基于代码覆盖表示学习的故障定位

基于摘要分析。该研究面向软件故障定位，提出 DeepRL4FL，将语句级与方法级缺陷定位视为图像模式识别问题，融合代码覆盖、语句数据依赖和静态源代码的表示，用于识别存在缺陷的语句或方法。 机制上，DeepRL4FL 首先对测试用例排序，并标记表现出错误的代码语句，使模型学习覆盖矩阵中区分故障与非故障语句或方法的模式。数据依赖表示则将语句在执行及数据流中与其他语句的关联纳入可疑性判断，而非仅考察单条语句。上述动态信息表示与静态源代码表示组合后，输入基于卷积神经网络的分类器。这里的 RL 指 representation learning（表示学习），不是强化学习。 作者报告，在其经验评估中，相对于所比较的语句级故障定位基线，top-1 结果的相对提升范围为 173.1%–491.7%；相对于所比较的方法级基线，提升范围为 15.0%–206.3%。这些数值不是准确率，也不是百分点变化。摘要未给出具体数据集、训练与测试划分、各基线对应结果及 top-1 的完整统计定义，因此不能据此判断绝对定位性能或不同设置间的可比性。实验协议、消融及统计信息尚未验证。 该方法的主要研究对象是软件程序及测试执行信息，不是 EEG 或 BCI。其机制依赖代码覆盖矩阵、语句数据依赖和缺陷代码训练样本；现有材料未建立这些结构与神经信号任务的具体对应关系，因此不提出 BCI 迁移结论或复现实验建议。