KR102613919B1 - 널 포인터 예외를 수정하기 위한 방법 - Google Patents

Abstract

본 개시의 몇몇 실시예에 따른 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 널 포인터 예외(null pointer exception)를 수정하기 위한 방법으로서, 원본 프로그램을 획득하는 단계; 및 분류 모델을 이용하여, 상기 원본 프로그램으로부터 상기 원본 프로그램의 오류를 수정한 패치(patch) 프로그램을 획득하는 단계;를 포함하고, 상기 분류 모델은, 적어도 하나의 프로그램으로부터 획득된 널(null) 처리 패턴 데이터셋을 이용하여 사전에 학습될 수 있다.

Description

널 포인터 예외를 수정하기 위한 방법{METHOD FOR REPAIRING NULL POINTER EXCEPTION}

본 개시는 널 포인터 예외를 수정하기 위한 방법에 관한 것으로, 보다 구체적으로, 테스트케이스 없이 분류 모델을 이용하여 널 포인터 예외를 수정하기 위한 방법에 관한 것이다.

일반적으로, 널 포인터 예외(null pointer exception)는 널 포인터를 참조할 때 발생할 수 있다. 널 포인터 예외는 적절한 예외 처리가 되어있지 않을 경우 프로그램 크래쉬(비정상적 종료)를 일으키므로 매우 치명적인 오류일 수 있다. 이러한 널 포인터 예외를 수정하기 위해 프로그램 자동 수정 기술을 사용할 수 있다.

프로그램 자동 수정 기술은 오류가 존재하는 원본 프로그램과 오류가 수정될 조건을 입력으로 받아, 오류가 사라진 프로그램을 자동으로 생성할 수 있다. 원본 프로그램의 오류를 없애도록 하는 프로그램 수정본을 패치(patch)라고 할 수 있다.

프로그램 자동 수정 기술은 수정 대상 오류, 패치 생성 방식, 패치가 오류 수정 조건을 만족하는지 검증하는 방식 등에 따라 다양하게 분류될 수 있다. 최근 10년간에 개발된 대부분의 기술은 시행착오(generate and validate) 방식일 수 있다.

시행착오 방식은 패치 코드를 생성(patch generation)하고 패치를 적용한 프로그램을 검증(patch validation)하는 두 과정을 반복하는 방식일 수 있다. 패치 코드 생성 단계에서는 미리 정의된 탐색 공간에서 후보 패치를 선택할 수 있다. 이후 패치 검증 단계에서는 패치가 적용된 프로그램에 대해 입력으로 주어진 테스트 케이스(testcase)를 실행해서 해당 패치가 올바른지에 대해 검사할 수 있다. 시행착오 방식은 이러한 과정을 테스트 케이스를 통과하는 패치가 발견될 때까지 반복할 수 있다.

하지만, 이러한 시행착오 방식은 패치 검증 과정이 전적으로 테스트 케이스에 의존한다는 점이다. 테스트 케이스는 프로그램의 입력과 해당 입력에 대한 바람직한 출력 값을 단언문(assertion) 등을 활용하여 작성한 일종의 프로그램 명세일 수 있다. 테스트 케이스는 일반적으로 오류를 발견할 당시에는 없다. 따라서, 테스트 케이스는 개발자가 오류를 발견하고 이를 수정하는 과정에서 사후 검증용으로 작성하게 된다. 또한, 테스트 케이스가 충분한 명세를 기술하지 않을 수 있다. 이 경우, 테스트 케이스 편향 문제로 인하여 특정 입력에 대해서만 맞는 동작을 하는 잘못된 패치가 생성될 수 있다.

대한민국 공개특허 제10-2013-0077673호(2013.07.09. 공개)

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 테스트케이스 없이 분류 모델을 이용하여 널 포인터 예외를 수정하기 위한 방법을 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 널 포인터 예외(null pointer exception)를 수정하기 위한 방법으로서, 원본 프로그램을 획득하는 단계; 및 분류 모델을 이용하여, 상기 원본 프로그램으로부터 상기 원본 프로그램의 오류를 수정한 패치(patch) 프로그램을 획득하는 단계;를 포함하고, 상기 분류 모델은, 적어도 하나의 프로그램으로부터 획득된 널(null) 처리 패턴 데이터셋을 이용하여 사전에 학습될 수 있다.

