Инструментальное средство для выявления пропущенных вызовов библиотеки OpenGL с использованием методов машинного обучения

Скрипачев, Антон Михайлович Кафедра информатики
Бесплатно
В избранное
Работа доступна по лицензии Creative Commons:«Attribution» 4.0

Введение…………………………………………………………………………………………………….. 6

1 Анализ методов и средств обеспечения надежности программ ……………………. 8

1.1 Надежность программного обеспечения ………………………………………………… 8

1.2 Ошибки в ПО …………………………………………………………………………………….. 12

1.3 Методы обеспечения надежности программного обеспечения ………………. 16

1.3.1 Тестирование ПО …………………………………………………………………………… 16

1.3.2 Статический анализ кода ………………………………………………………………… 18

1.4 Анализ существующих решений …………………………………………………………. 21

1.4.1 Система DMMC …………………………………………………………………………….. 21

1.4.2 Система PR-Miner ………………………………………………………………………….. 23

1.5 Предлагаемое решение ……………………………………………………………………….. 25

2 Разработка алгоритма статистического анализа для поиска пропущенных
вызовов функций на основе методов машинного обучения ………………………….. 27

2.1 Общая схема работы системы ……………………………………………………………… 27

2.2 Нейронные сети …………………………………………………………………………………. 31

2.2.1 Общая информация о нейронных сетях …………………………………………… 31

2.2.2 Виды нейронных сетей …………………………………………………………………… 37

2.2.3 Выбор вида нейронной сети ……………………………………………………………. 38

2.3 Рекуррентные нейронные сети…………………………………………………………….. 38

2.3.1 LSTM ……………………………………………………………………………………………. 39

2.3.2 GRU ……………………………………………………………………………………………… 40

2.3.3 Выбор вида рекуррентной нейронной сети ………………………………………. 40

2.4 Механизм нейронной сети ………………………………………………………………….. 41
3 Программная реализация инструмента для поиска пропущенных вызовов
функций ……………………………………………………………………………………………………. 42

3.1 Используемые программные средства …………………………………………………. 42

3.1.1 Qt ………………………………………………………………………………………………….. 42

3.1.2 LLVM……………………………………………………………………………………………. 44

3.1.3 SQLite …………………………………………………………………………………………… 45

3.1.4 Keras……………………………………………………………………………………………… 46

3.2 Разработка нейронной сети с использованием Keras …………………………….. 48

3.3 Разработка графического-пользовательского интерфейса ……………………… 60

3.4 Апробация инструмента для поиска пропущенных вызовов функций ……. 64

Заключение ………………………………………………………………………………………………. 67

Список использованных источников ………………………………………………………….. 68

Программное обеспечение (ПО) вычислительных систем со временем
становится труднее разрабатывать. Для упрощения разработки ПО создаются
библиотеки функций, скрывающие сложность за программным интерфейсом.
При использовании сторонних библиотек программисты зачастую применяют
некоторые готовые решения — шаблоны, полученные из ресурсов интернета и
литературы. При этом начинающие программисты имеют тенденцию пропускать
различные части данных шаблонов при реализации собственных приложений.
Помимо этого, проблемы, связанные с пропущенными вызовами, встречаются в
обсуждениях на форумах, в отчетах об ошибках, в коммитах и в исходном коде.
Из этого следует, что пропущенные вызовы функций могут быть источником
дефектов программного обеспечения, которые нелегко обнаружить без
вспомогательных инструментов.
В данной работе представлена гипотеза о том, что большинство подобных
готовых решений содержат повторяющиеся шаблоны. Более того, данные
шаблоны могут быть использованы для построения моделей, способных
предсказать наличие (либо отсутствие) недостающих вызовов определенных
библиотечных функций с использование машинного обучения.
Научная новизна заключается в применении нейронной сети, основанной
на управляемом рекуррентном блоке, для поиска пропущенных вызовов
библиотечных функций, что существенно отличается от имеющихся методов и
средств решения задач данного класса.

В ходе данной работы был произведен обзор существующих решений по
поиску пропущенных вызовов функций. По результатам обзора было
определено, что на данный момент в открытых источниках не существует
инструментальных средств для поиска пропущенных вызовов функций.
Предложено в качестве метода машинного обучения для решения задачи
поиска пропущенных вызовов использование рекуррентных нейронных сетей на
основе управляемого рекуррентного блока.
На основе примеров исходного кода были сформированы обучающая и
тестовая выборка. Была разработана и обучена модель искусственной нейронной
сети и подобраны оптимальные параметры модели. На основе построенной
модели был разработано и протестировано инструментальное средство для
поиска пропущенных вызовов.
На основании полученных результатов была опровергнута гипотеза о
возможности решения задачи поиска пропущенных вызовов как задачи
многоклассовой классификации из-за низкой точности получаемых результатов
– 52,1 %. Однако, при рассмотрении не одного, а первых четырех результатов
модели точность является приемлемой – 83,2 %.
Возможные направления улучшения разработанного инструментального
средства:
– функция дообучения модели на основании корректировок от
пользователя;
– указание директории для анализа присутствующих в ней файлов в режиме
online;
– организация единого сервера с развернутой моделью искусственной
нейронной сети для централизации процесса дообучения;
– обнаружения нескольких пропущенных вызовов функций.

