Εντοπισμός λογικών σφαλμάτων πηγαίου κώδικα με τη βοήθεια τεχνικών Μηχανικής μάθησης

Η απασφαλμάτωση ενός κομματιού κώδικα μπορεί να αποτελέσει μια ιδιαίτερα χρονοβόρα διαδικασία, είτε κατά το αρχικό στάδιο ανάπτυξης ενός έργου λογισμικού είτε κατά το στάδιο της συντήρησης. Υπάρχουν διάφορα είδη σφαλμάτων που πρέπει να αναγνωριστούν και να διορθωθούν ώστε να εξασφαλιστεί η ορθή λειτουργία του λογισμικού. Τα σφάλματα που προκύπτουν κατά τη μεταγλώττιση είναι πιο εύκολα από τα λογικά λάθη τα οποία γίνονται αντιληπτά μόνο από τα αποτελέσματα που προκύπτουν από την εκτέλεση. Ταυτόχρονα, καθώς ο τρόπος συγγραφής κώδικα έχει αλλάξει ριζικά τα τελευταία χρόνια, μέσω των αποθετηρίων ανοιχτού κώδικα (π.χ. GitHub) και της επαναχρησιμοποίησης κώδικα, ένα λογικό λάθος που ενδεχομένως δεν θα εντοπιστεί άμεσα, μπορεί να ενσωματωθεί σε μεγαλύτερα έργα λογισμικού προκαλώντας μεγάλα σφάλματα.

              Στόχος της διπλωματικής είναι η σημασιολογική ανάλυση ενός αρχείου πηγαίου κώδικα και η παροχή μιας ολοκληρωμένης ανάλυσης για την λειτουργικότητα αυτού, καθώς και ο εντοπισμός πιθανών λογικών σφαλμάτων που έχουν εντοπιστεί εντός του λογισμικού.

Κωδικός: Autumn19-Softeng-2

Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν

  • ‘Ελεγχος και απασφαλμάτωση λογισμικού
  • Ανάλυση δεδομένων/Μηχανική Μάθηση
  • Τεχνολογίες/Γλώσσες προγραμματισμού (Tensorflow or Keras or scikit-learn/Python)

Εκτιμώμενος Χρόνος Περάτωσης

6 – 9 Μήνες

Συνεργαζόμενοι Ερευνητές

Υποψήφιος Δρ: Θωμάς Καρανικιώτης (thomas.karanikiotis [at] issel [dot] ee [dot] auth [dot] gr)