JP2020086928A - Error output apparatus, error output method, learning apparatus, method of generating learned model, program, and learned model - Google Patents

Error output apparatus, error output method, learning apparatus, method of generating learned model, program, and learned model Download PDF

Info

Publication number
JP2020086928A
JP2020086928A JP2018220358A JP2018220358A JP2020086928A JP 2020086928 A JP2020086928 A JP 2020086928A JP 2018220358 A JP2018220358 A JP 2018220358A JP 2018220358 A JP2018220358 A JP 2018220358A JP 2020086928 A JP2020086928 A JP 2020086928A
Authority
JP
Japan
Prior art keywords
error information
error
degree
association
generated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018220358A
Other languages
Japanese (ja)
Other versions
JP7238361B2 (en
Inventor
芳明 野村
Yoshiaki Nomura
芳明 野村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP2018220358A priority Critical patent/JP7238361B2/en
Publication of JP2020086928A publication Critical patent/JP2020086928A/en
Application granted granted Critical
Publication of JP7238361B2 publication Critical patent/JP7238361B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

To classify and output a plurality of error information related to each other regardless of whether there is correction of source code or not.SOLUTION: An error output apparatus 100 converts an error log D1 output from a compiler 200, which compiles source code, into a categorized error log D2 which has been classified into a plurality of categories and outputs it. The error log D1 contains a plurality of error information. Each error information includes an element such as an error number, the location of occurrence, and an embedded parameter, for example. The error number is information indicating the information on error type. The location of occurrence is expressed by, for example, the number of a row in which the error occurred. Pieces of error information classified into the same category in the categorized error log D2 are likely to have a common basic cause.SELECTED DRAWING: Figure 1

Description

本発明は、エラー出力装置、エラー出力方法、学習装置、学習済みモデルの生成方法、プログラム、および学習済みモデルに関する。 The present invention relates to an error output device, an error output method, a learning device, a learned model generation method, a program, and a learned model.

特許文献１には、ソースコードのコンパイルによって生じる複数のエラー情報を複数のカテゴリに分類して出力する技術が開示されている。特許文献２には、複数の解析ツールによって出力された複数の警告に基づいて、重複する警告を省略して出力する技術が開示されている。 Patent Document 1 discloses a technique of classifying a plurality of error information generated by source code compilation into a plurality of categories and outputting the classified information. Patent Document 2 discloses a technique of omitting and outputting duplicate warnings based on a plurality of warnings output by a plurality of analysis tools.

特開２０１６−１２６６７１号公報JP, 2016-126671, A 特開２００９−１６９５７３号公報JP, 2009-169573, A

特許文献１に記載の技術では、複数のエラー情報を、修正により他のエラーも解消するもの、他のエラーの修正により解消するもの、単発のエラー、および新規のエラーからなる４つのカテゴリーに分類する。しかしながら、特許文献１に記載の技術は、ソースコードの修正がなされたときに、修正前後の比較によって分類されるものであって、修正前のソースコードについてエラーの分類をすることができない。
特許文献２に記載の技術では、重複する複数の警告の一部を省略し、表示される警告の量を低減することができるが、複数の警告どうしの関係は不明である。 In the technique described in Patent Document 1, a plurality of pieces of error information are classified into four categories: one that corrects other errors by correction, one that corrects other errors, a one-time error, and a new error. To do. However, the technique described in Patent Document 1 is classified by comparing before and after modification when the source code is modified, and cannot classify errors in the source code before modification.
In the technique described in Patent Document 2, it is possible to omit a part of a plurality of overlapping warnings and reduce the amount of displayed warnings, but the relationship between the plurality of warnings is unknown.

本発明の目的は、上述した課題を解決するエラー出力装置、エラー出力方法、学習装置、学習済みモデルの生成方法、プログラム、および学習済みモデルを提供することにある。 An object of the present invention is to provide an error output device, an error output method, a learning device, a learned model generation method, a program, and a learned model that solve the above problems.

本発明の第１の態様によれば、エラー出力装置は、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するように学習された学習済みモデルと、前記学習済みモデルを用いて、ソースコードのコンパイルによって生じた複数のエラー情報どうしの関連度を推定する関連度推定部と、推定された前記関連度に基づいて前記複数のエラー情報を出力する出力部とを備える。 According to the first aspect of the present invention, the error output device inputs a plurality of error information generated by compiling the source code, and outputs a degree of association between the plurality of error information, and the learned model learned. And a degree-of-association estimating unit that estimates a degree of association between a plurality of error information generated by compiling the source code using the learned model, and outputs the plurality of error information based on the estimated degree of association. And an output unit for

本発明の第２の態様によれば、エラー出力方法は、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するように学習された学習済みモデルを用いて、ソースコードのコンパイルによって生じた複数のエラー情報どうしの関連度を推定するステップと、推定された前記関連度に基づいて前記複数のエラー情報を出力するステップとを備える。 According to a second aspect of the present invention, an error output method is a trained model that is trained to input a plurality of error information generated by compiling source code and output a degree of association between the plurality of error information. And estimating the degree of association between a plurality of pieces of error information generated by compiling the source code, and outputting the plurality of pieces of error information based on the estimated degree of association.

本発明の第３の態様によれば、プログラムは、コンピュータを、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するように学習された学習済みモデル、前記学習済みモデルを用いて、ソースコードのコンパイルによって生じた複数のエラー情報どうしの関連度を推定する関連度推定部、推定された前記関連度に基づいて前記複数のエラー情報を出力する出力部として機能させる。 According to a third aspect of the present invention, a program is learned by a computer to input a plurality of error information generated by compiling source code and output a degree of association between the plurality of error information. A model, a relevance estimation unit that estimates a relevance of a plurality of error information generated by compiling source code using the learned model, and outputs the plurality of error information based on the estimated relevance Make it function as an output unit.

本発明の第４の態様によれば、学習装置は、デバッグ作業前のコンパイルによって生じた第１のエラー情報群と、前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群とに基づいて、複数のエラー情報どうしの関連度を特定する関連度特定部と、前記複数のエラー情報と前記特定された関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するようにモデルを訓練する学習部とを備える。 According to the fourth aspect of the present invention, the learning device is based on the first error information group generated by the compilation before the debug work and the second error information group generated by the compilation after the debug work. , A plurality of errors caused by compiling the source code by using a relevance degree specifying unit that specifies a degree of relevance between the plurality of error information and a learning data set including the plurality of error information and the identified degree of relevance A learning unit for inputting information and training the model so as to output the degree of association between the plurality of pieces of error information.

