paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Compiler fuzzing through deep learning

通过深度学习的编译器模糊测试
ISSTA Proceedings of the 27th ACM SIGSOFT International Symposium on Software Testing and Analysis2018匹配度 3/10 · 论文属于深度学习用于编译器模糊测试/程序生成，虽同属机器学习与程序语言交叉，但不涉及用户核心关注的静态分析、LLM/Agent 改进分析或形式化验证，也不涉及浮点程序分析或贝叶斯程序分析。引用 147 inbox
Chris Cummins, Pavlos Petoumenos, Alastair Murray, Hugh Leather
测试、调试与修复机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：提出用深度学习生成测试程序，降低为每种语言手工开发编译器 fuzzer 的成本并扩大语言空间覆盖。

随机程序生成（fuzzing）是发现编译器缺陷的有效手段，但为编译器支持的每种语言构造成功的 fuzzer 需要大量开发工作，且往往仍留有未被测试的语言空间。本文提出用深度学习进行编译器模糊测试：通过从大规模代码中学习语言模式来生成测试程序，从而避免为每种语言手工编写生成器，并有望覆盖传统方法难以触及的语法与语义组合。摘要未给出具体评估结果与实现细节。

问题
传统编译器模糊测试需要为每种目标语言投入大量工程开发 fuzzer，且常常无法覆盖完整的语言空间。
方法
利用深度学习从代码中自动学习并生成测试程序，替代为每种语言手工开发的随机程序生成器。
评估
摘要未提供具体评估方式或实验结果。
原文摘要（Abstract）

Random program generation — fuzzing — is an effective technique for discovering bugs in compilers but successful fuzzers require extensive development effort for every language supported by the compiler, and often leave parts of the language space untested.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot4827,
  title = {Compiler fuzzing through deep learning},
  author = {Chris Cummins and Pavlos Petoumenos and Alastair Murray and Hugh Leather},
  booktitle = {ISSTA},
  year = {2018},
  doi = {10.1145/3213846.3213848}
}