Please enable JavaScript.

Coggle requires JavaScript to display documents.

Reparación automática de código (Preguntas orientadoras (PO5 ¿Bajo que…

- - - - Failure: mal funcionamiento. comportamiento observado que es inaceptable.
      - Error: propagación incorrecta de un estado previo a la falla (sin ser detectado aún)
      - Fault: causa raíz del error (código incorrecto)
      - Bug: desviación entre el comportamiento esperado de la ejecución de un programa y el que actualmente presenta el programa.
        
        Tipo
        
        "Blunder"
        
        “hairest”
        
        Contiene
        
        Observador (Generalmente humano)
        
        Especificación
        
        Puede ser
        
        Implicita
        
        Ej: “se espera que el programa no falle en medio de su ejecución”
        
        Explicita
        
        Ejemplos
        
        4 more items...
        
        contiene
        
        Comportamiento (behavior)
        
        Ejecución del programa (run program)
      - Oraculo: Determina si el resultado de una ejecución es correcta
        
        se refiere a
        
        Expectativa
        
        Correctness
        
        Aceptabilidad
        
        relacionado con
        
        salidas del programa (si las hay)
        
        Especificaciones
        
        tipos
        
        Bug Oracle: detecta comportamientos inesperados.
        
        Regression Oracle: verifica que nuevos bugs no se hallan introducido en la reparación.
      - Reparación automática: “Transformación de un comportamiento inaceptable de la ejecución de un programa en un comportamiento aceptable de acuerdo a una especificación”, Martin Monperrus
        
        Técnicas de reparación apuntan a resolver un “bug class”
        
        Bug class:
        
        Familia de errores que tienen algo en común:
        
        Síntomas
        
        Causa raíz
        
        Misma solución
        
        Existen muchos Bug Class sin una definición clara.
        
        Oportunidad de investigación (Pero crear una taxonomía de errores o bugs es una tarea titánica que puede llevar varios años de trabajo)
        
        tipos
        
        Reparación conductual (behavioral repair): “Cambiar el comportamiento del programa bajo reparación, cambiando su código”
        
        Objetivo:Reparar errores en el programa sin romper el código y sin requerir intervención humana.
        
        características
        
        3 more items...
        
        tipos
        
        A nivel de Código Fuente
        
        A nivel de Código Binario (bytecodes)
        
        Reparación de estado: Tolerancia a fallos. Recuperación en tiempo de ejecución
- - - - Search-based
        
        Genetic Programing
        
        A novel fitness function for automated program repair based on source code checkpoints Propone una nueva función para mejorar la eficiencia en la busqueda de parches y la expresividad d(numero de reparaciones encontradas). Es un complemento para GenProg.
        
        Anti-patterns in search-based program repair Falta comentario
        
        Angelix: Scalable Multiline Program Patch Synthesis via Symbolic Analysis Propone Angelix, un nuevo método de reparación basado en reparación semantica y utiliza una restricción de reparación liviana llamada 'angelic forest'
        
        Better Code Search and Reuse for Better Program Repair Falta comentario
        
        SOSRepair: Expressive Semantic Search for Real-World Program Repair Falta Comentario
      - Constrains-based
        
        Satisfiability Modulo Theory (SMT) intro
        
        Semantic Program Repair Tesis de doctorado. Falta comentario
      - Learning-based
        
        Deep Learning, Deep Learning for Source Code Modeling and Generation: Models, Applications and Challenges LEER
        
        Neural Machine Transalation
        
        Neural Machine Transalation
        
        On Learning Meaningful Code Changes Via Neural Machine Translation Propone usar NMT para aprender como aplicar cambios de código automáticamente aprendiendo de pull request. Se hacen pares de código antes y despues del cambio que provee el pull request.
        