本発明の第５の態様によれば、学習済みモデルの生成方法は、デバッグ作業前のコンパイルによって生じた第１のエラー情報群と、前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群とに基づいて、複数のエラー情報どうしの関連度を特定するステップと、前記複数のエラー情報と前記特定された関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するようにモデルを訓練するステップとを備える。 According to a fifth aspect of the present invention, a method of generating a trained model includes a first error information group generated by compilation before debug work and a second error information group generated by compilation after debug work. A step of identifying the degree of association between a plurality of error information based on the above, and a plurality of error code generated by the compilation of the source code using the learning data set including the plurality of error information and the identified degree of association. Inputting error information and training the model to output a degree of association between the plurality of error information.

本発明の第６の態様によれば、プログラムは、コンピュータを、デバッグ作業前のコンパイルによって生じた第１のエラー情報群と、前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群とに基づいて、複数のエラー情報どうしの関連度を特定する関連度特定部、前記複数のエラー情報と前記特定された関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するようにモデルを訓練する学習部として機能させる。 According to the sixth aspect of the present invention, the program causes the computer to store the first error information group generated by the compilation before the debug work and the second error information group generated by the compilation after the debug work. On the basis of the plurality of error information, a relevance degree specifying unit that specifies the degree of relevance between the error information pieces, using a learning data set including the plurality of error information pieces and the specified relevance degree The error information is input, and it functions as a learning unit that trains the model so as to output the degree of association between the plurality of error information.

本発明の第７の態様によれば、学習済みモデルは、デバッグ作業前のコンパイルによって生じた第１のエラー情報群および前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群の少なくとも一方に含まれる複数のエラー情報と、当該複数のエラー情報どうしの関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するように訓練される。 According to the seventh aspect of the present invention, the trained model is stored in at least one of the first error information group generated by the compilation before the debug work and the second error information group generated by the compilation after the debug work. By using a learning data set including a plurality of included error information and a degree of association between the plurality of error information, inputting a plurality of error information generated by compiling the source code, and relating the plurality of error information to each other. Trained to output degrees.

上記態様のうち少なくとも１つの態様によれば、ソースコードの修正の有無に関わらず、互いに関連する複数のエラー情報を分類して出力することができる。 According to at least one of the above aspects, it is possible to classify and output a plurality of pieces of error information related to each other, regardless of whether or not the source code is modified.

第１の実施形態に係るエラー出力装置の動作の例を示す概略図である。It is a schematic diagram showing an example of operation of an error output device concerning a 1st embodiment. 第１の実施形態に係るエラー出力装置の動作の例を示す概略図である。It is a schematic diagram showing an example of operation of an error output device concerning a 1st embodiment. 第１の実施形態に係るエラー出力装置の動作を示すフローチャートである。6 is a flowchart showing the operation of the error output device according to the first embodiment. 第１の実施形態における学習処理の例を示すフローチャートである。It is a flow chart which shows an example of learning processing in a 1st embodiment. エラー出力装置の基本構成を示す概略ブロック図である。It is a schematic block diagram which shows the basic composition of an error output device. 学習装置の基本構成を示す概略ブロック図である。It is a schematic block diagram which shows the basic composition of a learning device. 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。It is a schematic block diagram which shows the structure of the computer which concerns on at least 1 embodiment.

〈第１の実施形態〉
以下、図面を参照しながら実施形態について詳しく説明する。
図１は、第１の実施形態に係るエラー出力装置の動作の例を示す概略図である。
エラー出力装置１００は、ソースコードをコンパイルするコンパイラ２００から出力されたエラーログＤ１を、複数のカテゴリに分類したカテゴライズドエラーログＤ２に変換して出力する。エラーログＤ１には、複数のエラー情報が含まれる。エラー情報は、例えば、エラー番号、発生個所、埋め込みパラメータなどの要素を含む。エラー番号は、エラーの種類を示す情報である。発生個所は、例えばエラーが発生した行番号によって表される。また、カテゴライズドエラーログＤ２において同一のカテゴリに分類されたエラー情報は、根本的な原因が共通である可能性が高い。 <First Embodiment>
Hereinafter, embodiments will be described in detail with reference to the drawings.
FIG. 1 is a schematic diagram showing an example of the operation of the error output device according to the first embodiment.
The error output device 100 converts the error log D1 output from the compiler 200 that compiles the source code into a categorized error log D2 that is classified into a plurality of categories and outputs the categorized error log D2. The error log D1 includes a plurality of error information. The error information includes elements such as an error number, a location where the error occurred, and an embedded parameter. The error number is information indicating the type of error. The occurrence location is represented by, for example, the line number where the error occurred. In addition, the error information classified into the same category in the categorized error log D2 is likely to have a common root cause.

図２は、第１の実施形態に係るエラー出力装置の動作の例を示す概略図である。
エラー出力装置１００は、入力部１０１、学習済みモデル記憶部１０２、関連度推定部１０３、分類部１０４、出力部１０５、ログ記憶部１０６、差分特定部１０７、関連度特定部１０８、学習部１０９を備える。 FIG. 2 is a schematic diagram showing an example of the operation of the error output device according to the first embodiment.
The error output device 100 includes an input unit 101, a learned model storage unit 102, an association degree estimation unit 103, a classification unit 104, an output unit 105, a log storage unit 106, a difference identification unit 107, an association degree identification unit 108, and a learning unit 109. Equipped with.

入力部１０１は、コンパイラ２００から出力されたエラーログＤ１の入力を受け付ける。 The input unit 101 receives an input of the error log D1 output from the compiler 200.

学習済みモデル記憶部１０２は、２つのエラー情報を入力し、２つのエラー情報どうしの関連度を出力するように学習された学習済みモデルを記憶する。２つのエラー情報どうしの関連度とは、当該２つのエラー情報の発生原因の共通性に関する値である。例えば、ソースコードにおけるある文の終止符の欠落により、その文の文末についてのエラーと後続の文についてのエラーとが発生した場合、当該２つのエラー情報は、終止符の欠落という同一の原因によって生じたものであるため、互いに関連度が高い。また、例えば、変数宣言の誤りにより、その変数が未定義である旨の複数のエラーが発生した場合、当該複数のエラー情報は、変数宣言の誤りという同一の原因によって生じたものであるため、互いに関連度が高い。他方、文の終止符の欠落によって生じたエラーと変数宣言の誤りによって生じたエラーとの関連度は低い。
学習済みモデルは、例えばニューラルネットワークなどの機械学習モデルと、学習用データセットによる訓練によって更新されたパラメータの組み合わせによって構成される。機械学習モデルはディープラーニングに係るものであってよい。学習済みモデルは、２つのエラー情報とその関連度との組み合わせからなる学習用データセットによって訓練される。 The learned model storage unit 102 inputs the two pieces of error information, and stores the learned model learned so as to output the degree of association between the two pieces of error information. The degree of association between two pieces of error information is a value related to the commonality of causes of the two pieces of error information. For example, if an end-of-sentence error in a source code causes an error about the end of a sentence and an error about a subsequent sentence, the two error information are generated by the same cause of the end-missing. Therefore, they are highly related to each other. Further, for example, when a plurality of errors indicating that the variable is undefined occurs due to an error in the variable declaration, since the plurality of error information are caused by the same cause of the error in the variable declaration, Highly related to each other. On the other hand, the degree of association between an error caused by a missing sentence terminator and an error caused by an incorrect variable declaration is low.
The learned model is composed of, for example, a machine learning model such as a neural network and a combination of parameters updated by training using the learning data set. The machine learning model may be related to deep learning. The trained model is trained by a training data set consisting of a combination of two pieces of error information and their degree of association.

