Adaptive semantic structural fault localization at statement level using reinforcement learning

Aqsa

doi:10.1038/s41598-026-68091-8

Adaptive semantic structural fault localization at statement level using reinforcement learning

2026-08-27

0

OA

AI

DOI：10.1038/s41598-026-68091-8

原文链接

查看原文

摘要

En 中文

软件故障定位对于减少调试工作量至关重要，但当前许多文献仍局限于关注单一主要证据来源和细粒度定位场景。基于谱的技术在利用测试执行行为方面非常高效，但在故障在结构相关语句间传播或当缺陷提供的词法线索同时存在于缺陷相关的文本和源代码工件中时，性能往往较差。为克服此局限，本研究提出RLSFLoc，这是一种基于强化学习的语义结构框架，用于语句级别的故障定位。所提出的框架结合了三种证据流：基于通过和失败测试的执行基可疑度、基于程序关系的结构依赖关系细化，以及基于缺陷相关文本工件和程序实体的语义相关性计算。RLSFLoc不使用固定权重来融合这些信号，而是采用基于近端策略优化的自适应融合策略，以在各种定位场景中学习上下文敏感的权重。该框架在Defects4J v3.0.1（包含854个活跃缺陷和语句级定位设置）上进行了评估。实验结果表明，RLSFLoc相较于对比方法表现出高性能，具有48.7%的Top-1准确率、0.612的MRR、0.587的MAP以及最低的EXAM分数0.184。此外，所提出的方法最小化了检查工作量，并确保性能（在不同项目间保持一致）未受影响。总体而言，结果表明，在细粒度级别成功且实用地定位软件故障的关键在于自适应地整合执行基、结构性和语义证据。

Adaptive semantic structural fault localization at statement level using reinforcement learning

摘要

AI总结

期刊

机构

引用论文