대안적으로, 상기 널 처리 패턴 데이터셋은, 상기 적어도 하나의 프로그램에 포함되는 제 1 프로그램; 상기 제 1 프로그램에서 널 포인터 예외(null pointer exception)를 발생시키는 제 1 NPE 발생 표현식을 벡터로 변환시킨 제 1 피쳐 벡터(feature vector); 및 상기 널 포인터 예외의 발생을 방지하기 위해 상기 제 1 NPE 발생 표현식을 대신하여 사용되는 제 1 구체화 대체 표현식;을 포함할 수 있다.

대안적으로, 상기 제 1 구체화 대체 표현식은, 표현식의 타입을 상기 분류 모델에 대응되도록 구체화시키는 구체화 함수를 이용하여, 제 1 요약 대체 표현식으로부터 획득될 수 있다.

대안적으로, 상기 제 1 요약 대체 표현식은, 상기 제 1 프로그램에 관한 적어도 하나의 정보를 요약시키는 요약 함수를 이용하여, 상기 제 1 프로그램에 관한 적어도 하나의 정보 및 상기 널 포인터 예외의 발생을 방지하는 대체 표현식을 포함하는 제 1 원본 대체 표현식으로부터 획득될 수 있다.

대안적으로, 상기 제 1 피쳐 벡터는, 상기 제 1 NPE 발생 표현식과 관련된 메소드 이름(method name), 메소드 정의문(method body) 또는 문맥(context) 중 적어도 하나에 기초하여 결정될 수 있다.

대안적으로, 상기 널 포인터 예외는, 참조할 데이터 요소가 없는 것을 가리키는 포인터인 널 포인터(null pointer)를 참조하여 프로그램의 강제 종료를 일으키는 버그일 수 있다.

대안적으로, 상기 분류 모델은, 입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하도록, 상기 널 처리 패턴 데이터셋을 이용하여 딥러닝 또는 머신러닝을 통해 사전에 학습될 수 있다.

대안적으로, 상기 원본 프로그램과 상기 패치 프로그램을 비교하여 상기 패치 프로그램의 검증을 수행하는 단계;를 더 포함할 수 있다.

대안적으로, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 널 포인터 예외(Null Pointer Exception)를 수정하기 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 원본 프로그램을 획득하는 단계; 및 분류 모델을 이용하여, 상기 원본 프로그램으로부터 상기 원본 프로그램의 오류를 수정한 패치(patch) 프로그램을 획득하는 단계;를 포함하고, 상기 분류 모델은, 적어도 하나의 프로그램으로부터 획득된 널(null) 처리 패턴 데이터셋을 이용하여 사전에 학습될 수 있다.

대안적으로, 널 포인터 예외(Null Pointer Exception)를 수정하기 위한 컴퓨팅 장치에 있어서, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및 네트워크부;를 포함하고, 상기 프로세서는, 원본 프로그램을 획득하고, 그리고 분류 모델을 이용하여, 상기 원본 프로그램으로부터 상기 원본 프로그램의 오류를 수정한 패치(patch) 프로그램을 획득하고, 상기 분류 모델은, 적어도 하나의 프로그램으로부터 획득된 널(null) 처리 패턴 데이터셋을 이용하여 사전에 학습될 수 있다.

본 개시는 테스트케이스 없이 분류 모델을 이용하여 널 포인터 예외를 수정할 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 널 포인터 예외(null pointer exception)를 수정하기 위한 컴퓨팅 장치를 나타낸 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 몇몇 실시예에 따른 널 포인터 예외를 수정하기 위한 컴퓨팅 장치에서 수행되는 분류 모델의 학습 과정을 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 널 포인터 예외를 수정하기 위한 컴퓨팅 장치에서 수행되는 분류 모델을 이용한 패치 프로그램 생성 과정을 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 널 포인터 예외를 수정하기 위한 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 몇몇 실시예에 따른 널 포인터 예외(null pointer exception, NPE)를 수정하기 위한 컴퓨팅 장치를 나타낸 도면이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크가 본 개시 내용에서 표현되는 네트워크에 포함될 수 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시내용에서 프로그램(예를 들어, 원본 프로그램, 패치(patch) 프로그램 등)은 컴퓨팅 장치에서 인식할 수 있는 언어와 관련된 데이터를 포함하는 파일(file)일 수 있다. 예를 들어, 프로그램은 자바(java) 프로그램일 수 있다. 본 개시에서는 설명의 편의를 위해 프로그램이 자바 프로그램인 경우로 가정하고 설명될 수 있다. 다만, 프로그램의 종류는 이에 한정되지 않으며, 다양한 종류의 프로그램을 포함할 수 있다.

본 개시에서 자바 프로그램(P ∈ Pgm)은 적어도 하나의 클래스(class)의 선언을 포함할 수 있다. 예를 들어, 자바 프로그램(P ∈ Pgm)은 적어도 하나의 클래스의 선언으로 구성될 수 있다.

