ابزار می یابد نرم افزار به روز رسانی اشکالات در ساعت نه روز

یک ابزار جدید برای شناسایی منبع از اشتباهات که ناشی از نرم افزار به روز رسانی.

این یک مشترک نا امیدی—به روز رسانی نرم افزار در نظر گرفته شده برای برنامه های ما اجرای سریع تر سهوا تا پایان انجام درست برعکس است. این اشکالات به نام عملکرد رگرسيون در زمینه علوم کامپیوتر, زمان مصرف, برای رفع, به دلیل مکان یابی خطاهای نرم افزار به طور قابل توجهی نیاز به دخالت انسان.

برای غلبه بر این مانع محققان در تگزاس A&M دانشگاه در همکاری با دانشمندان کامپیوتر در Intel Labs توسعه یافته کاملا خودکار راه شناسایی منبع از اشتباهات. الگوریتم خود را بر اساس صورت تخصصی از یادگیری ماشین به نام یادگیری عمیق است که نه تنها کلید در دست, اما همچنین سریع. آن را می یابد عملکرد اشکالات در یک ماده از چند ساعت به جای روز.

“به روز رسانی نرم افزار گاهی اوقات می تواند به نوبه خود در زمانی که شما اشتباهات خزش و باعث slowdowns. این مشکل این است که حتی بیشتر اغراق آمیز برای شرکت های که با استفاده از مقیاس بزرگ سیستم های نرم افزاری است که به طور مداوم در حال تحول می گوید:” عبدالله Muzahid استادیار در دانشکده علوم و مهندسی کامپیوتر. “ما در حال طراحی یک ابزار مناسب برای تشخیص عملکرد رگرسیون است که سازگار با طیف وسیعی از نرم افزار ها و زبان های برنامه نویسی در حال گسترش سودمندی آن فوق العاده است.”

عملکرد شمارنده

به دقت اشاره کردن منبع از خطاهای موجود در یک نرم افزار debuggers اغلب بررسی وضعیت عملکرد شمارنده در داخل واحد پردازش مرکزی. این شمارنده خط کد که نظارت بر نحوه برنامه در حال اجرا بر روی کامپیوتر و سخت افزار در حافظه ، بنابراین زمانی که نرم افزار اجرا می شود, شمارنده پیگیری از تعداد بار آن را دسترسی به برخی از مکان های حافظه در زمان آن وجود دارد باقی می ماند و هنگامی که از آن خارج می شود, در میان چیزهای دیگر. از این رو هنگامی که این نرم افزار رفتار می رود چپ چپ شمارنده دوباره مورد استفاده قرار گیرد برای تشخیص.

“عملکرد شمارنده به یک ایده از اعدام سلامت برنامه” Muzahid می گوید. “اگر برخی از برنامه در حال اجرا نیست به عنوان آن قرار است به این شمارنده را معمولا نشانه بارز از رفتار غیر عادی.”

اما جدیدتر رومیزی و سرور دارای صدها عملکرد شمارنده ساخت آن را تقریبا غیر ممکن است برای پیگیری همه از وضعیت خود را به صورت دستی و سپس به دنبال نابجا الگوهای که نشان دهنده عملکرد خطا. این است که در آن Muzahid را از یادگیری ماشین در می آید.

پیدا کردن اشکال

با استفاده از یادگیری عمیق محققان قادر به نظارت بر داده های که از تعداد زیادی از شمارنده به طور همزمان با کاهش اندازه داده که شبیه به فشرده سازی یک تصویر با رزولوشن بالا به کسری از اندازه اصلی خود را با تغییر فرمت آن. در پایین سه بعدی داده های خود را الگوریتم می تواند پس از آن به دنبال الگوهای که انحراف از نرمال.

زمانی که الگوریتم خود را آماده محققان آزمایش اگر آن را می تواند در پیدا کردن و تشخیص اشکال عملکرد در تجاری در دسترس مدیریت داده ها نرم افزاری است که با استفاده از شرکت های خود را از اعداد و ارقام. آنها آموزش دیده خود الگوریتم به رسمیت شناختن عادی شمارنده داده ها در حال اجرا یک قطعی-نسخه رایگان از اطلاعات نرم افزار مدیریت. بعد آنها زد الگوریتم خود را در یک نسخه به روز شده از نرم افزار با یک اشکال. آنها دریافتند که الگوریتم خود را واقع و تشخیص اشکال در عرض چند ساعت. Muzahid می گوید این نوع تجزیه و تحلیل می تواند مقدار قابل توجهی از زمان اگر به صورت دستی انجام.

در علاوه بر این به تشخیص عملکرد رگرسیون در نرم افزار Muzahid اشاره می کند که خود را از یادگیری الگوریتم دارای کاربردهای بالقوه در مناطق دیگر از تحقیقات نیز مانند توسعه تکنولوژی مورد نیاز برای رانندگی خودمختار.

“ایده اصلی این است که یک بار دیگر همان است که قادر به تشخیص غیر عادی الگوی” Muzahid می گوید. “Self-driving cars باید قادر به تشخیص اینکه آیا یک ماشین و یا یک انسان است که در مقابل آن و سپس عمل درآمده است. پس از آن دوباره یک شکل از ناهنجاری تشخیص و خبر خوب این است که چیزی است که الگوریتم ما در حال حاضر در حال طراحی را انجام دهد.”

محققان گزارش یافته های خود را در عصبی پردازش اطلاعات در سیستم های کنفرانس در ماه دسامبر.

حمایت از کار آمد از بنیاد ملی علوم و اینتل.

منبع: Vandana Suresh و استفانی جونز برای Texas A&M University

tinyurlis.gdv.gdv.htclck.rushrtco.dehec.sutny.im