        An Empirical Study on Learning Bug-Fixing Patches in the Wild via Neural Machine Translation LEER: Usan MSR para crear un dataset de pares Bug-fix y usarlos para entrenar un NN usando técnicas de NMT (Encoder-decoder). Es un estudio empirico. Usan GumTree para detectar los cambios en el AST. Relación con Redundancy Assumption. Esta aproximación promete buenos resultados en APR. Se diferencia de las otros trabajos que usan learning-based repair ya que no es tan especifico en cuanto a la familia de bugs que repara y puede tener mejores resultados generalizando si se entrena con grandes conjuntos de datos.
        
        An empirical study on learning bug-fixing patches in the wild via neural machine translation Realiza un estudio empirico para valiar la posibilidad de usar Neural Machine Translation para aprender a reparar errores a partir de las historias de cambio de repositorios de GitHub para extraer código con errores y su correspondiente codigo corregido.
        
        CODIT: Code Editing with Tree-Based Neural Machine Translation Usa NMT para aprender automaticamente de repositorios opensource. Proponen CODIT: NMT basado en arboles. encoder-decoder para predecir cambios concretos. Cambios estructurales se representan en forma de modificaciones en AST.
        
        Neuro-symbolic program corrector for introductory programming assignments presenta un algoritmo para la reparación sintáctica del código fuente. Propone eluso de RNN para la reparación sintáctica, SYNFIX, luego usa técnicas basadas en restricciones para la síntesis del parche y asegurar el correctitud funcional, reparación semántica.
        
        seq2seq
        
        SEQUENCER: Sequence-to-Sequence Learning for End-to-End Program Repair LEER propone una técnica novedosa para ASR basada en seq2seq. Realiza las pruebas con el datasset Defect4J. Captura automaticamente un amplio rango de operadores de reparación sin necesidad de un diseño especifico de dominio:
        
        DeepFL: Integrating multiple fault diagnosis dimensions for deep fault localization Proponen DeepFL, una herramienta que utiliza DL para la localización de fallos
        
        LSTM
        
        Neural program repair by jointly learning to localize and repair LEER nueva arquitectura que usa un pointer network sobre una RNN que localiza y repara VarMisuse. Jointly learning: clasifica el programa si es correcto/incorrecto (respecto a VarMisuse), localiza el bug, luego repara el bug.
        
        Learning to Encode and Classify Test Executions Problema del oráculo de pruebas, depende determinar si la ejecución de una prueba es correcta, depende de fuertemente de la existencia de un conjunto de pruebas. Una alternativa es la generación de oraculos a partir de especificaciones formales: requiere un alto nivel de conocimiento. Usar DL puede ser mas barato.
        
        GRU
        
        DeepCoder: Learning to write programs LEER Combina redes neuronales con SMT para la síntesis de parches. Hace un aporte interesante pero los resultados aún no son muy prometedores. Los programas que puede sintetizar son muy sencillos y no puede resolver problemas suficientemente complejos como los que aparecen en las competiciones de programación.
        
        SEMANTIC CODE REPAIR USING NEURO-SYMBOLIC TRANSFORMATION NETWORKS LEER Reparación semantica de codigo, desarrolla modelo estadistico para predecir la localización del bug y su reperación sin acceso a información sobre la intención del correcto funcionamiento del programam. Entrenamiento con base de codigo real aumentado sinteticamente (con bugs). Usa RNN sobre AST. Trabaja sobre Python. Presenta una nueva arquitectura de ANN: SSC, muestra buenos resultados respecto a seq2seq.
        
        GAN
        
        Learning to repair software vulnerabilities with generative adversarial networks LEER Este articulo propone el uso de GAN para la reparación de vulnerabilidades. Esta aproximación no requiere pares etiquetados como seq2seq. Se refiere al Neural Machine Translation (que usa RNN encoder-decoder) y sus limitaciónes radican en la dificultad de encontrar pares 1 a 1 de código con error/ código corregido en los datasets etiquetados. Resultados embeddings aprendidos de abstracciones semanticas producen cerca del triple de precisión que aquellas aprendidas (principalmente) de abstracciones sintacticas.
        