関連度推定部１０３は、入力部１０１に入力されたエラーログＤ１から、２つのエラー情報のすべての組み合わせ（エラーペア）を抽出する。関連度推定部１０３は、各エラーペアを学習済みモデルに入力することで、各エラーペアの関連度を推定する。 The association degree estimation unit 103 extracts all combinations (error pairs) of two pieces of error information from the error log D1 input to the input unit 101. The degree-of-association estimation unit 103 estimates the degree of association of each error pair by inputting each error pair into the trained model.

分類部１０４は、関連度推定部１０３によって推定された複数のエラーペアに係る関連度に基づいて、複数のエラー情報を複数のカテゴリに分類する。例えば、分類部１０４は、関連度が所定の閾値以上となるエラーペアに係る２つのエラー情報を、同一のカテゴリに分類する。また例えば分類部１０４は、複数のエラーペアに係る関連度に基づいてクラスタリング処理を行うことでカテゴリの分類を行ってもよい。 The classifying unit 104 classifies a plurality of error information into a plurality of categories based on the degree of association of a plurality of error pairs estimated by the degree-of-association estimating unit 103. For example, the classification unit 104 classifies two pieces of error information related to an error pair whose degree of association is equal to or higher than a predetermined threshold value into the same category. Further, for example, the classification unit 104 may classify the categories by performing a clustering process based on the degrees of association of the plurality of error pairs.

出力部１０５は、分類部１０４によって分類されたカテゴリ別に、複数のエラー情報を出力する。出力部１０５は、例えばディスプレイにカテゴリ分けされたエラー情報を表示してよい。また出力部１０５は、例えば外部の記憶媒体にカテゴリ分けされたエラー情報を記録してよい。また出力部１０５は、例えば紙面にカテゴリ分けされたエラー情報を印刷してよい。 The output unit 105 outputs a plurality of error information for each category classified by the classification unit 104. The output unit 105 may display the categorized error information on the display, for example. Further, the output unit 105 may record the categorized error information in an external storage medium, for example. Further, the output unit 105 may print the error information categorized on paper, for example.

ログ記憶部１０６は、入力部１０１に入力されたエラーログＤ１を記憶する。 The log storage unit 106 stores the error log D1 input to the input unit 101.

差分特定部１０７は、入力部１０１に入力されたエラーログＤ１がデバッグ作業後のソースコードに係るものであるか否かを判定する。例えば、差分特定部１０７は、入力されたエラーログＤ１とログ記憶部１０６が記憶するエラーログＤ１とにおいて共通するエラー情報が所定数存在する場合に、デバッグ作業後のソースコードに係るものであると判定する。
差分特定部１０７は、デバッグ前のソースコードのコンパイルによって生成されたエラーログＤ１（第１のエラー情報群）と、デバッグ後のソースコードのコンパイルによって生成されたエラーログＤ１（第２のエラー情報群）との差分を特定する。すなわち、差分特定部１０７は、複数のエラー情報を、デバッグによってなくなったエラー情報、デバッグによって増加したエラー情報、およびデバッグによって変化しなかったエラー情報に分類する。 The difference identifying unit 107 determines whether the error log D1 input to the input unit 101 is related to the source code after the debugging work. For example, the difference identifying unit 107 relates to the source code after the debugging work when there is a predetermined number of common error information in the input error log D1 and the error log D1 stored in the log storage unit 106. To determine.
The difference identifying unit 107 includes an error log D1 (first error information group) generated by compiling the source code before debug and an error log D1 (second error information) generated by compiling the source code after debug. Group)) is specified. That is, the difference identifying unit 107 classifies the plurality of error information into error information that has disappeared due to debugging, error information that has increased due to debugging, and error information that has not changed due to debugging.

関連度特定部１０８は、第１のエラー情報群および第２のエラー情報群に含まれる複数のエラー情報から、複数のエラーペアを抽出する。関連度特定部１０８は、差分特定部１０７による分類結果に基づいて、複数のエラーペアそれぞれの関連度を特定する。例えば、関連度特定部１０８は、デバッグによってなくなったエラー情報からなるエラーペアの関連度、およびデバッグによって増加したエラー情報からなるエラーペアの関連度を「１」とする。関連度特定部１０８は、デバッグによって変化しなかったエラー情報からなるエラーペアの関連度を「０．５」とする。関連度特定部１０８は、他のエラーペア（デバッグによってなくなったエラー情報とデバッグによって増加したエラー情報のエラーペア、デバッグによってなくなったエラー情報とデバッグによって変化しなかったエラー情報のエラーペアなど）の関連度を「０」とする。つまり、関連度特定部１０８は、第１のエラー情報群および第２のエラー情報群の一方にのみ含まれるエラー情報からなるエラーペアの関連度を、少なくとも第１のエラー情報群に含まれるエラー情報と少なくとも第２のエラー情報群に含まれるエラー情報とからなるエラーペアの関連度より高いものと特定する。 The degree-of-association identifying unit 108 extracts a plurality of error pairs from the plurality of error information included in the first error information group and the second error information group. The degree-of-association identifying unit 108 identifies the degree of association of each of the plurality of error pairs based on the classification result by the difference identifying unit 107. For example, the degree-of-association identifying unit 108 sets the degree of association of an error pair including error information lost by debugging and the degree of association of an error pair including error information increased by debugging to “1”. The degree-of-association identifying unit 108 sets the degree of association of an error pair including error information that has not changed due to debugging to “0.5”. The degree-of-association identifying unit 108 determines the degree of association of other error pairs (error pairs of error information lost by debugging and error information increased by debugging, error pairs of error information lost by debugging and error information unchanged by debugging, etc.). Set to "0". That is, the degree-of-association identifying unit 108 determines the degree of association of an error pair including error information included in only one of the first error information group and the second error information group, at least the error information included in the first error information group. And the error information included in at least the second error information group are specified to have a higher degree of association than an error pair.

