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

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

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.