一种基于异常控制流的错误程序行为分析方法

通过静态分析程序显式异常控制流收集到程序中可引起异常的差错信息,采用故障注入实验,分析了程序的"故障-差错-异常"传播过程.结合函数级异常控制流的描述,对异常相关的差错及其对程序行为的影响进行了分析,建立了基于异常控制流的错误程序行为模型,开发了相应的分析工具.以OpenStack核心组件为对象进行实验,结果表明从异常层次对错误程序行为进行分析是合理而有效的.该方法为具有异常处理机制的大规模程序的错误行为自动分析和差错数据的收集提供了新手段.

运行时异常对软件静态测试的影响研究

当程序的执行过程中出现运行时异常,控制流动态地变更可能会产生非预期的执行逻辑,由此引入的缺陷将给软件静态测试工作带来巨大的挑战.针对这一问题,提出一种结合运行时异常的静态测试方法,将缺陷检测及控制流扩展交替执行,通过扩展分析路径达到提高测试充分度的目的.以异常模式状态机描述运行时异常行为,在包含运行时异常的控制流上,应用迭代方程得到运行时异常控制流序列,将在传统控制流上的一次缺陷检测过程扩展为在异常控制流序列上的多次检测.实验结果表明,结合运行时异常的静态测试方法虽然增加了时间开销,且引入一定的误报,但却可以发现传统测试方法所遗漏的缺陷,这点在航空、航天等高可信领域尤为重要.

Java程序异常信息分析插件的研究与设计

异常处理是一种有效提高软件健壮性的方法,处理不当将导致严重的软件失效。提出一种通过分析Java程序异常信息、由开发平台给出异常处理代码提示的方法,以提高开发效率,并提出一种包含异常结构的Java程序异常控制流图构造方法,用于程序分析和优化。基于Eclipse开发环境,设计了一个异常信息分析插件,用于分析Java程序异常信息,给出了代码提示,生成了异常控制流图,以帮助开发人员更快更好地书写异常处理代码。

面向业务过程异常检测的深度学习模型BPAD-LS

近年来,越来越多的企业组织使用业务过程管理系统管理和控制他们的业务过程.然而,在业务过程的执行过程中,容易出现各种各样的异常,如控制流异常、数据流异常、时间异常和资源异常等.控制流是业务过程的主干,检测控制流异常对业务过程的正常执行具有至关重要的作用.为了检测业务过程在执行过程中出现的控制流异常,本文提出了一种基于自注意力机制与长短期记忆网络(LSTM)相结合的神经网络模型预测业务过程的下一个活动,将预测的活动与实际发生的活动进行比较以检测业务过程是否发生控制流异常,其中自注意力用于建模活动序列中活动之间的依赖关系,而LSTM仅用于编码活动的位置信息.此外,为了解决假阳性的问题,本文提出了一种通过计算异常分数并基于阈值的方法确定实际发生的活动是否异常.为了验证方法检测异常的性能,实验中选用了5种典型的方法进行比较.实验结果表明,所提出的方法能有效检测控制流异常.