基于深度学习的数据竞争检测方法

摘要：

针对目前已有的基于深度学习的数据竞争检测方法提取特征单一和准确率低的问题,提出一种基于深度学习的数据竞争检测方法DeleRace,该方法首先利用程序静态分析工具 WALA从多个实际应用程序中提取指令、方法和文件等多个级别的特征,对其向量化并构造训练样本数据;然后通过ConRacer工具对真实数据竞争进行判定进而标记样本数据,采用SMOTE增强算法使正负数据样本分布均衡化;最后构建并训练CNN-LSTM 深度神经网络进行数据竞争检测.从DaCapo,JGF,IBM Contest,PJBench基准测试程序套件中分别选取26个不同应用领域的基准测试程序进行训练数据样本抽取和数据竞争检测,结果表明DeleRace的数据竞争检测准确率为96.79％,与目前已有的基于深度学习的检测方法DeepRace相比提升了 4.65％.此外还将DeleRace与已有的动态数据竞争检测工具(Said和RVPredict)和静态数据竞争检测工具(SRD和ConRacer)进行比较,验证了 DeleRace的有效性.

关键词：数据竞争、并发程序、深度学习、特征抽取、CNN-LSTM模型

所属期刊栏目：59

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金;河北省高等学校科学研究计划重点项目;河北省科技支撑计划项目;河北省研究生创新能力培养资助项目

在线出版日期：2022-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：1914-1928