen die Leistungsfähigkeit von GNN-basierten Fehlerortungstechniken deutlich steigern können.
Thống kê
Die Methode unescape() wird von 1 fehlgeschlagenen Testfall abgedeckt.
Die Methode LookupEntityMap.mapValueToName hat einen Code Churn von 10 Zeilen und wurde 3 Mal modifiziert.
Die Methode PrimitiveEntityMap.mapValueToName hat einen Code Churn von 15 Zeilen und wurde 5 Mal modifiziert.
Trích dẫn
"DepGraph kann 20% mehr Fehler in Top-1 lokalisieren und die mittlere Rangfolge (MFR, MAR) um über 50% verbessern, während der GPU-Speicherverbrauch um 44% und die Trainings-/Inferenzzeit um 85% reduziert werden."
"In Kreuzprojekt-Szenarien übertrifft DepGraph den Spitzenreiter Grace deutlich, mit 42% höherer Top-1 Genauigkeit und 68%/65% Verbesserung bei MFR und MAR."