学習部１０９は、関連度特定部１０８によって特定された複数のエラーペアと、各エラーペアの関連度との組み合わせを学習用データセットとして、学習済みモデルを訓練する。学習済みモデルの訓練は、例えばバックプロパゲーション法によって実行される。学習部１０９は、学習済みモデル記憶部１０２が記憶する学習済みモデルを更新する。 The learning unit 109 uses the combination of the plurality of error pairs identified by the association degree identifying unit 108 and the association degree of each error pair as a learning data set to train the learned model. Training of the learned model is performed by, for example, the backpropagation method. The learning unit 109 updates the learned model stored in the learned model storage unit 102.

図３は、第１の実施形態に係るエラー出力装置の動作を示すフローチャートである。
コンパイラ２００がエラーログＤ１を出力すると、エラー出力装置１００の入力部１０１は、エラーログＤ１の入力を受け付ける（ステップＳ１）。 FIG. 3 is a flowchart showing the operation of the error output device according to the first embodiment.
When the compiler 200 outputs the error log D1, the input unit 101 of the error output device 100 receives the input of the error log D1 (step S1).

エラーログが入力されると、差分特定部１０７は、入力されたエラーログＤ１と、すでにログ記憶部１０６に記憶されたエラーログＤ１とで、共通するエラー情報が所定数以上存在するか否かを判定する（ステップＳ２）。共通するエラー情報が所定数以上存在する場合（ステップＳ２：ＹＥＳ）、差分特定部１０７は、入力されたエラーログＤ１がデバッグ作業後のソースコードのコンパイルによって生成されたエラーログＤ１であると判定する。この場合、エラー出力装置１００は、後述する学習処理を実行する（ステップＳ３）。他方、共通するエラー情報が所定数未満である場合、またはログ記憶部１０６にエラーログＤ１が記憶されていない場合（ステップＳ２：ＮＯ）、差分特定部１０７は、入力されたエラーログＤ１がソースコードの初回のコンパイルによって生成されたエラーログＤ１であると判定する。この場合、エラー出力装置１００は、学習処理を実行しない。
次に、入力部１０１は、ステップＳ１で入力されたエラーログＤ１をログ記憶部１０６に記録する（ステップＳ４）。 When the error log is input, the difference identifying unit 107 determines whether or not there is a predetermined number or more of common error information in the input error log D1 and the error log D1 already stored in the log storage unit 106. Is determined (step S2). When there is a predetermined number or more of common error information (step S2: YES), the difference identifying unit 107 determines that the input error log D1 is the error log D1 generated by compiling the source code after debugging work. To do. In this case, the error output device 100 executes a learning process described later (step S3). On the other hand, when the common error information is less than the predetermined number, or when the error log D1 is not stored in the log storage unit 106 (step S2: NO), the difference identifying unit 107 uses the input error log D1 as the source. It is determined that the error log D1 is generated by the first compilation of the code. In this case, the error output device 100 does not execute the learning process.
Next, the input unit 101 records the error log D1 input in step S1 in the log storage unit 106 (step S4).

次に、関連度推定部１０３は、入力されたエラーログＤ１から取り得るすべてのエラーペアを特定する（ステップＳ５）。関連度推定部１０３は、エラーペアを１つずつ選択し、すべてのエラーペアについて、以下のステップＳ７からステップＳ１０の処理を実行する（ステップＳ６）。関連度推定部１０３は、ステップＳ６で選択したエラーペアを、学習済みモデル記憶部１０２が記憶する学習済みモデルに入力することで、当該エラーペアの関連度を推定する（ステップＳ７）。 Next, the degree-of-association estimation unit 103 identifies all possible error pairs from the input error log D1 (step S5). The degree-of-association estimation unit 103 selects one error pair at a time, and executes the following steps S7 to S10 for all error pairs (step S6). The association degree estimation unit 103 estimates the association degree of the error pair by inputting the error pair selected in step S6 into the learned model stored in the learned model storage unit 102 (step S7).

分類部１０４は、推定された関連度が所定の閾値以上であるか否かを判定する（ステップＳ８）。関連度が閾値以上である場合（ステップＳ８：ＹＥＳ）、分類部１０４は、エラーペアを構成する２つのエラー情報を同一のカテゴリに分類する（ステップＳ９）。このとき、すでに一方のエラー情報が何らかのカテゴリに分類されている場合、分類部１０４は、他方のエラー情報を当該カテゴリに分類する。またすでに両方のエラー情報がそれぞれ何らかのカテゴリに分類されている場合、分類部１０４は、２つのカテゴリを１つのカテゴリに統合する。他方、関連度が閾値未満である場合（ステップＳ８：ＮＯ）、分類部１０４は、エラーペアを構成する２つのエラー情報を別のカテゴリに分類する（ステップＳ１０）。 The classification unit 104 determines whether the estimated degree of association is equal to or higher than a predetermined threshold value (step S8). When the degree of association is equal to or higher than the threshold value (step S8: YES), the classification unit 104 classifies the two pieces of error information forming the error pair into the same category (step S9). At this time, when one error information is already classified into some category, the classification unit 104 classifies the other error information into the category. Further, when both pieces of error information have already been classified into some categories, the classification unit 104 integrates the two categories into one category. On the other hand, when the degree of association is less than the threshold value (step S8: NO), the classification unit 104 classifies the two pieces of error information forming the error pair into different categories (step S10).

すべてのエラーペアについて、ステップＳ７からステップＳ１０の処理が実行されると、出力部１０５は、複数のエラー情報を分類されたカテゴリごとに区別したカテゴライズドエラーログＤ２を生成し、出力する（ステップＳ１１）。これにより、利用者は、根本的な原因が共通する可能性が高いエラー情報をまとめて参照することができる。したがって、例えばエラー情報の数が多い場合においても、カテゴライズドエラーログＤ２におけるカテゴリの数が少ない場合、利用者は、わずかな修正でエラーを解消できる可能性を予見することができる。 When the processing from step S7 to step S10 is executed for all error pairs, the output unit 105 generates and outputs a categorized error log D2 in which a plurality of error information is distinguished for each classified category (step S11). ). As a result, the user can collectively refer to error information that is likely to have a common root cause. Therefore, even if the number of error information is large, for example, if the number of categories in the categorized error log D2 is small, the user can foresee the possibility that the error can be resolved with a slight correction.

