Machine Learning for Dynamic Software Analysis: Potentials and Limits

یادگیری ماشینی مصنوعات نرم‌افزاری حوزه‌ای نوظهور از تعامل بین جوامع یادگیری ماشین و تحلیل نرم‌افزار است. افزایش بهره وری در مهندسی نرم افزار متکی به ایجاد ابزارهای جدید تطبیقی ​​و مقیاس پذیر است که می توانند سیستم های نرم افزاری بزرگ و دائماً در حال تغییر را تجزیه و تحلیل کنند. اینها به تکنیک‌های تحلیل نرم‌افزار جدید مبتنی بر یادگیری ماشینی، مانند تست نرم‌افزار مبتنی بر یادگیری، تولید ثابت یا سنتز کد نیاز دارند. یادگیری ماشین پارادایم قدرتمندی است که رویکردهای جدیدی را برای خودکارسازی تولید مدل‌ها و سایر مصنوعات نرم‌افزاری ضروری ارائه می‌کند. این جلد از سمینار داگستول با عنوان "یادگیری ماشینی برای تجزیه و تحلیل نرم افزار پویا: پتانسیل ها و محدودیت ها" که در آوریل 2016 برگزار شد. این سمینار بر روی پرورش روحیه همکاری به منظور به اشتراک گذاشتن بینش ها و گسترش و تقویت لقاح متقابل بین تمرکز داشت. انجمن های یادگیری ماشین و تجزیه و تحلیل نرم افزار. این کتاب یک مرور کلی از تکنیک های یادگیری ماشینی را ارائه می دهد که می توانند برای تجزیه و تحلیل نرم افزار استفاده شوند و نمونه هایی از کاربرد آنها را ارائه می دهد. علاوه بر یک فصل مقدماتی، این کتاب در سه بخش ساختار یافته است: تست و یادگیری، گسترش یادگیری خودکار و رویکردهای یکپارچه.

Machine learning of software artefacts is an emerging area of interaction between the machine learning and software analysis communities. Increased productivity in software engineering relies on the creation of new adaptive, scalable tools that can analyse large and continuously changing software systems. These require new software analysis techniques based on machine learning, such as learning-based software testing, invariant generation or code synthesis. Machine learning is a powerful paradigm that provides novel approaches to automating the generation of models and other essential software artifacts. This volume originates from a Dagstuhl Seminar entitled "Machine Learning for Dynamic Software Analysis: Potentials and Limits” held in April 2016. The seminar focused on fostering a spirit of collaboration in order to share insights and to expand and strengthen the cross-fertilisation between the machine learning and software analysis communities. The book provides an overview of the machine learning techniques that can be used for software analysis and presents example applications of their use. Besides an introductory chapter, the book is structured into three parts: testing and learning, extension of automata learning, and integrative approaches.