出品人：谢晓园
武汉大学计算机学院教授
武汉大学教授、博导，武汉大学珞珈青年学者，武汉大学特色化示范性软件学院副院长，外国优秀青年学者研究基金获得者。主要研究方向为蜕变测试、软件缺陷定位、智能软件工程等。主持了多项国家自然科学基金，参与多项国家自科基金重点项目、国家重点研发项目等，参与两项软件测试国家标准的制订。在软件工程顶级或知名期刊会议上录用论文50余篇。曾获NASAC青年软件创新奖、ACM SigEvo HUMIES银奖、ACM SigSoft Distinguished Paper Award等学术奖励。                          

缺陷AI定位与修复

缺陷定位与修复是软件工程的核心问题，早期研究主要基于动静态程序分析技术。大语言模型（LLM）对该方向提供了全新思路和路线。本论坛主要探讨基于LLM的缺陷定位与修复的机遇与挑战，和动静态分析与LLM的深度融合技术。                                                                                                                                              
助力基于AI生态的软件开发: 
深度学习模型训练过程的可视化解释与调试    
林  云
上海交通大学副教授
上海交通大学计算机系副教授，原新加坡国立大学研究助理教授，入选2021年国家海外高层次青年人才计划。2015年毕业于复旦大学计算机学院获得博士学位。主要研究领域为软件工程，侧重代码、网页和AI模型的自动分析技术。目前的研究工作包括代码自动调试与测试、模型训练的可视化解释、恶意网页检测、代码的推荐与生成等。在ICSE、FSE、USENIX Security、ISSTA、ASE、KDD、NeurIPS、AAAI、IJCAI、TSE、TDSC等领域相关的国际顶级会议和期刊发表论文40余篇，国内外专利受理2项。担任FSE、ISSTA、AAAI、ICML、NeurIPS等重要国际会议的程序委员会委员、IEEE TSE/TOSEM/TDSC等顶级期刊的审稿人。主持国家基金委优青项目（海外）。获得过ICSE2018最佳论文奖。                                              
内容简介：
深度学习模型如今已经广泛使用在各个领域。在可见的越来越多的开发人员会训练和调试自己的深度学习模型。然而，深度学习的训练背后是大量迭代的矩阵运算，分析训练过程很大程度上存在调试反馈慢、海量数值化计算难以理解、以及关键训练现象难以侦测等问题。本次报告介绍了一种将深度学习模型训练过程可视化的技术。该技术旨在将高维表征空间中的表征位置、表征距离和分类边界等概念投影到二维画布上，由此来方便模型开发人员分析和调试。同时，我们也进一步提出了基于可视化过程的交互式反馈机制，来侦测开发人员分析意图，推荐相关的训练事件。                                                                                                                                                                                                                                                           
演讲提纲：
1、分析深度学习模型训练的挑战
2、面向表征空间的研究框架与思路
3、表征空间可视化与训练过程动画化
4、面向训练过程的交互式推荐技术
5、未来的展望                                                                                                                                      
                                                                      
听众受益：
软件开发人员；机器学习模型开发人员；高校研究人员                              
基于大模型的缺陷检测与修复实践与思考                                                                                 
梁广泰
华为云软件分析Lab负责人
软件分析领域高级技术专家
                                                         
内容简介：
随着人工智能技术的发展，大模型在各领域的应用越来越广泛。基于大模型的缺陷检测与修复是一项新兴技术，在围绕软件缺陷或开源漏洞的检测和修复场景上已展现出了良好潜力。 本次报告将首先介绍基于大模型的缺陷检测与修复技术基本原理、在业界的应用现状；之后，会围绕华为云内部围绕开源漏洞场景所布局的基于大模型的漏洞分析技术（含公开漏洞智能精华、隐匿漏洞补丁识别、零日漏洞智能发现等）进行详细介绍并介绍相关实验效果。最后围绕基于大模型的缺陷修复技术介绍华为云的初步实践与思考。最后，我们将探讨该领域所面临的技术挑战和未来的发展趋势。                                                                                                                                                                                                                                                                                                                          
演讲提纲：
1、介绍基于大模型的缺陷检测与修复技术基本原理、在业界的应用现状；
2、围绕华为云内部围绕开源漏洞场景所布局的基于大模型的漏洞分析技术（含公开漏洞智能精华、隐匿漏洞补丁识别、零日漏洞智能发现等）进行详细介绍并介绍相关实验效果。
3、围绕基于大模型的缺陷修复技术介绍华为云的初步实践与思考。 探讨该领域所面临的技术挑战和未来的发展趋势。                                                                              
                                                                
