机构名称：
¥ 1.0
摘要 - 为了提高符号分析工具的可扩展性，一个观察结果是，分析资源在分析不满意的路径上被浪费了，而这在现实中是不可能的。在存在的工作中试图预测程序路径的满足性，而无需花费资源来分析它，但这些预测模型的性能远非完美。在这项工作中，我们试图了解模型预测如何，即使不完美，也可以最有效地用于减少分析令人满意的路径所需的时间。这项工作研究了模型性能，分析域属性之间的相互作用，例如路径分析成本的分布和可满足路径的分布，所使用的符号分析工具的设计以及用于优先级和选择分析路径的算法。使用新型的模拟方法，我们研究了这个问题，发现许多因素对符号分析性能的影响与改进的预测因子一样大。最后，我们以几个关于如何最好地将机器学习预测整合到符号分析的观察结果。
通过机器学习预测探索指导符号分析的策略
主要关键词
相关文件推荐