클래스는 적어도 하나의 필드(field) 및/또는 메소드(method)를 포함할 수 있다.

필드는 클래스에 포함된 변수(variable)를 의미할 수 있다.

메소드는 특정 작동을 구현하고 요청 서비스를 수행할 수 있도록 만들어진 단일 요구 메시지일 수 있다. 예를 들어, 메소드는 클래스 및 객체와 연관되어 있는 함수를 포함할 수 있다.

자바 프로그램에서는 public 필드를 직접 접근해서 널 포인터 예외가 발생하는 일이 매우 드물다. 따라서, 본 개시에서는 언어에서는 멤버 변수를 참조하는 표현식을 고려하지 않을 수 있다. 멤버 변수는 메소드 밖에서 선언된 변수일 수 있다.

적어도 하나의 클래스의 선언은 클래스 이름 및/또는 메소드(method) 선언을 포함할 수 있다. 예를 들어, 적어도 하나의 클래스의 선언은 적어도 하나의 클래스의 이름 및 적어도 하나의 메소드의 선언을 쌍(pair)으로 구성할 수 있다.

클래스는 객체 지향 프로그래밍에서, 데이터와 그 조작 절차인 메소드를 정리한 객체의 추형을 정의한 것일 수 있다. 객체 지향 프로그래밍(object-oriented programming, OOP)은 모든 데이터를 객체(object)로 취급하고, 객체의 상태(state)와 행동(behavior)을 구체화하는 프로그래밍일 수 있다.

클래스의 이름은 클래스에 포함된 객체를 대변할 수 있는 명칭일 수 있다. 클래스의 이름은 클래스를 호출하기 위한 명칭일 수 있다.

메소드의 선언은 반환 값의 타입, 메소드의 이름, 매개 변수 및/또는 메소드의 몸체(예를 들어, 명령문 등) 중 적어도 하나를 포함할 수 있다.

반환 값의 타입은 메소드를 통한 작업이 완료되는 경우, 반환되는 데이터의 타입일 수 있다.

메소드의 이름은 메소드를 호출하기 위한 명칭일 수 있다.

매개 변수는 메소드 호출 시에 함수의 정의에서 전달되는 인수(argument)를 메소드에 포함된 함수에 전달하기 위해 사용되는 변수일 수 있다. 인수는 메소드에 포함된 함수에 대입되는 값일 수 있다.

메소드의 몸체는 함수의 고유 기능을 수행하는 명령문의 집합일 수 있다.

본 개시에서 메소드의 몸체는 설명의 편의성을 위해 명령문(S)과 표현식(E)만 고려될 수 있다. 명령문(S)과 표현식(E)은 아래와 같을 수 있다.

표현식 e에 대한 타입은 type(e)로 표기될 수 있다. while 명령문의 몸체는 흐름 제어 구문인 break와 continue문을 포함할 수 있다. 변수(variable)는 지역 변수 또는 this 참조 변수일 수 있다. 지역 변수는 함수 내에 선언하여 해당 함수 내에서만 사용가능한 변수일 수 있다. this 참조 변수는 인스턴스가 자신을 참조하는 경우에 사용되는 변수일 수 있다. 인스턴스는 클래스에 포함된 객체일 수 있다.

널 포인터 예외가 발생 가능한 표현식의 집합은 E_NPE로 표기될 수 있다. 즉, 본 개시에서 E_NPE는 x가 널 포인터인 메소드 호출식 x.m(y)들의 집합일 수 있다. 널 포인터 예외는 참조할 데이터 요소가 없는 것을 가리키는 포인터인 널 포인터(null pointer)를 참조하여 프로그램의 강제 종료를 일으키는 버그일 수 있다.

프로세서(110)는 적어도 하나의 프로그램으로부터 널 처리 패턴 데이터셋( )을 획득할 수 있다. 적어도 하나의 프로그램(, m은 자연수)은 일 실시예에 따라 사전에 메모리(130)에 저장되어 있을 수 있다. 적어도 하나의 프로그램은 다른 실시예에 따라 외부 기기로부터 수신할 수도 있다. 외부 기기는 컴퓨팅 장치(100)와 상이한 장치로, 적어도 하나의 프로그램을 컴퓨팅 장치(100)에 전송할 수 있다.

널 처리 패턴 데이터셋은 튜플들(예를 들어, (P, e_NPE, e) 등)의 집합일 수 있다. 즉, 프로세서(110)는 프로그램에서 널 포인터 예외의 회피에 관한 데이터를 수집하여 널 처리 패턴 데이터셋을 획득할 수 있다.

