SIMD自动向量化是充分发挥处理器计算能力、提升应用程序性能的重要手段,但是控制流的存在给自动向量化带来了极大的挑战。传统的控制流向量化方法依赖于IF转换技术,但此技术也带来了代码执行效率低的问题。因此,为了缓解这一问题,提出了一种面向SIMD的控制流投机向量化方法。该方法在向量代码中检测谓词相关区域,使用代价模型在区域内引导实施针对分支一致的投机变换,在运行时消除无用的谓词执行,从而消除冗余计算导致的代码效率低的问题。该方法基于当前主流的GCC10.3编译器实现,实验选取业界公认的SPEC CPU 2006 测试集课题和测试向量化能力的TSVC测试集,结果显示SPEC2006测试集481课题在使用该方法后性能提升10%,TSVC_2测试部分典型用例的性能提升在20%以上。在标准测试集上进行,结果表明,此方法能够有效提升GCC编译器的控制流向量化代码的执行效率。

在代码生成任务中,预训练大语言模型和智能体已经成为提升代码生成质量和效率的关键技术。在面对复杂的编程问题时,基于大语言模型的智能体技术目前仍无法有效处理和解决。对此,提出一种多智能体协同代码生成框架,构建了包含问题分析、任务规划、代码生成和代码调试4个阶段的系统,通过智能体间的协作解决复杂的编程问题,并且基于开源大模型提出了不同的智能体基础模型使用策略,验证其对系统整体表现的影响。在此基础上,引入包含反思和调试循环的迭代式编程范式,以根据各阶段的结果反馈优化代码生成。实验结果表明,相比于传统直接代码生成方法,多智能体协同方案在多个数据集上取得了显著的性能提升,尤其在采用混合模型策略时,在所有测试数据集上均达到了最优表现。采用反思和调试循环时,在测试数据集上的表现有进一步提升。

近年来,机器学习技术在软件开发中的缺陷预测领域取得了显著进展,能够在大规模代码库中自动检测错误。这些进展有望提升软件的可靠性、安全性和整体质量。缺陷预测模型可以自动化检测代码中是否包含错误。然而,现有的缺陷预测模型虽然具有一定优势,但往往无法准确识别那些标记为无问题的有缺陷代码。目前缺乏对缺陷检测模型质量的系统性的实证研究,现有方法 DPTester 通过生成缺陷代码来检测缺陷模型的能力,该方法通过修改代码中的 if 条件来产生缺陷代码。然而,现有方法自动生成的缺陷代码过于简单,评估场景也未包括最新大语言模型在内的广泛模型。基于此,提出了改进方法 DefectGen,通过引入多种策略来生成更符合现实问题的缺陷代码,并且评估的缺陷模型包含了大语言模型。实验结果表明,DefectGen 在生成复杂缺陷代码的能力上较之前的方法有显著提升,能够在单个正确代码上生成1.2倍的缺陷代码。在测试 CodeT5+,CodeBERT 和 GPT-4o 模型时,发现缺陷预测有误的数量占比分别为62%,78% 和 30%。与此同时,DefectGen 在测试输入生成和缺陷检测阶段展现出更高的效率,每条测试输入的生成时间和检测时间分别为 0.003 s和 0.02 s。这些结果表明,DefectGen 不仅有效揭示了现有模型的局限性,还为改进缺陷预测模型和提升软件质量保障流程提供了新可能。

软件缺陷定位已经成为软件调试领域重要的研究主题,自动化软件缺陷定位旨在提高缺陷定位的自动化程度,帮助开发人员更高效地定位大规模软件中可能存在缺陷的位置,以达到优化分配测试资源的目的。以自动化软件缺陷定位技术为核心,对相关研究成果进行系统梳理。首先,依据软件缺陷处理生命周期,给出了缺陷定位的一般性研究框架,总结了每一类代表性算法利用的缺陷信息,讨论了深度学习对相关算法的影响。其次,针对软件系统包含缺陷数量的不同,从单缺陷和多缺陷两个角度对比了相关算法。最后,给出了相关算法常用的评测数据集以及评价指标,指出了本领域研究面临的一些挑战,并展望了若干值得进一步研究的方向。

在工业物联网(Industrial Internet of Things,IIoT) 环境中,海量的软件代码数据的生成迫切需要通过先进的软件缺陷预测(Software Defect Prediction,SDP)技术进行有效分析。这些技术不仅能够迅速定位异常情况,还可以全面调查潜在问题,因为即使是微小的偏差也可能导致项目代码的崩溃。文中系统综述了2018－2025年间发表的61篇相关文献,突出展示了IIoT中SDP所面临的主要挑战和最新进展。从多个视角深入探讨了SDP的相关技术,包括统计方法、机器学习技术和模型导向的方法等。未来的研究应优先关注复杂异构环境中缺陷模式的动态变化,解决数据稀缺和标注成本高昂的问题,同时平衡实时性与资源限制之间的矛盾。此外,需要增强模型的可解释性和用户的认知理解,以提升系统的可理解性和操作的鲁棒性。还对IIoT中相关的现有数据集进行了系统分析,为该关键领域的进一步研究奠定了坚实基础。