ここで、学習済みモデルの学習処理について説明する。
図４は、第１の実施形態における学習処理の例を示すフローチャートである。
入力部１０１に入力されたエラーログＤ１がデバッグ作業後のソースコードのコンパイルによって生成されたエラーログＤ１である場合、差分特定部１０７は、ログ記憶部１０６が記憶するエラーログＤ１と、入力されたエラーログＤ１との差分に基づいて、複数のエラー情報を、デバッグによってなくなったエラー情報、デバッグによって増加したエラー情報、およびデバッグによって変化しなかったエラー情報に分類する（ステップＳ３１）。 Here, the learning process of the learned model will be described.
FIG. 4 is a flowchart showing an example of the learning process in the first embodiment.
When the error log D1 input to the input unit 101 is the error log D1 generated by compiling the source code after the debugging work, the difference specifying unit 107 inputs the error log D1 stored in the log storage unit 106 as the input. Based on the difference between the error log D1 and the error log D1, the plurality of error information is classified into error information lost by debugging, error information increased by debugging, and error information unchanged by debugging (step S31).

関連度特定部１０８は、ログ記憶部１０６が記憶するエラーログＤ１と入力されたエラーログＤ１とから、取り得るすべてのエラーペアを特定する（ステップＳ３２）。関連度特定部１０８は、エラーペアを１つずつ選択し（ステップＳ３３）、すべてのエラーペアについて、ステップＳ３１による分類結果に基づいて関連度を特定する（ステップＳ３４）。 The degree-of-association specifying unit 108 specifies all possible error pairs from the error log D1 stored in the log storage unit 106 and the input error log D1 (step S32). The degree-of-association identifying unit 108 selects one error pair at a time (step S33), and identifies the degree of association for all error pairs based on the classification result obtained at step S31 (step S34).

学習部１０９は、ステップＳ３２で特定された複数のエラーペアと、ステップＳ３４で特定した各エラーペアの関連度との組み合わせを学習用データセットとして、学習済みモデルを訓練する（ステップＳ３５）。学習部１０９は、学習済みモデル記憶部１０２が記憶する学習済みモデルを更新する（ステップＳ３６）。 The learning unit 109 uses the combination of the plurality of error pairs identified in step S32 and the degree of association of each error pair identified in step S34 as a learning data set to train the learned model (step S35). The learning unit 109 updates the learned model stored in the learned model storage unit 102 (step S36).

このように、第１の実施形態によれば、エラー出力装置１００は、エラーペアを入力し、エラーペアの関連度を出力するように学習された学習済みモデルを用いて、エラーログに係る複数のエラー情報どうしの関連度を推定し、関連度に基づいて複数のエラー情報を出力する。これにより、エラー出力装置１００は、ソースコードの修正の有無に関わらず、エラーログにおいて互いに関連する複数のエラー情報を分類して出力することができる。なお、他の実施形態においては、学習済みモデルは、エラーペアに限られず、３つ以上のエラー情報の入力を受け付けてもよい。この場合、学習済みモデルは、入力された複数のエラー情報どうしの関連度を推定する。 As described above, according to the first embodiment, the error output device 100 receives a plurality of errors related to the error log by using the learned model that is input to the error pair and outputs the degree of association of the error pair. Estimating the degree of association between pieces of information, and outputting a plurality of error information based on the degree of association. As a result, the error output device 100 can classify and output a plurality of pieces of error information related to each other in the error log, regardless of whether or not the source code is corrected. It should be noted that in other embodiments, the learned model is not limited to the error pair, and may input three or more pieces of error information. In this case, the learned model estimates the degree of association between the plurality of input error information.

また、第１の実施形態によれば、エラー出力装置１００は、デバッグ作業前のコンパイルによって生じたエラーログＤ１と、前記デバッグ作業後のコンパイルによって生じたエラーログＤ１とに基づいて、当該エラーログＤ１において取り得る複数のエラーペアの関連度を特定し、当該関連度を用いて学習済みモデルを訓練する。これにより、エラー出力装置１００は、ソースコードのデバッグ作業ごとに自動的に学習用データセットを生成し、学習済みモデルによる関連度の推定精度を向上させることができる。 Further, according to the first embodiment, the error output device 100 uses the error log D1 generated by the compilation before the debug work and the error log D1 generated by the compilation after the debug work, based on the error log D1. The degree of association of a plurality of error pairs that can be taken in D1 is identified, and the learned model is trained using the degree of association. As a result, the error output device 100 can automatically generate the learning data set every time the source code is debugged, and improve the estimation accuracy of the degree of association based on the learned model.

エラー出力装置１００は、デバッグによってなくなったエラー情報からなるエラーペアの関連度、およびデバッグによって増加したエラー情報からなるエラーペアの関連度を、他のエラーペアの関連度より高いものと特定する。一のデバッグ作業によって、一の原因が除外された場合、当該デバッグによって、当該原因に関連する複数のエラー情報がなくなる。つまり、デバッグによってなくなったエラー情報からなるエラーペアは、互いに関連度が高いといえる。同様に、一のデバッグ作業によって、一の原因が生じた場合、当該デバッグによって、当該原因に関連する複数のエラー情報が増加する。つまり、デバッグによって増加したエラー情報からなるエラーペアは、互いに関連度が高いといえる。このように、エラー出力装置１００は、デバッグ前後の差分によって適切にエラーペアの関連性を特定することができる。 The error output device 100 specifies the degree of association of an error pair including error information lost by debugging and the degree of association of an error pair including error information increased by debugging as being higher than the degree of association of other error pairs. When one cause is excluded by one debugging operation, the plurality of error information related to the cause is eliminated by the debugging. In other words, it can be said that the error pairs made up of error information lost by debugging are highly related to each other. Similarly, when one cause is caused by one debugging operation, the plurality of error information related to the cause is increased by the debugging. That is, it can be said that the error pairs including the error information increased by debugging are highly related to each other. In this way, the error output device 100 can appropriately identify the relevance of an error pair based on the difference before and after debugging.

エラー出力装置１００は、推定された関連度に基づいてエラーログＤ１に係る複数のエラー情報を複数のカテゴリに分類し、当該複数のカテゴリに基づいてカテゴライズドエラーログＤ２を出力する。これにより、利用者は、根本的な原因が共通する可能性が高いエラー情報をまとめて参照することができる。 The error output device 100 classifies a plurality of error information related to the error log D1 into a plurality of categories based on the estimated degree of association and outputs a categorized error log D2 based on the plurality of categories. As a result, the user can collectively refer to error information that is likely to have a common root cause.

《基本構成》
図５は、エラー出力装置の基本構成を示す概略ブロック図である。
上述した実施形態では、エラー出力装置の一実施形態として図２に示すエラー出力装置１００について説明したが、エラー出力装置の基本構成は、図５に示すとおりである。
すなわち、エラー出力装置５００は、学習済みモデル５０１、関連度推定部５０２、および出力部５０３を基本構成とする。 <Basic configuration>
FIG. 5 is a schematic block diagram showing the basic configuration of the error output device.
In the above-described embodiment, the error output device 100 shown in FIG. 2 has been described as an embodiment of the error output device, but the basic configuration of the error output device is as shown in FIG.
That is, the error output device 500 has the learned model 501, the relevance estimation unit 502, and the output unit 503 as a basic configuration.