P는 적어도 하나의 프로그램 중에서 하나의 특정 프로그램(예를 들어, 제 1 프로그램 등)일 수 있다. e_NPE는 P에 포함된 NPE(null pointer exception, 널 포인터 예외) 발생 표현식(예를 들어, 제 1 NPE 발생 표현식 등)일 수 있다. e는 P에 포함된 NPE 발생 표현식을 통해 발생되는 널 포인터 예외의 발생을 방지하는 대체 표현식 및/또는 프로그램(P)에 관한 적어도 하나의 정보를 포함하는 원본 대체 표현식(예를 들어, 제 1 원본 대체 표현식 등)일 수 있다. 프로그램에 관한 적어도 하나의 정보는 프로그램에 종속된 정보로, 예를 들어, 프로그램에 포함된 지역 변수의 이름, 유저-정의 클래스 등을 포함할 수 있다.

프로세서(110)는 적어도 하나의 프로그램에 포함된 추상 구문 트리(abstract syntax tree, AST)에서 널 처리 패턴을 획득할 수 있다. 프로세서(110)는 수집된 널 처리 패턴에 관한 튜플들에 기초하여 널 처리 패턴 데이터셋을 생성할 수 있다.

예를 들어, 프로세서(110)는 적어도 하나의 프로그램에 포함된 추상 구문 트리에 포함된 삼항 연산식 에서 튜플(P, x.m(y), e)을 획득할 수 있다. 튜플(P, x.m(y), e)은 x.m(y)를 호출할 때 x가 null인 경우 널 포인터 예외가 발생하므로, 메소드 호출 대신 원본 대체 표현식 e를 사용한다는 것을 의미할 수 있다. 다른 예를 들어, 프로세서(110)는 대체 표현식을 명확히 판별 가능한 다른 식들도 수집 가능하다. 예를 들어, 프로세서(110)는 적어도 하나의 프로그램에 포함된 추상 구문 트리에 포함된 x == null || x.m(y)의 경우, x == null ? true : x.m(y)과 동일한 의미이므로 튜플(P, x.m(y), true)을 획득할 수 있다. 추상 구문 트리는 유도 트리의 부분 집합으로서 의미 있는 단말 기호 또는 생성 규칙에 대해서 노드를 가지도록 추상화한 트리일 수 있다.

프로세서(110)는 원본 대체 표현식을 요약 대체 표현식으로 변경하는 일반화(generalization)를 수행할 수 있다. 프로세서(110)는 일반화를 수행하여 널 처리 패턴 데이터셋()을 획득할 수 있다. 는 아래와 같이 요약 대체 표현식들의 집합을 의미할 수 있다.

는 데이터셋 에 사전 결정된 횟수(예를 들어, 10회 등) 이상으로 출현된 정수들을 의미할 수 있다. 는 데이터셋 에 출현 빈도에 기초하여 결정된 정수들을 의미할 수 있다. 예를 들어, 는 에 출현 빈도가 가장 높은 3개의 정수 {-1, 0, 1}을 의미할 수 있다. 프로세서(110)는 요약 대체 표현식에서 메소드 인자의 이름을 구별하지 않고 ARG로 결정할 수 있다. 프로세서(110)는 생성자 표현식 new C()을 유저 정의 클래스 정보를 제외한 NEW로 결정할 수 있다. 프로세서(110)는 E₁이 메소드 인자(ARG)로 일반화되고, E가 또는 null과 같이 하나의 상수 값(literal)으로 표현되는 경우, 동일 값 비교 연산식 E₁ == E₂을 로 결정할 수 있다. 프로세서(110)는 상술한 경우 이외의 표현식에 대해서는 으로 결정할 수 있다. 원본 대체 표현식을 요약해주는 요약 함수(α)는 아래와 같이 구성될 수 있다.

프로세서(110)는 요약 함수(α)를 이용하여 원본 대체 표현식으로부터 요약 대체 표현식을 획득할 수 있다. 즉, 프로세서(110)는 요약 함수(α)를 이용하여 일반화된 데이터셋 을 획득할 수 있다.

예를 들어, 프로세서(110)는 프로그램에 관한 적어도 하나의 정보를 요약시키는 요약 함수를 이용하여, 프로그램에 관한 적어도 하나의 정보 및 널 포인터 예외의 발생을 방지하는 대체 표현식을 포함하는 원본 대체 표현식으로부터 요약 대체 표현식을 획득할 수 있다. 즉, 요약 대체 표현식은 프로그램에 관한 적어도 하나의 정보를 요약시키는 요약 함수를 이용하여, 프로그램에 관한 적어도 하나의 정보 및 널 포인터 예외의 발생을 방지하는 대체 표현식을 포함하는 원본 대체 표현식으로부터 획득될 수 있다.

