Intel har öppnat koden för maskininlärningssystemet ControlFlag för att identifiera fel i koden.

Intel har släppt sina forskningsinsatser kopplade till projektet ControlFlag, som syftar till att skapa ett maskininlärningssystem för att förbättra kodkvaliteten. Det verktyg som tagits fram av projektet gör det möjligt att identifiera olika fel och avvikelser i källkoden, skriven på högnivåspråk som C/C++, baserat på en modell som har tränats på en stor mängd befintlig kod. Systemet är lämpligt för att identifiera olika typer av problem i koden, från att upptäcka stavfel och felaktiga typkombinationer till att identifiera saknade NULL-värdeskontroller i pekare och problem med minneshantering. ControlFlag-koden är skriven i C++ och är öppen under MIT-licens.

Systemet lär sig själv genom att bygga en statistisk modell av den befintliga koden i öppna projekt, som publicerats på GitHub och liknande offentliga arkiv. Under inlärningsfasen identifierar systemet typiska mönster i kodstrukturer och bygger ett syntaxträd över sambanden mellan dessa mönster, vilket återspeglar flödet av kodens exekvering i programmet. Resultatet blir ett referensbeslutsträd som sammanfogar utvecklingserfarenheten från alla analyserade källtexter.

För den kontrollerade koden utförs en liknande process för mönsteridentifiering, där dessa jämförs med referensbeslutsträdet. Stora avvikelser från närliggande grenar indikerar en anomaly i det kontrollerade mönstret. Systemet kan inte bara identifiera fel i mönstret utan också föreslå en korrigering. Till exempel, i OpenSSL-koden identifierades konstruktionen "(s1 == NULL) ∧ (s2 == NULL)", som förekom i syntaxträdet endast 8 gånger, medan närmaste gren med värdet "(s1 == NULL) || (s2 == NULL)" förekom cirka 7 000 gånger. Systemet identifierade också anomalin "(s1 == NULL) | (s2 == NULL)", som förekom i trädet 32 gånger.

Vid analys av kodfragmentet «if (x = 7) y = x;» identifierade systemet att det vanligtvis i «if»-operatorn används konstruktionen «variabel == nummer» för att jämföra numeriska värden, så det är mycket troligt att angivelsen «variabel = nummer» i uttrycket «if» beror på ett skrivfel. En sådan felaktighet skulle även ha upptäckts av traditionella statiska analysatorer, men till skillnad från dem tillämpar ControlFlag inte färdiga regler, där det är svårt att förutse alla möjliga variationer, utan baserar sig på statistik över användningen av olika konstruktioner i ett stort antal projekt.

Som ett experiment, med hjälp av ControlFlag, upptäcktes en obemärkt fel som statiska analysatorer missade i källkoden till verktyget cURL, som ofta används som exempel på kvalitetskod. Problemet var när ett strukturelement «s->keepon» med numerisk typ jämfördes med det booleska värdet TRUE. I OpenSSL-koden, förutom det ovan nämnda problemet med «(s1 == NULL) ∧ (s2 == NULL)», upptäcktes även avvikelser i uttrycken «(-2 == rv)» (minustecknet var ett skrivfel) och «BIO_puts(bp, «:»)»

Källa: opennet.ru