学習済みモデル５０１は、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、複数のエラー情報どうしの関連度を出力するように学習されたものである。学習済みモデル５０１は、第１の実施形態に係る学習済みモデル記憶部１０２が記憶する学習済みモデルに相当する。
関連度推定部５０２は、学習済みモデル５０１を用いて、ソースコードのコンパイルによって生じた複数のエラー情報どうしの関連度を推定する。関連度推定部５０２は、第１の実施形態に係る関連度推定部１０３に相当する。
出力部５０３は、推定された関連度に基づいて複数のエラー情報を出力する。出力部５０３は、第１の実施形態に係る出力部１０５に相当する。 The learned model 501 is learned so as to input a plurality of error information generated by compiling the source code and output a degree of association between the plurality of error information. The learned model 501 corresponds to the learned model stored in the learned model storage unit 102 according to the first embodiment.
The degree-of-association estimation unit 502 estimates the degree of association between a plurality of pieces of error information generated by compiling the source code, using the learned model 501. The degree-of-association estimation unit 502 corresponds to the degree-of-association estimation unit 103 according to the first embodiment.
The output unit 503 outputs a plurality of pieces of error information based on the estimated degree of association. The output unit 503 corresponds to the output unit 105 according to the first embodiment.

これにより、エラー出力装置５００は、ソースコードの修正の有無に関わらず、互いに関連する複数のエラー情報を分類して出力することができる。 Accordingly, the error output device 500 can classify and output a plurality of pieces of error information that are related to each other, regardless of whether or not the source code is modified.

図６は、学習装置の基本構成を示す概略ブロック図である。
上述した実施形態では、学習装置の一実施形態として図２に示すエラー出力装置１００について説明したが、学習装置の基本構成は、図６に示すとおりである。
すなわち、学習装置６００は、関連度特定部６０１、学習部６０２を基本構成とする。 FIG. 6 is a schematic block diagram showing the basic configuration of the learning device.
In the above-described embodiment, the error output device 100 shown in FIG. 2 was described as an embodiment of the learning device, but the basic configuration of the learning device is as shown in FIG.
That is, the learning device 600 has the association degree specifying unit 601 and the learning unit 602 as basic configurations.

関連度特定部６０１は、デバッグ作業前のコンパイルによって生じた第１のエラー情報群と、デバッグ作業後のコンパイルによって生じた第２のエラー情報群とに基づいて、複数のエラー情報どうしの関連度を特定する。関連度特定部６０１は、第１の実施形態に係る関連度特定部１０８に相当する。
学習部６０２は、複数のエラー情報と特定された関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、複数のエラー情報どうしの関連度を出力するようにモデルを訓練する。学習部６０２は、第１の実施形態に係る学習部１０９に相当する。 The degree-of-association identifying unit 601 determines the degree of association between a plurality of pieces of error information based on a first error information group generated by compilation before debugging work and a second error information group generated by compilation after debugging work. Specify. The degree-of-association specifying unit 601 corresponds to the degree-of-association specifying unit 108 according to the first embodiment.
The learning unit 602 inputs a plurality of error information generated by compiling the source code using a learning data set including a plurality of error information and the specified degree of association, and outputs a degree of association between the plurality of error information. Train the model to do The learning unit 602 corresponds to the learning unit 109 according to the first embodiment.

これにより、学習装置６００は、ソースコードの修正の有無に関わらず、エラー情報の関連度を特定するように、モデルを訓練することができる。 Thereby, the learning device 600 can train the model so as to specify the degree of association of the error information regardless of whether the source code is modified.

以上、図面を参照して一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限らず、様々な設計変更等をすることが可能である。
例えば、第１の実施形態に係るエラー出力装置１００は、コンパイラ２００と別個に設けられるがこれに限らない。例えば、他の実施形態においては、コンパイラ２００がエラー出力装置１００の機能を有するものであってもよい。 Although one embodiment has been described in detail with reference to the drawings, the specific configuration is not limited to the above, and various design changes and the like can be made.
For example, the error output device 100 according to the first embodiment is provided separately from the compiler 200, but is not limited to this. For example, in another embodiment, the compiler 200 may have the function of the error output device 100.

また第１の実施形態に係るエラー出力装置１００は、学習済みモデルを用いた関連度の推定と、学習済みモデルの学習とを行うが、これに限らない。例えば、他の実施形態においては、エラー出力装置１００は、学習済みモデルの学習処理を行わないものであってもよい。すなわち他の実施形態に係るエラー出力装置１００は、ログ記憶部１０６、差分特定部１０７、関連度特定部１０８、および学習部１０９を備えなくてもよい。この場合、学習装置がエラー出力装置１００と別個に設けられるものであってもよい。 The error output device 100 according to the first embodiment estimates the degree of association using the learned model and learns the learned model, but the invention is not limited to this. For example, in another embodiment, the error output device 100 may not perform the learning process of the learned model. That is, the error output device 100 according to another embodiment may not include the log storage unit 106, the difference specifying unit 107, the degree-of-association specifying unit 108, and the learning unit 109. In this case, the learning device may be provided separately from the error output device 100.

また、第１の実施形態に係るエラー出力装置１００は、入力されたエラーログＤ１について、前回のエラーログＤ１との共通箇所を特定することで、当該エラーログＤ１がデバッグ作業に係るものであるか否かを判定するが、これに限られない。例えば、他の実施形態に係るエラー出力装置１００は、入力部１０１が受け付けたエラーログＤ１について利用者からデバッグに係るか否かを示す情報を取得し、これに基づいてエラーログＤ１がデバッグ作業に係るものであるか否かを判定してもよい。また、他の実施形態に係るエラー出力装置１００は、ソースコードの比較によって、エラーログＤ１がデバッグ作業に係るものであるか否かを判定してもよい。 In addition, the error output device 100 according to the first embodiment specifies the common part of the input error log D1 and the previous error log D1, so that the error log D1 is related to the debugging work. It is determined whether or not it is not limited to this. For example, the error output device 100 according to another embodiment acquires information indicating whether the error log D1 received by the input unit 101 is related to debugging from the user, and based on this, the error log D1 is used for debugging work. It may be determined whether or not it is related to. Further, the error output device 100 according to another embodiment may determine whether or not the error log D1 is related to the debugging work by comparing the source codes.

