从源代码的控制流图中学习特性以定位缺陷

原文标题：The fowing nature matters: feature learning from the control fow graph of source code for bug localization
原文作者：Yi-Fan Ma, Ming Li
发表期刊：Machine Learning
原文链接：https://link.springer.com/article/10.1007/s10994-021-06078-4
笔记作者：zhanS@SecQuan
笔记小编：cherry@SecQuan

缺陷定位在软件维护中起着重要的作用。目前有研究者基于CFG开展错误定位的研究，然而单纯使用CFG作为源代码的中间表示很难表达源代码完整的语义。因为CFG中相邻的节点在语义上可能完全不相关；而且位于CFG上方的节点会影响执行路径上的后续节点的语义。在本文中，作者提出需要考虑流的特征，使用基于流的GRU从CFG中学习特征。基于流的GRU利用由CFG表示的程序结构来沿着执行路径传播语句的语义，很好地反映了流的本质。 

文章给出了如图1所示的Motivation示例。从图中可以看出，两个相邻的节点（如节点1和节点2）在语义上是不相关的，而距离较远的节点6和节点1、节点4之间确实有语义关系的。因此，不能用GNN来从邻居节点聚集语义。

文章有如下贡献：

1. 作者控制流图的流性质（前面的语句可能影响执行路径上后续语句的语义，而相邻节点的语义可能不相关）应该被充分考虑。
2. 提出了一个基于流的GRU从CFG中学习特征，充分考虑了流的性质和路径之间的内在关联。

缺陷定位任务可以表示为：，R为一系列缺陷报告；，C为一系列源代码文件。缺陷定位任务可表示为：，Y是标签。文章所提模型框图如图2所示，由4个部分组成：源代码特征提取、缺陷报告特征提取、融合和预测。

对于缺陷报告特征提取层，作者采用文章“Convolutional neural networks for sentence classifcation”中提到的方法提取缺陷报告的语义特征。源代码特征提取层分为3个子层：xxx；融合层将缺陷报告特征和源代码特征作为输入，使用全连接网络进行特征融合。
文章将源代码对应的CFG表示为，其中V表示CFG的节点（也就是一条语句），E表示CFG的边，X表示节点V对应的语句层特征矩阵。在语句层特征学习中，文章使用驼峰命名拆分源代码的每一个token，删除不重要的标点符号，然后使用word2vec对token进行嵌入；接着使用1D-CNN提取token的语义特征。基于流的GRU设计如图3所示，算法如图4所示。