DynaFix：由执行级动态信息驱动的迭代式自动化程序修复

于红博

摘要: 自动程序修复（APR）旨在自动生成有错误程序的正确补丁。最近利用大型语言模型（LLMs）的方法显示出潜力，但面临限制。大多数仅依赖静态分析，忽略运行时行为。一些尝试整合动态信号，但通常仅限于训练或微调，或仅在修复提示中注入一次，没有迭代使用。这未能充分捕捉程序执行。当前的迭代修复框架通常依赖于粗粒度反馈，如通过/失败结果或异常类型，并未有效利用细粒度的执行级信息。因此，模型难以模拟人类逐步调试，限制了它们在多步推理和复杂错误修复中的有效性。 为了解决这些挑战，我们提出了DynaFix，一种基于执行级动态信息驱动的APR方法，通过迭代利用运行时信息来优化修复过程。在每个修复轮次中，DynaFix捕获执行级动态信息，如变量状态、控制流路径和调用堆栈，将其转换为结构化提示，以引导LLMs生成候选补丁。如果一个补丁未通过验证，DynaFix将重新执行修改后的程序，收集新的执行信息用于下一次尝试。这种迭代循环根据更新的反馈逐步改进补丁，类似于人类开发者的逐步调试实践。我们在Defects4J v1.2和v2.0基准上评估了DynaFix。DynaFix修复了186个单功能错误，比最先进的基线提高了10％，其中包括以前未修复的38个错误。它在最多35次尝试内实现正确的补丁，将补丁搜索空间减少了70％，从而在修复复杂错误方面展现出了有效性和效率。

更新时间: 2025-12-31 05:13:34

领域: cs.SE,cs.AI

下载: http://arxiv.org/abs/2512.24635v1