[论文解读] FPA-Debug: Effective Statistical Fault Localization Considering Fault-proneness Analysis

Farid Feyzi, Esmaeel Nikravan+1 more|arXiv (Cornell University)|Dec 17, 2016

Software Reliability and Analysis Research参考文献 16被引用 3

一句话总结

FPA-Debug 提出了一种面向故障易发性的统计故障定位技术，采用弹性网络回归以提高精度并降低执行开销。通过聚类谓词以减轻偶然正确性的影响，并应用与位置相关的正则化，该方法在 Siemens 套件上识别出更准确的最小‘故障预测因子’集合，优于传统方法。

ABSTRACT

The aim is to identify faulty predicates which have strong effect on program failure. Statistical debugging techniques are amongst best methods for pinpointing defects within the program source code. However, they have some drawbacks. They require a large number of executions to identify faults, they might be adversely affected by coincidental correctness, and they do not take into consideration fault-proneness associated with different parts of the program code while constructing behavioral models. Additionally, they do not consider the simultaneous impact of predicates on program termination status. To deal with mentioned problems, a new fault-proneness-aware approach based on elastic net regression, namely FPA-Debug has been proposed in this paper. FPA-Debug employs a clustering-based strategy to alleviate coincidental correctness in fault localization and finds the smallest effective subset of program predicates known as bug predictors. Moreover, the approach considers fault-proneness of code during statistical modeling through applying different regularization parameter to each program predicates depending on its location within program source code. The experimental results on well-known test suite, Siemens, reveal the effectiveness and accuracy of the FPA-Debug.

研究动机与目标

• 解决统计故障定位的局限性，包括高执行成本和对偶然正确性的敏感性。
• 通过为不同位置的代码区域分配特定的正则化参数，将代码区域的故障易发性纳入统计建模。
• 识别出最小但有效的谓词集合——‘故障预测因子’——其与程序失败具有强相关性。
• 通过建模多个谓词对程序终止状态的联合影响，提升故障定位的准确性。
• 通过聚类和自适应正则化增强敏感性和精度，减少对大型测试套件的依赖。

提出的方法

• FPA-Debug 使用弹性网络回归来建模程序谓词与失败结果之间的关系，结合 L1 和 L2 正则化以实现特征选择与模型稳定性。
• 采用基于聚类的策略，将行为相似的谓词分组，以降低测试结果中偶然正确性的影响。
• 通过根据源代码位置为谓词分配不同的正则化参数，对故障易发性进行建模，优先考虑更易出错的区域。
• 通过弹性网络模型的迭代优化，识别出最小的‘故障预测因子’集合——即最能指示失败的谓词。
• 该方法联合考虑多个谓词对程序终止状态的共同影响，从而提升故障定位的准确性。
• 实验评估使用 Siemens 测试套件，验证其相对于基线统计故障定位技术的性能。

实验结果

研究问题

• RQ1 在统计故障定位中引入故障易发性是否能提升故障预测的精度？
• RQ2 谓词聚类在减轻故障定位中偶然正确性影响方面有何效果？
• RQ3 基于代码位置的自适应正则化在多大程度上提升了故障定位的准确性？
• RQ4 能够可靠识别失败的最小有效谓词集合（故障预测因子）是什么？
• RQ5 FPA-Debug 在执行成本和准确性方面与传统统计故障定位方法相比如何？

主要发现

• FPA-Debug 通过聚焦于少数高影响力谓词，显著减少了所需测试执行次数，提升了效率。
• 聚类策略有效减轻了偶然正确性的影响，使故障定位结果更加可靠。
• 基于故障易发性的自适应正则化通过在分析中优先考虑可疑代码区域，提升了模型精度。
• 在 Siemens 套件上，该方法在识别故障谓词方面的精度显著高于标准统计故障定位技术。
• FPA-Debug 有效识别出一个小型但高效的谓词集合——‘故障预测因子’——其与程序失败具有强相关性。
• 实证结果表明，故障易发性与聚类的结合显著提升了统计故障定位的准确性和鲁棒性。