        Deep Reforcement Learning
        
        Deep Reinforcement Learning for Syntactic Error Repair in Student Programs Propone el uso e Deep Reinforcement Learning para la reparación automática. Reparación sintactica. RLAsistant, Usa LSTM
        
        Deep learning code fragments for code clone detection Falta Comentario
        
        embeddings
        
        doc2vec & BERT
        
        Utilizing Source Code Embeddings to Identify Correct Patches Falta Comentario
        
        Learning Blended, Precise Semantic Program Embeddings LEER propone una nueva arquitectura de DL, LiGer, la cual aprende representaciones de los programas a partir de una mezcla de trazas de ejecución simbolicas y concretas.
        
        Code vectors: Understanding programs through embedded abstracted symbolic traces Propoen usar abstracciones de las trazas obtenidas de la ejecución de un programa como una representación para el aprendizaje de word embedding.
        
        Code2Vec: Learning Distributed Representations of Code LEER Presenta una aplicación de word2vec para la representación de snippets de código fuente como ua serie de vectores de longitud fija distribuidos continuamente llamados 'code embeddings'.
        
        Sorting and Transforming Program Repair Ingredients via Deep Learning Code Similarities LEER Suposición de redundancia: afirma que en programas muy grandes contienen la semilla de sus propia reparación. Uso de de code similarities para priorizar y transformar porciones de codigo para generar parches. Construyen DeepReapair que usa DL para razonar sobre las similitudes de código. Lo comparan con jGenProg. Resultados, aúnque no se encontraron mejora en la cantidad de parches encontrados respecto a la linea base, pero si encontraron una mejora en la calidad de los parches.
        
        Modelos Probabilisticos
        
        Automatic patch generation by learning correct code MIT, PROPHET, Falta comentario
        
        Automatic Patch Generation via Learning from Successful Human Patches
        MIT, GENESIS, Falta comentario
        
        Using a probabilistic model to predict bug fixes PO1: En este articulo usan mineria de repositorios para crear un modelo probabilistico que permita elegir entre un rango de operadores de mutación a partir de las ediciones realizadas por seres humanos, infiriendo las 'reglas' que estos usan. Muestra resultados favorables frente a operadores de mutación del estado del arte, siendo esta una aproximación que ofrece resultados mas rapido y de mejor calidad.
        Usan GumTree para determinar los cambios en el AST
        
        Gated Graph Neural Networks (GGNN)
        
        Learning to represent programs with graphs Falta Link, Falta comentario
      - Pattern-based
        
        AVATAR: Fixing Semantic Bugs with Fix Patterns of Static Analysis Violations pattern-based patch generation, muestra mejores resultados que los metodos basados en mutaciones (programación genetica). Crear datasets para el entrenamiento puede ser dificil AVATAR es un sistema que explota patrones de reparación de violaciones descubiertas en analisis de codigo estatico. Usa estas violaciones como ingredientes para la generación de parches. La pertinencia (correctness) de los parches generados es una barrera para la adopción de sistemas de reparación de código automaticos.
      - redundancy-based
    - - open-source :<3:
        
        Refactorización a nivel de compilador para C/C++
        
        Angelix
        
        Nopol, Spoon, JAVA
        
        Astor Spoon, JAVA
        
        GenProg
        
        Todos
        
        Getafix
        
        PyBowler Python
        
        Code2Vec deep learning
      - SYNFIX
      - PROPHET
      - DeepFL
      - LiGER
      - DeepRepair
      - SapFix SapFix, es una combinación de varias técnicas del estado del arte como pruebas por mutaciones, search-based software testing y localización de fallas, como los casos de prueba diseñados por los desarrolladores.
      - AVATAR
      - GumTree Herramienta para determinar diferencias en el AST
    - - Localización de Fallas (fault localization)
      - BOTs
        
        Towards an autonomous bot for automatic source code refactoring Falta comentario
        
        How to design a program repair bot?: Insights from the repairnator project LEER Ofrece una metodologia para la creación de bots reparadores de codigo y su integración con pipelines de devops y procesos de integración continua. No es novedoso en cuanto a la sintesis de parches: usa NOPOL, ASTOR y NPEFix
      - Mining Software Repositories
        
