【摘 要】
：
软件已经成为人们日常生活中不可或缺的一部分,因此保证软件的安全性是研究领域中热门话题。软件的可重复构建就是其中的一个研究方向,软件的可重复构建在确认软件的源代码和软件的二进制之间的对应关系中承担着重要的作用。但是在修复软件不可重复构建故障的工作中存在着一系列的挑战。在这些挑战中本文将主要关心以下两方面的挑战:（1）故障定位粒度不够精细;（2）修复补丁手动生成。为了应对这些挑战,本文提出了一种新的研
论文部分内容阅读
软件已经成为人们日常生活中不可或缺的一部分,因此保证软件的安全性是研究领域中热门话题。软件的可重复构建就是其中的一个研究方向,软件的可重复构建在确认软件的源代码和软件的二进制之间的对应关系中承担着重要的作用。但是在修复软件不可重复构建故障的工作中存在着一系列的挑战。在这些挑战中本文将主要关心以下两方面的挑战:（1）故障定位粒度不够精细;（2）修复补丁手动生成。为了应对这些挑战,本文提出了一种新的研究方法,它包含基于跟踪的细粒度故障定位方法和基于历史的修复补丁自动生成方法两个方面。（1）针对故障定位粒度不够精细的挑战,本文采用动态跟踪的方法来同时收集系统调用和用户空间函数调用信息。通过集成内核空间信息和用户空间信息,本文就可以确定每个构建命令在构建脚本中的位置。（2）针对修复补丁手动生成的挑战,本文设计了一种基于相似度的历史补丁检索方法,利用已有的补丁的编辑操作生成修复补丁。在Debian多年的软件可重复构建实践中积累了大量的补丁,从而可以实现修复补丁的自动生成工作。同时本文在现有工作的基础上对基于正向跟踪的故障定位方法进行了探索。为了评估本文方法的有效性,本文在包含116个真实世界软件的数据集上进行了实验。基于本文的方法,成功修复了64个软件包的不可重复构建故障。此外,在Arch Linux的软件中,本文的方法成功修复了4个软件的不可重复构建故障。其中两个补丁已经被存储库接受。同时本文中新的故障定位方法也展现了一定的潜力。
其他文献
随着诸如智能手机、智能手环等移动智能终端的普及,稀疏移动群体感知（SMCS）成为了一项新兴的数据收集范式。在SMCS中,移动用户在报告感知数据的同时还需上传对应的位置信息与当前时间。因此,保证移动用户的位置隐私安全是SMCS需要考虑的重要方面。在此背景下,本文设计实现了两种SMCS下的位置隐私保护机制。首先,现有的SMCS位置隐私保护机制只考虑了单一位置的隐私安全,这并不能完全覆盖移动用户在现实生
近些年来,基于深度学习的推荐算法模型越来越多,在这些模型中,对用户兴趣的建模是一项很重要的工作。而越来越多的研究者发现,用户兴趣往往是具有多样性的,因此如何正确定义并划分用户的多个兴趣就显得尤为重要。而在之前已有的许多考虑了用户多兴趣的推荐算法中,兴趣的定义与划分大多是停留在物品层面的,用户的每个兴趣对应一类物品。这样的设计并没有深入到物品特性层去定义用户兴趣,是与现实不相符的,这样训练得到的用户
基于欠定线性观测方程求解未知信号的问题,是自动控制、通信、人工智能等诸多领域的重要科学问题之一,近年来也在MIMO雷达信号处理、复杂医学图像处理等领域频繁出现。在以往工作中,研究者主要集中针对一维向量信号进行了广泛研究但目前很多领域如多普勒信号的时频处理和阵列信号处理问题中,越来越多涉及到矩阵信号以及张量信号的重构问题,对此无论在理论还是算法方面都有很多新问题有待研究。本文针对实际应用中一类具有所
随着移动设备和智能设备数量的增加,应用的计算复杂度也越来越高。移动边缘计算是当前互联网新兴的计算范式,它部署于互联网边缘,能够更加高效的为用户服务。本文将针对当前移动边缘计算中的计算卸载与边缘缓存两个方面展开研讨。对于计算卸载,由于现在的计算密集型任务一般由多个子任务构成,并且子任务之间具有依赖关系。为了解决有计算依赖性的多个子任务之间的计算卸载问题,本文提出了一种基于深度强化学习的任务映射算法。
共价有机骨架（Covalent organic framework,COF）材料是一种新型的晶态有机多孔材料,因其具有较高的孔隙率,高度有序且可设计的结构,易功能化等特点,在重金属吸附领域有很好的应用前景。本文面向不同的重金属离子,将一种聚芳醚型COF材料（JUC-505）作为基体材料,通过接枝修饰特异性的功能基团,得到不同的重金属吸附剂。这是基于JUC-505的以下特征:首先,AA堆积的二维层状
共价有机骨架（Covalent organic framework,COFs）是一类由小分子有机单体通过共价键连接而成的晶态多孔材料。由于其具有规则的骨架、大的比表面积、开放的多孔结构、丰富的官能团、良好的吸附性能、多样的设计合成方案等特点,COFs被认为是可用于固相微萃取（Solid-phase microextraction,SPME）纤维涂层的高效材料。一方面,通过设计不同几何形状的有机单体
当前人工智能的安全受到普遍的关注,多种防治措施在积极开展。联邦学习主要从技术层面入手,着重探究其中的隐私性与安全性。一方面,联邦学习方案大多都采用同一密钥的加密算法,无法抵御恶意服务器和参与者的合谋攻击。同时,针对模型梯度的攻击也会导致私有数据泄露。另一方面,参与者之间存在资源和数据异构,导致其对模型性能贡献程度不同,合理评估参与者性能并确定选择方法也是一个值得关注的问题。本文提出了一种联邦学习场
随着位置感知技术的发展,轨迹数据越来越容易被收集并应用到城市交通、移动医疗等方面。但当轨迹数据与疾病、年龄等属性一起收集时,往往包含大量的用户敏感信息,如果未对这些数据进行有效的隐私处理而直接发布,攻击者很容易发动背景知识攻击,导致用户隐私泄露。差分隐私作为一种无关背景知识的强隐私保护模型在数据发布的隐私保护中被广泛应用。如何在保护轨迹数据隐私的同时,提高数据可用性是目前研究的热点之一。差分隐私目
由于物联网迅猛发展以及大规模智能终端接入,静态边缘节点无法高效解决资源不足的设备与密集型任务之间的冲突问题。无人机充当移动基站可在通信设施不足地区或地震等自然灾害情况下快速通信和处理设备任务。然而,基于无人机基站的卸载研究大多忽略历史数据的重要价值和终端设备产生任务的规律性。此外,现有研究很少考虑大规模任务卸载,未考虑随着终端设备产生任务的改变会导致所需无人机数量的改变。本文创建多无人机集群辅助移
近年来,随着边缘计算的应用普及,卸载策略需要适应日渐复杂的通信场景,同时,任务分割与共享往往只发生在边缘服务器和用户间,大量用户的空余计算资源没有得到有效利用。因此,如何建立适应5G通信场景的卸载策略与怎样完善任务共享卸载计算方案成为了边缘计算中的两个亟待解决的问题。首先,以往卸载策略研究大多结合传统的通信方式进行独立讨论,缺乏对计算资源分配过程及最终结果反馈。因此,传统方案在5G时代缺乏应用性与