听众受益：
提供一个深入了解基于大模型的缺陷检测与修复技术的机会，以及如何将其应用到实践中。                          
深度学习系统的性能提升      
陈俊洁
天津大学特聘研究员
博士生导师，软件工程团队负责人，国家优青项目获得者；研究方向主要为基础软件测试、可信人工智能、数据驱动的软件工程等。荣获中国科协青年托举人才、CCF优博、电子学会自然科学一等奖等奖项。近年共发表学术论文70篇，其中CCF A类论文50余篇，获六项最佳论文奖。成果在华为、百度等多家知名企业落地。担任CCF-A类会议ASE 2021评审过程主席，Dagstuhl研讨会联合主席，以及软件工程领域全部CCF-A类会议的程序委员会成员等。              
内容简介：
与一般软件类似，深度学习系统同样存在缺陷，而深度学习系统由于其数据驱动的特性，其缺陷检测与修复都具有显著不同的挑战。本研究提出针对深度学习特性的缺陷检测与修复方法，以提升深度学习系统的质量。具体来说，本研究探讨深度学习不同场景下的缺陷检测与修复，如回归测试场景、系统部署场景等。                                                                                                                                                                                                   
演讲提纲：
1、一般场景下的深度学习系统的缺陷检测与修复；
2、演化场景下的深度学习系统检测与修复；
3、模型部署场景下的深度学习系统缺陷检测与修复。                                                                                                                                                                                
听众受益：
1、了解深度学习系统的缺陷特性；
2、了解深度学习系统的缺陷检测与修复方法，包括数据增强技术与后处理技术等。                                                                                                                                                                                                  
缺陷自动修复的“卡脖子”问题—补丁正确性验证技术 
文  明
华中科技大学副教授
华中科技大学网络空间安全学院副教授，硕士生。文明博士于2014年从浙江大学计算机科学与技术学院获得本科学位，2019年6月在香港科技大学计算机科学与工程学院取得博士学位，师从张成志教授。2017年7月至2018年1月，在美国加州大学戴维斯分校苏振东教授课题组担任访问学者。2019年6月至2019年11月，在香港科技大学全职任职博士后研究员。2019年12月，加入华中科技大学网络空间安全学院，聘为副教授，主要聚焦软件安全、软件测试与分析、以及代码大模型安全等研究，在软件工程领域累计发表了CCF-A类推荐会议或期刊40余篇，其他高水平论文10余篇。其中，以第一作者或通讯作者身份发表和录用的CCF-A类论文共计20余篇。主持国家自然科学基金青年项目、面上项目、以及包括华为胡杨林基金系统软件专项在内的多项企业合作项目，参与湖北省重点研发项目等重要课题，担任了中国计算机学会系统软件、以及软件工程专委会委员。文明博士常年担任TSE，TOSEM，TDSC等CCF-A类国际期刊的审稿人，以及CCF-A/B类会议ASE 2021/2023, ESEC/FSE 2022/2024, SANER 2022, ISSRE 2022/2023的程序委员会委员。同时也荣获了Internetware 2023杰出论文奖、全国大学生信息安全作品赛优秀指导教师奖等荣誉、以及入选了第七届中国科协青年人才托举工程计划。                                                        
内容简介：
缺陷自动修复技术在过去的十几年时间里吸引了来自工业界和学术界的大量关注。尽管基于搜索的、基于语义的以及基于学习的修复方法都展现了不错的效果，并且工业界也开始逐渐部署相关的补丁推荐系统，已有技术都面临一个共同的挑战，即自动生成的补丁正确性验证问题。由于缺乏完备的程序规范，基于已有测试套件来评估补丁正确性的方法往往会造成补丁过拟合问题。针对该问题，我们开展了一系列研究工作。首先，对已有最新的20余种缺陷自动修复技术进行了系统调研与分析，剖析出了过拟合补丁形成的根源，并对比了已有补丁正确性验证方法的有效性与局限性。基于该研究的发现，进一步提出了一种上下文感知的代码变更表示学习方法来提升补丁正确性验证的准确性，并且验证准确率高达了92.9%。此外，我们也提出了一种全新的程序变量级别的缺陷自动定位方法，通过识别与缺陷相关的程序变量，达到更精确的缺陷补丁正确性验证的目的。                                                                                                                                                                                                                                                                                                          
演讲提纲：
1、补丁正确性验证技术介绍
2、针对补丁正确性验证技术的系统调研
3、基于补丁表示学习方法的补丁正确性验证
4、基于缺陷精确定位方法的补丁正确性验证
5、 总结与展望                                                                                                                                                                                                                                                            
听众受益：
1、听众能够对缺陷自动修复的“卡脖子”问题，即程序补丁的正确性验证；
2、有一个全面的了解和认知，不仅能系统性的掌握已有的方法，同时也能够从不同的视角思考如何设计新的方法。                                                                                                                                                                       
京ICP备2020039808号-4
返回顶部