اشکالزدايي يک مرحله مهم از چرخه توليد نرم افزار است و برنامه نويسان کسر زيادي از وقتشان را صرف اين مرحله مي کنند. هدف، ارايه راه کاري براي تعيين خودکار محدوده خطا هاي پنهان در متن برنامه ها مي-باشد. مي‌توان محدوده علت خطا را براساس مقايسه و تحليل مسيرهاي اجرايي صحيح و غلط بدست آورد. براساس شباهت مسيرهاي اجرايي مي توان آنها را دسته بندي نمود. جهت بدست آوردن شباهت مسيرها، مدل هاي n-گرام اجراها را بدست آورده و سپس با استفاده از آنتروپي متقاطع شباهت بين اين مدل ها را محاسبه ميکنيم. براي بدست آوردن مدلهاي n-گرام که در دسته مدل هاي مارکوف قرار ميگيرند احتمالات MLE توسط شمارش کلمات يا به عبارتي n-گرام ها محاسبه ميشوند. سپس با تحليل هر دسته، به کمک آنتروپي متقاطع، يک سري مکان هاي مشکوک به خطا شناسايي ميشوند و در نهايت با استفاده از روش پيشنهادي براي رأي اکثريت بين دسته ها، مکان هاي مشکوک به خطا به صورت بخش هايي از يک زير مسير به برنامه نويس معرفي مي شود. راه کار ارائه شده در اين پايان نامه، با دقت بالا مکان خطا را نشان مي دهد و نتايج بدست آمده از اِعمال اين راه کار به مجموعه محک زيمنس، گوياي آن مي باشد.

2. -n

4. 
int *a = new ….
.
.
.
If (a>22)
(a>2)
(a[0] >22)
fail();
else
.
.
.
•
•
•
•




6. ◄
–n
-n ◄
◄

7. bool foo()
{
found=false;
for (i=0; (i<100) && (!found); i++)
(
)
(
);
{
if (i==50) break;
(
)
;
if (i==20) found=true;
(
)
if (i==30) found=true;
(
)
}
return found;
;
}
•
•
•
•


9. 


void foo()
{
found=false;
for (i=0; (i<100) && (!found) ;i++)
{
if (i==50) break;
if (i==20) found=true;
if (i==30) found=true;
}
printf("foon");
}


11. -n
-n
-n
n-1
≈

12. -n
P(w|h)
h
w
p( w | w1n )
n 1
1
p( wn | w )
C ( w1n 1wn )
C (w1n 1 )

13. -n
-N
p ( wn | w1n 1 )
bigram, N
n
p ( wn | wn
2
1
N 1
)
n 1
1
p( wn | w
)
p( wn | wn 1 )

14. -n
n
p(wn | wn
1
N 1
)
n
C (wn 1 1wn )
N
n
C (wn 1 1 )
N
p( w1n )n ) p( w1 |# ) pp( w2| |w11 ) p(( w3| |w122)) .... p(( wn | |w1nn 11))
p( w1
p( w1 ) ( w2 w) p w3 w .... p wn w
n n
p( wk |k wk 1k)1 )
p( w | w
k 1 1
k

15. -n
-
SAQXYAQUZ
A
S
Q
P(X|AQ)
Y
U
X
Z

16. -n

17. H ( p)
H (X )
p ( x) log p ( x)
x X
p
X

18. q p
H ( p, q )
E p ( log q )
DKL ( p || q )
H ( p)
H ( p)
p ( x ) log q ( x )
x
H ( p, q )
p ( x ) log q ( x )
x
DKL ( p || q )

19. H ( p, q)
H ( p) , if p
H ( p, q)
H ( p, q)
H ( p, q)
H (q, p)
q

20. -n
-n
p(win ) log p(wn | win 1 )
H(X )
w*
-n
p X (win ) log pY (wn | win 1 )
H ( X ,Y )
w*

21. P
P P
P P
P P
………
T
C
Pi
RC
P P
P P
P P
………
P P
S

22. Y X
X=p1 p2 p3
Y=p1 p2 p4
p X ( win ) log pY ( wn | win 1 )
H ( X ,Y )
w*
p X ( win ) log pY ( wn | win 1 )
p X1,(pP1P122, p3)3, p1 ppp 3}( P1) p X ( P2 | P1) p X ( P3 | P1P 2)
{ p 2 , p 3, p p P 2 p
2X
p X ( P1) log pY ( P1 |# )
p X ( P 2) log pY ( P 2 |# )
p X ( P3) log pY ( P3 |# )
p X ( P1P 2) log CY PPP 2) 1)1 p X ( P 2 P3) log pY(( P3 | P 2)
p( ( 1 2 | P
C P 2) 1
pY ( P 2 | P1)
1 , p X ( P 2)
C pY ( P 1
C ( wii 1 ) 3
p X ( P1P 2 P3) log ( P1) 3 | P1P 2)

23. log0
Y = P1 P2 P4
log 0 0
p X ( P 2 P3) pY ( P3 | P 2)
1
log 0 log(
)
1 C (ngram)
C ( P 2 P3)
pY ( P3 | P 2)
C ( P 2)
0
1
0
1
3

24. 1.60
2.28
2.46
1.79
3.65
2.84
P1 P2 P3 P4 P5
P1
P1 P2
P1 P2 P1 P2
P1 P2 P3 P4
P1
P2
P3
P3
P6
P2
P3
P4
P1
P7
P3
P4
P5
P2
P8
P4
P6
P6
P4
P9
1
2
3
4
5
6

25. P1 P2 P3 P4 =
Unigram {P1,P2,P3,P4},
Bigram {P1P2,P2P3,P3P4},
Trigram {P1P2P3,P2P3P4}
D f ( s)
CrossEntro py( s, ti ) , ti is a fail test
i C
D p (s)
CrossEntro py( s, ti ) , ti is a pass test
i C
Similarity
1
Difference

26. x
y
S
S
S

27. y
Θ
tan( )
0
2
y
x
y
x
tan
, tan
Sf
Dp
Sp
Df
1
y
x

28. priority(ngram)
score(ngram)
ingram
N
k
c 1
( priority(ngram))c

29. Regression
Lasso
<1%
< 10 %
< 20 %
< 30 %
Tarantula
SOBER
Liblit

30. Tarantula
SOBER
Liblit
Regression Lasso
Proposed Method