1 Карпович, Е. Е. Методология разработки программного обеспечения:
электронное пособие / Е. Е. Карпович. – Москва : Центр дистанционного
обучения. НИТУ «МИСиС», 2015. – 80 с.
2 Дроботун, Е. Б. Надежность программного обеспечения. виды и
критичность ошибок / Е. Б. Дроботун // Информационно-вычислительные
технологии в науке / Военная академия воздушно – космической обороны. –
Тверь. – 2009. – С. 55–59.
3 Ковалев, И. В. Анализ проблем в области исследования надежности
программного обеспечения: многоэтапность и архитектурный аспект / И. В.
Ковалев // Вестник СибГАУ. – 2014. – № 3. – С. 78–92.
4 Липаев, В. В. Программная инженерия. Методологические основы / В. В.
Липаев. – Москва : ТЕИС, 2006. – 605 с.
5 ГОСТ 27.002-2015. Надежность в технике. Основные понятия. Термины
и определения. – Введ. 01.03.2015. – Москва : Стандартинформ, 2015. – 23 с.
6 ГОСТ 19.004-80. ЕСПД. Термины и определения. – Введ. 01.07.1981. –
Москва : Стандартинформ, 1981. – 3 с.
7 Королев, А. Подсчет себестоимости часа разработки программного
обеспечения [Электронный ресурс] // Хабр. – Москва, 2015. – Режим доступа:
https://habr.com/ru/post/256537.
8 Якимов, И. А. Оптимизация читаемости порождаемых при символьных
вычислениях тестов / И. А. Якимов, А. С. Кузнецов, А. М. Скрипачев //
Сибирский журнал науки и технологий. – 2019. – Т. 20, № 1. – С. 35–41.
9 Макконнелл, С. Совершенный код. Практическое руководство по
разработке программного обеспечения / C. Макконнелл. Пер. с англ. – Москва :
Издательство «Русская редакция», 2010. – 896 c.
10 Martin Monperrus. Detecting Missing Method Calls in Object-Oriented
Software / Martin Monperrus, Marcel Bruch, Mira Mezini // Proceedings of the 24th
European Conference on Object-Oriented Programming. – 2010. – P. 25–28.
11 Zhenmin Li. PR-Miner: Automatically Extracting Implicit Programming
Rules and Detecting Violations in Large Software Code / Zhenmin Li, Yuanyuan Zhou
// European Software Engineering Conference and the ACM SIGSOFT Symposium on
the Foundations of Software Engineering. – 2005. – P. 10.
12 Флах, П. Машинное обучение. Наука и искусство построения
алгоритмов, которые извлекают знания из данных / П. Флах. Пер. с англ. –
Москва : Издательство «ДМК-Пресс», 2015. – 400 c.
13 Gösta Grahne. Efficiently Using Prefix-trees in Mining Frequent Itemsets /
Gösta Grahne, Jianfei Zhu // International Conference on Database and Expert Systems
Applications. – 2012. – P. 453–476.
14 Айвазян, С. А. Прикладная статистика: классификация и снижение
размерности / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин. –
Москва : Финансы и статистика. 1989. – 607 c.
15 Бринк Х. Машинное обучение / Х. Бринк, М. Феверолф, Д. Ричардс. Пер.
с англ. – Санкт-Петербург : Издательство «Питер», 2017. – 336 c.
16 ГОСТ 19.701-90. ЕСПД. Схемы алгоритмов, программ, данных и
систем. Обозначения условные и правила выполнения. – Введ. 01.01.1992. –
Москва : Стандартинформ, 1992. – 22 с.
17 Николенко, С. И. Глубокое обучение. Погружение в мир нейронных
сетей / С. И. Николенко, Е. В. Архангельская, А. А. Кадурин. – Санкт-Петербург
: Издательство «Питер», 2018. – 480 c.
18 Якимов, И. А., Поиск недостающих вызовов библиотечных функций с
использованием машинного обучения / И. А. Якимов, А. С. Кузнецов // Труды
ИСП РАН. – 2017. – Т. 29, № 6. – С. 117–134.
19 Qt | Cross-platform software development for embedded & desktop / The Qt
company // Qt Group [сайт]. – Helsinki, 2019. – Режим доступа: https://www.qt.io.
20 The LLVM Compiler Infrastructure [Электронный ресурс] : сайт содержит
полную информацию о продукте LLVM. – Режим доступа: https://llvm.org.
21 SQLite Home Page [Электронный ресурс] : сайт содержит полную
информацию о системе управления базами данных SQLite. – Режим доступа:
https://www.sqlite.org/index.html.
22 Keras: The Python Deep Learning library : сайт содержит информацию об
открытой нейросетевой библиотеке Keras. – Режим доступа: https://keras.io.
23 Hale, J. Deep Learning Framework Power Scores 2018 [Электронный
ресурс] / J. Hale // Medium. – San Francisco, 2018. – Режим доступа:
https://towardsdatascience.com/deep-learning-framework-power-scores-2018-
23607ddf297a.
24 OpenGL – GLUT Program Sample Code [Электронный ресурс] : архив
содержит примеры исходного кода с использованием библиотеки OpenGL. –
Режимдоступа:
https://www.opengl.org/archives/resources/code/samples/glut_examples/examples/ex
amples.html.