図７は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、インタフェース９４を備える。
上述のエラー出力装置１００、エラー出力装置５００、および学習装置６００は、コンピュータ９０に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ９３に記憶されている。プロセッサ９１は、プログラムをストレージ９３から読み出してメインメモリ９２に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ９１は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ９２に確保する。
プログラムは、コンピュータ９０に発揮させる機能の一部を実現するためのものであってもよい。例えば、プログラムは、ストレージに既に記憶されている他のプログラムとの組み合わせ、または他の装置に実装された他のプログラムとの組み合わせによって機能を発揮させるものであってもよい。なお、他の実施形態においては、コンピュータは、上記構成に加えて、または上記構成に代えてＰＬＤ（Programmable Logic Device）などのカスタムＬＳＩ（Large Scale Integrated Circuit）を備えてもよい。ＰＬＤの例としては、ＰＡＬ(Programmable Array Logic)、ＧＡＬ(Generic Array Logic)、ＣＰＬＤ(Complex Programmable Logic Device)、ＦＰＧＡ（Field Programmable Gate Array）が挙げられる。この場合、プロセッサによって実現される機能の一部または全部が当該集積回路によって実現されてよい。 FIG. 7 is a schematic block diagram showing the configuration of a computer according to at least one embodiment.
The computer 90 includes a processor 91, a main memory 92, a storage 93, and an interface 94.
The error output device 100, the error output device 500, and the learning device 600 described above are implemented in the computer 90. The operation of each processing unit described above is stored in the storage 93 in the form of a program. The processor 91 reads the program from the storage 93, expands it in the main memory 92, and executes the above-described processing according to the program. Further, the processor 91 reserves a storage area corresponding to each of the above-described storage units in the main memory 92 according to the program.
The program may be for realizing a part of the functions to be exerted by the computer 90. For example, the program may exert a function by a combination with another program already stored in the storage or a combination with another program installed in another device. In addition, in another embodiment, the computer may include a custom LSI (Large Scale Integrated Circuit) such as a PLD (Programmable Logic Device) in addition to or instead of the above configuration. Examples of PLD include PAL (Programmable Array Logic), GAL (Generic Array Logic), CPLD (Complex Programmable Logic Device), and FPGA (Field Programmable Gate Array). In this case, some or all of the functions implemented by the processor may be implemented by the integrated circuit.

ストレージ９３の例としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ−ＲＯＭ（Digital Versatile Disc Read Only Memory）、半導体メモリ等が挙げられる。ストレージ９３は、コンピュータ９０のバスに直接接続された内部メディアであってもよいし、インタフェース９４または通信回線を介してコンピュータ９０に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ９０に配信される場合、配信を受けたコンピュータ９０が当該プログラムをメインメモリ９２に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ９３は、一時的でない有形の記憶媒体である。 Examples of the storage 93 are a HDD (Hard Disk Drive), an SSD (Solid State Drive), a magnetic disk, a magneto-optical disk, a CD-ROM (Compact Disc Read Only Memory), and a DVD-ROM (Digital Versatile Disc Read Only Memory). , Semiconductor memory, and the like. The storage 93 may be an internal medium directly connected to the bus of the computer 90 or an external medium connected to the computer 90 via the interface 94 or a communication line. Further, when this program is distributed to the computer 90 via a communication line, the computer 90 that has received the distribution may expand the program in the main memory 92 and execute the above processing. In at least one embodiment, storage 93 is a non-transitory tangible storage medium.

また、当該プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、当該プログラムは、前述した機能をストレージ９３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。 Further, the program may be a program for realizing some of the functions described above. Further, the program may be a so-called difference file (difference program) that realizes the function described above in combination with another program already stored in the storage 93.

１００ エラー出力装置
１０１ 入力部
１０２ 学習済みモデル記憶部
１０３ 関連度推定部
１０４ 分類部
１０５ 出力部
１０６ ログ記憶部
１０７ 差分特定部
１０８ 関連度特定部
１０９ 学習部
２００ コンパイラ
Ｄ１ エラーログ
Ｄ２ カテゴライズドエラーログ 100 error output device 101 input unit 102 learned model storage unit 103 association degree estimation unit 104 classification unit 105 output unit 106 log storage unit 107 difference identification unit 108 association degree identification unit 109 learning unit 200 compiler D1 error log D2 categorized error log

Claims (10)

ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するように学習された学習済みモデルと、
前記学習済みモデルを用いて、ソースコードのコンパイルによって生じた複数のエラー情報どうしの関連度を推定する関連度推定部と、
推定された前記関連度に基づいて前記複数のエラー情報を出力する出力部と
を備えるエラー出力装置。 A trained model trained to input a plurality of error information generated by compiling the source code and output a degree of association between the plurality of error information,
Using the learned model, a relevance estimation unit that estimates a relevance of a plurality of error information generated by compiling source code,
An output unit that outputs the plurality of pieces of error information based on the estimated degree of association. デバッグ作業前のコンパイルによって生じた第１のエラー情報群と、前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群とに基づいて、前記複数のエラー情報どうしの関連度を特定する関連度特定部と、
前記特定された関連度を用いて前記学習済みモデルを訓練する学習部と
を備える請求項１に記載のエラー出力装置。 A degree of relevance that specifies the degree of relevance of the plurality of error information based on a first error information group generated by the compilation before the debugging work and a second error information group generated by the compilation after the debugging work A specific part,
An error output device according to claim 1, further comprising: a learning unit that trains the learned model using the identified degree of association. 前記関連度特定部は、前記第１のエラー情報群および前記第２のエラー情報群の一方にのみ含まれる複数のエラー情報どうしの関連度を、前記第１のエラー情報群に含まれるエラー情報と前記第２のエラー情報群に含まれるエラー情報との関連度より高いものと特定する
請求項２に記載のエラー出力装置。 The degree-of-association specifying unit determines the degree of association between a plurality of pieces of error information included in only one of the first error information group and the second error information group, the error information included in the first error information group. The error output device according to claim 2, wherein the error output device specifies the degree of association between the error information included in the second error information group and the error information included in the second error information group. 推定された前記関連度に基づいて前記複数のエラー情報を複数のカテゴリに分類する分類部を備え、
前記出力部は、前記複数のカテゴリに基づいて前記エラー情報を出力する
請求項１から請求項３の何れか１項に記載のエラー出力装置。 A classification unit that classifies the plurality of error information into a plurality of categories based on the estimated degree of association,
The error output device according to claim 1, wherein the output unit outputs the error information based on the plurality of categories. ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するように学習された学習済みモデルを用いて、ソースコードのコンパイルによって生じた複数のエラー情報どうしの関連度を推定するステップと、
推定された前記関連度に基づいて前記複数のエラー情報を出力するステップと
を備えるエラー出力方法。 By inputting multiple error information generated by compiling the source code and using a trained model that is trained to output the degree of association between the multiple error information, the multiple error information generated by compiling the source code Estimating the degree of association of
Outputting the plurality of error information based on the estimated degree of association. コンピュータを、
ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するように学習された学習済みモデル、
前記学習済みモデルを用いて、ソースコードのコンパイルによって生じた複数のエラー情報どうしの関連度を推定する関連度推定部、
推定された前記関連度に基づいて前記複数のエラー情報を出力する出力部
として機能させるためのプログラム。 Computer,
A trained model trained to input a plurality of error information generated by compiling source code and output a degree of association between the plurality of error information,
Using the learned model, a degree-of-association estimating unit that estimates the degree of association between a plurality of error information generated by compiling the source code,
A program for functioning as an output unit that outputs the plurality of error information based on the estimated degree of association. デバッグ作業前のコンパイルによって生じた第１のエラー情報群と、前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群とに基づいて、複数のエラー情報どうしの関連度を特定する関連度特定部と、
前記複数のエラー情報と前記特定された関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するようにモデルを訓練する学習部と
を備える学習装置。 Relevance identification that identifies the degree of association between a plurality of error information based on the first error information group generated by the compilation before the debugging work and the second error information group generated by the compilation after the debugging work Department,
Using a learning data set including the plurality of error information and the specified degree of association, inputting a plurality of error information generated by compiling the source code, and outputting a degree of association between the plurality of error information. And a learning unit for training the model. デバッグ作業前のコンパイルによって生じた第１のエラー情報群と、前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群とに基づいて、複数のエラー情報どうしの関連度を特定するステップと、
前記複数のエラー情報と前記特定された関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するようにモデルを訓練するステップと
を備える学習済みモデルの生成方法。 A step of identifying a degree of association between a plurality of error information based on a first error information group generated by the compilation before the debugging work and a second error information group generated by the compilation after the debugging work;
Using a learning data set including the plurality of error information and the specified degree of association, inputting a plurality of error information generated by compiling the source code, and outputting a degree of association between the plurality of error information. A method of generating a trained model, the method comprising: コンピュータを、
デバッグ作業前のコンパイルによって生じた第１のエラー情報群と、前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群とに基づいて、複数のエラー情報どうしの関連度を特定する関連度特定部、
前記複数のエラー情報と前記特定された関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するようにモデルを訓練する学習部
として機能させるためのプログラム。 Computer,
Relevance identification that identifies the degree of association between a plurality of error information based on the first error information group generated by the compilation before the debugging work and the second error information group generated by the compilation after the debugging work Department,
Using a learning data set including the plurality of error information and the specified degree of association, inputting a plurality of error information generated by compiling the source code, and outputting a degree of association between the plurality of error information. A program to function as a learning part for training the model. デバッグ作業前のコンパイルによって生じた第１のエラー情報群および前記デバッグ作業後のコンパイルによって生じた第２のエラー情報群の少なくとも一方に含まれる複数のエラー情報と、当該複数のエラー情報どうしの関連度とを含む学習用データセットを用いて、ソースコードのコンパイルによって生じる複数のエラー情報を入力し、前記複数のエラー情報どうしの関連度を出力するように訓練された学習済みモデル。 A plurality of error information included in at least one of the first error information group generated by the compilation before the debug work and the second error information group generated by the compilation after the debug work, and the relation between the plurality of error information A trained model trained to input a plurality of error information generated by compiling the source code and output a degree of association between the plurality of error information using a training data set including degrees.
JP2018220358A 2018-11-26 2018-11-26 Error output device, error output method, learning device, trained model generation method, program, and trained model Active JP7238361B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018220358A JP7238361B2 (en) 2018-11-26 2018-11-26 Error output device, error output method, learning device, trained model generation method, program, and trained model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018220358A JP7238361B2 (en) 2018-11-26 2018-11-26 Error output device, error output method, learning device, trained model generation method, program, and trained model

Publications (2)

Publication Number Publication Date
JP2020086928A true JP2020086928A (en) 2020-06-04
JP7238361B2 JP7238361B2 (en) 2023-03-14

Family

ID=70908241

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018220358A Active JP7238361B2 (en) 2018-11-26 2018-11-26 Error output device, error output method, learning device, trained model generation method, program, and trained model

Country Status (1)

Country Link
JP (1) JP7238361B2 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004206501A (en) * 2002-12-26 2004-07-22 Hitachi Ltd Error message output control system and method, and compiler
JP2009169573A (en) * 2008-01-15 2009-07-30 Fujitsu Ten Ltd Analysis result output device and analysis result output method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004206501A (en) * 2002-12-26 2004-07-22 Hitachi Ltd Error message output control system and method, and compiler
JP2009169573A (en) * 2008-01-15 2009-07-30 Fujitsu Ten Ltd Analysis result output device and analysis result output method

Also Published As

Publication number Publication date
JP7238361B2 (en) 2023-03-14

Similar Documents

Publication Publication Date Title
US11494295B1 (en) Automated software bug discovery and assessment
KR102214297B1 (en) Conditional validation rules
US9483387B1 (en) Tree comparison functionality for services
US8555234B2 (en) Verification of soft error resilience
US11835987B2 (en) Methods and apparatus for finding long methods in code
JP2018112863A (en) Abnormality detecting device, abnormality detecting method, and abnormality detecting program
US20160342720A1 (en) Method, system, and computer program for identifying design revisions in hardware design debugging
CN111108481B (en) Fault analysis method and related equipment
Granda et al. What do we know about the defect types detected in conceptual models?
US10823782B2 (en) Ensuring completeness of interface signal checking in functional verification
JP6331756B2 (en) Test case generation program, test case generation method, and test case generation apparatus
CN113138808B (en) Integration method, device, computer equipment and storage medium
US9404972B2 (en) Diagnosis and debug with truncated simulation
JP6692281B2 (en) Test case generation device and test case generation method
JP2016085152A (en) Diagnostic apparatus, diagnostic program and diagnostic method
JP7238361B2 (en) Error output device, error output method, learning device, trained model generation method, program, and trained model
JP2013077124A (en) Software test case generation device
CN115543435A (en) Software development quality measuring method, device and equipment based on development contribution value
JP2016143107A (en) Source code evaluation system and method
JP6002507B2 (en) Software verification program and software verification system
GB2397905A (en) Method for automatically generating and ordering test scripts
JP2011257845A (en) Delay library generation device, delay library generation program, and delay library generation method
US7650579B2 (en) Model correspondence method and device
KR102382017B1 (en) Apparatus and method for malware lineage inference system with generating phylogeny
CN108509347B (en) Equivalent variant identification method and device

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211008

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220824

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220830

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221031

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230131

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230213

R151 Written notification of patent or utility model registration

Ref document number: 7238361

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151