基于数据流分析的警报关联研究.docVIP

  基于数据流分析的警报关联研究# 李蕊彤1，金大海1，薛伟2** （1. 北京邮电大学网络与交换技术国家重点实验室，北京 100876； 5 10 15 20 25 30 35 40 2. 75475 部队） 摘要：在大型软件工程测试中，静态缺陷检测工具产生的警报数量巨大，开发人员需要耗费 大量精力来判断警报实际是缺陷还是误报。本文通过在缺陷检测过程中，发掘警报间依赖关 系，对警报进行分类；对于每类警报，通过前向数据流分析和后向数据流分析选取主导警报。 如果该类中的主导警报为误报，则该类其它警报也为误报。实验表明，本文的聚类方法可以 减少 40%-50%的人工审查工作。 关键词：软件工程；静态缺陷检测；数据流分析；缺陷关联； 中图分类号：TP311.5 Alarm Clustering based on Data Flow Analysis Li Ruitong1, Jin Dahai1, Xue Wei2 (1. State Key Laboratory of Networking And Switching Technology,Beijing University of posts and Telecommunications,Beijing 100876; 2. 75475 Police Force) Abstract: Static analysis tools have been successfully adopted in softaware testing; however millions of alarms that are generated by the tools are reviewed manually at a very low speed. To help with this review process, we first clustered alarms by discovering dependencies among them such that if the leader alarm of a cluster is a false positive then it is assured that all others in the same cluster are also false. Empirical results show that our clustering methods could reduce 40-50% manual review efforts. Key words: Software Engineering; Static Analysis; Data Flow Analysis; Alarm clustering 0 引言 缺陷检测工具可以自动检测代码缺陷，在高可信软件开发领域扮演着重要的角色[1]。然 而，针对缺陷检测工具所报告的警报，开发人员需要通过大量的人工审查来判断某警报是否 属实（即是否为真，而不是误报）。但是处理这些警报的速度并不是很高。根据我们对国内 多个行业的大型系统测试经验，一般每一个警报需要 1.5 分钟的人工时间来审查。针对某一 系统，如果一个分析工具报告了 6000 个警报，那么一个开发人员需要连续工作 18.75 天才 能全部审查完毕（每天 8 小时工作）。因此，减少警报审查所需工作量意义重大。 在现阶段缺陷检测工具的输出结果中误报较多，而警报间关系缺失缺乏有效聚类，且由 于代码中存在大量代码复用、方法复用等，输出的警报存在重复性，缺乏合理分组优化。本 研究围绕上述问题提出了基于数据流分析的警报关联方法。我们将具有相互依赖关系的警报 聚为一类并为每类找出一个主导警报，其它警报标识为跟随警报。 在审查时，仅需判断主 导警报是否为误报即可确定该类警报中跟随警报是否为误报。如图 1 所示，所有数组越界类 警报实质上是同一个数组被相同下标引用，若其中一个警报为误报，则其它五个警报也是误 报。 基金项目：国家自然科学基金 作者简介：李蕊彤（1989-），女，硕士研究生，主要研究方向：计算机科学、软件测试 通信联系人：金大海（1974-），男，副教授，主要研究方向：软件测试. jindh@bupt.edu.cn -1- for( i = 0; i len; i++) // i, len的值均未知 { strArr[i].m1 = strArr[i].m1 + v1; strArr[i].m2 = strArr[i].m2 + v2; strArr[i].m3 = strArr[i].m3 + v3; }  图 1 数组越界警报 Fig. 1 Out of Boundary Warnings 4