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям

    Нажимая на кнопку, я соглашаюсь на обработку персональных данных и с правилами пользования Платформой

    Хочешь уникальную работу?

    Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

    Родион М. БГУ, выпускник
    4.6 (71 отзыв)
    Высшее экономическое образование. Мои клиенты успешно защищают дипломы и диссертации в МГУ, ВШЭ, РАНХиГС, а также других топовых университетах России.
    Высшее экономическое образование. Мои клиенты успешно защищают дипломы и диссертации в МГУ, ВШЭ, РАНХиГС, а также других топовых университетах России.
    #Кандидатские #Магистерские
    108 Выполненных работ
    Катерина М. кандидат наук, доцент
    4.9 (522 отзыва)
    Кандидат технических наук. Специализируюсь на выполнении работ по метрологии и стандартизации
    Кандидат технических наук. Специализируюсь на выполнении работ по метрологии и стандартизации
    #Кандидатские #Магистерские
    836 Выполненных работ
    Шагали Е. УрГЭУ 2007, Экономика, преподаватель
    4.4 (59 отзывов)
    Серьезно отношусь к тренировке собственного интеллекта, поэтому постоянно учусь сама и с удовольствием пишу для других. За 15 лет работы выполнила более 600 дипломов и... Читать все
    Серьезно отношусь к тренировке собственного интеллекта, поэтому постоянно учусь сама и с удовольствием пишу для других. За 15 лет работы выполнила более 600 дипломов и диссертаций, Есть любимые темы - они дешевле обойдутся, ибо в радость)
    #Кандидатские #Магистерские
    76 Выполненных работ
    Логик Ф. кандидат наук, доцент
    4.9 (826 отзывов)
    Я - кандидат философских наук, доцент кафедры философии СГЮА. Занимаюсь написанием различного рода работ (научные статьи, курсовые, дипломные работы, магистерские дисс... Читать все
    Я - кандидат философских наук, доцент кафедры философии СГЮА. Занимаюсь написанием различного рода работ (научные статьи, курсовые, дипломные работы, магистерские диссертации, рефераты, контрольные) уже много лет. Качество работ гарантирую.
    #Кандидатские #Магистерские
    1486 Выполненных работ
    Татьяна П.
    4.2 (6 отзывов)
    Помогаю студентам с решением задач по ТОЭ и физике на протяжении 9 лет. Пишу диссертацию на соискание степени кандидата технических наук, имею опыт годовой стажировки ... Читать все
    Помогаю студентам с решением задач по ТОЭ и физике на протяжении 9 лет. Пишу диссертацию на соискание степени кандидата технических наук, имею опыт годовой стажировки в одном из крупнейших университетов Германии.
    #Кандидатские #Магистерские
    9 Выполненных работ
    Ксения М. Курганский Государственный Университет 2009, Юридический...
    4.8 (105 отзывов)
    Работаю только по книгам, учебникам, статьям и диссертациям. Никогда не использую технические способы поднятия оригинальности. Только авторские работы. Стараюсь учитыв... Читать все
    Работаю только по книгам, учебникам, статьям и диссертациям. Никогда не использую технические способы поднятия оригинальности. Только авторские работы. Стараюсь учитывать все требования и пожелания.
    #Кандидатские #Магистерские
    213 Выполненных работ
    Татьяна Б.
    4.6 (92 отзыва)
    Добрый день, работаю в сфере написания студенческих работ более 7 лет. Всегда довожу своих студентов до защиты с хорошими и отличными баллами (дипломы, магистерские ди... Читать все
    Добрый день, работаю в сфере написания студенческих работ более 7 лет. Всегда довожу своих студентов до защиты с хорошими и отличными баллами (дипломы, магистерские диссертации, курсовые работы средний балл - 4,5). Всегда на связи!
    #Кандидатские #Магистерские
    138 Выполненных работ
    Анна Н. Государственный университет управления 2021, Экономика и ...
    0 (13 отзывов)
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уни... Читать все
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уникальности с нуля. Все работы оформляю в соответствии с ГОСТ.
    #Кандидатские #Магистерские
    0 Выполненных работ
    Рима С.
    5 (18 отзывов)
    Берусь за решение юридических задач, за написание серьезных научных статей, магистерских диссертаций и дипломных работ. Окончила Кемеровский государственный универси... Читать все
    Берусь за решение юридических задач, за написание серьезных научных статей, магистерских диссертаций и дипломных работ. Окончила Кемеровский государственный университет, являюсь бакалавром, магистром юриспруденции (с отличием)
    #Кандидатские #Магистерские
    38 Выполненных работ

    Другие учебные работы по предмету

    Интеллектуальный анализ текстовых данных с rnприменением методов машинного обучения
    📅 2019год
    🏢 Национальный исследовательский Томский политехнический университет (ТПУ)