        Generar dataset
        
        Validación técnica ASR/APR
        
        Defexts: A Curated Dataset of Reproducible Real-World Bugs for Modern JVM Languages
        
        Automatic repair of real bugs in java: a large-scale experiment on the defects4j dataset
        
        Entrenamiento (learning-based)
        
        Mutantes
        
        Learning How to Mutate Source Code from Bug-Fixes Falta comentario
        
        Syntax and Stack Overflow: A Methodology for Extracting a Corpus of Syntax Errors and Fixes
        
        FixMiner: Mining relevant fix patterns for automated program repair Falta comentario
      - Generación/Síntesis de parches
        
        Reparación Semantica
        
        Reparación Sintactica
      - Production-Driven Patch Generation propone un concepto original para la generación de parches: generarlos en producción tomando como insumo para la reparación el contexto (trafico de producción) de la falla.
      - Sugestión de Parches/IDE
        
        DeepVS: an efficient and generic approach for source code modelling usage Es una aproximación que usa la tecnicas de tipo learning-based, especificamente en el deep learning. Usa modelos pre-entrenados y servicios en la nube centralizados para complementar los modelos online que se ejecutan en el IDE. Es una alternativa al uso de Bots que esten integrados directamente en el pipeline.
  - - - AVATAR: Fixing Semantic Bugs with Fix Patterns of Static Analysis Violations Falta comentario
    - - Deep learning code fragments for code clone detection
        Detección de codigo duplicado, para mejorar el mantenimiento y evolución del software. Modelos actuales detectan identificadores o estructura pero no ambos. Propone el uso DL. Muestra resultados positivos para la detección de código frente a las técncas orientadas a la estructura.
      - DeepFL: Integrating multiple fault diagnosis dimensions for deep fault localization Proponen DeepFL, una herramienta que utiliza DL para la localización de fallos. basado en varios dimensiones de las caracteristicas. Las pruebas las realizaron con Defects4J. Esta herramienta muestra mejores resultados que las herramientas existentes basadas en el algortimo learning-to-rank.
      - Learning to Encode and Classify Test Executions Reto de detectar automaticamente la 'correctness' de la ejecución de las pruebas: 'problema del oráculo de pruebas'. Este articulo intenta resolverlo. Usa ANN para distinguir entre logs de ejecución de pruebas exitosos o fallidos. Realizan pruebas con aplicaciones de diferentes dominios y obtienen resultados positivos usando la ANN como oraculo de pruebas. LSTM, one-hot encoders, MLP.
      - Code2Vec: Learning Distributed Representations of Code para la representación de snippets de código fuente Prueban la efectividad de esta técnica tratando de predecir el nombre de un método a partir del cuerpo. Logra capturar similitudes semánticas, combinaciones o analogías.
  - - - SquaresLab
      - SEAL
      - ETH Zurich: Advanced Software Technologies (AST)
      - Microsoft Deep Program Understanding
      - NUS@Program Repair
      - MIT CSAIL Automatic Patch Generation
      - SpoonLabs
    - - Le Goues, Claire SquareLabs, GenProg
      - Monperrus, Martin Nopol, Astor
      - Marc Brockschmidt MS Deep Program Understanding
        
        Miltos, Allamanis
      - Prof. Zhendong Su ETH AST
        
        Ke Wang
      - Aditya Kanade SEAL
      - Martin C. Rinard MIT CSAIL APG
        
        Fan Long Prophet, Genesis
      - Abhik Roychoudhury NUS, Angelix, Relifix, Semfix
        
        Sergey Mechtaev Semfix
    - - International Conference on Learning Representations
      - International Workshop on
        Bots in Software Engineering
      - INTERNATIONAL WORKSHOP ON INTELLIGENT BUG FIXING
      - International Workshop on Automated Program Repair