본 개시의 몇몇 실시예에 따르면, 프로세서(110)는 원본 대체 표현식이 무한대로 표현되는 경우, 요약 함수를 이용하여, 원본 대체 표현식을 유한하게 요약한 요약 대체 표현식을 획득할 수 있다.

프로세서(110)는 분류 모델의 학습에 사용할 학습 데이터셋 (n은 자연수)을 구성하기 위해, NPE 발생 표현식(e_NPE)을 피쳐 벡터(feature vector)로 표현하는 피쳐 표현(feature representation)을 수행할 수 있다. 학습 데이터셋은 널 처리 패턴 데이터셋에 포함될 수 있다. 피쳐 벡터는 적어도 하나의 피쳐(feature)에 기초하여 생성된 벡터일 수 있다. 즉, 프로세서(110)는 적어도 하나의 피쳐(feature)에 기초하여 피쳐 벡터를 생성할 수 있다.

예를 들어, 프로세서(110)는 n개의 부울 피쳐 (n은 자연수)를 생성할 수 있다. 부울 피쳐 중 하나인 (i는 1 내지 n 중에서 어느 하나의 수)는 프로그램과 NPE 발생 표현식 쌍에 대한 술어(predicate)로, NPE 발생 표현식과 주변 코드 문맥의 특징을 포함할 수 있다. 예를 들어, (i는 1 내지 n 중에서 어느 하나의 수)는 술어(예를 들어, "어떤 NPE 발생 표현식이 try catch 구문 블록에 속하는가" 등)를 포함할 수 있다.

프로세서(110)는 n개의 부울 피쳐 (n은 자연수)에 기초하여 학습 데이터셋 (n은 자연수)을 구성할 수 있다. 프로세서(110)는 학습 데이터셋()을 아래와 같이 구성할 수 있다.

는 (P, e_NPE)에 대한 피쳐 벡터일 수 있다. 즉, 는 일 수 있다.

프로세서(110)는 아래의 표 1에서와 같이 31개의 피쳐를 정의할 수 있다.

본 개시에서 E_NPE는 메소드 호출식 x.m(y)의 집합일 수 있다. 피쳐(예를 들어, 부울 피쳐 등)는 메소드 호출식 x.m(y)에 대한 술어일 수 있다. 피쳐는 메소드의 이름 피쳐(name features), 메소드의 정의문 피쳐(body features) 및/또는 문맥 피쳐(context features) 중 적어도 하나를 포함할 수 있다.

메소드의 이름 피쳐는 호출되는 메소드 이름에 어떤 키워드가 등장하는지를 나타내는 피쳐일 수 있다. 예를 들어, 프로세서(110)는 키워드를 사전 결정된 개수(예를 들어, 20개 등)만큼 이름 피쳐로 결정할 수 있다. 구체적으로, 프로세서(110)는 키워드를 적어도 하나의 프로그램에 포함된 전체 메소드의 이름으로부터 획득할 수 있다. 예를 들어, 프로세서(110)는 전체 메소드의 이름을 사전 결정된 표현법(예를 들어, camel case 표현법 등)에 기초하여 분류하고, 등장 빈도에 기초하여 사전 결정된 개수(예를 들어, 20개 등)만큼 키워드를 결정할 수 있다.

메소드의 정의문 피쳐는 각각의 정의문들이 특정한 추상 구문 트리(abstract syntax tree, AST)의 부품을 갖고 있는지를 판별하는 피쳐일 수 있다. 프로세서(110)는 메소드의 이름 피쳐 및 메소드의 정의문 피쳐에 기초하여 호출되는 메소드의 종류를 판별할 수 있다. 예를 들어, 프로세서(110)는 표 1의 피쳐 #8과 피쳐 #27의 조합을 통해 해당 메소드가 getter 메소드임을 추측할 수 있다.

문맥 피쳐는 NPE 발생 표현식의 주변 코드 문맥을 포함할 수 있다.

프로세서(110)는 요약 대체 표현식들의 집합()에 대한 확률 분포를 학습시키기 위해, 학습 데이터셋()를 이용하여 분류 모델(예를 들어, 다중 레이블 분류기(probabilistic multi-label classifier) 등)을 학습시킬 수 있다.

본 개시의 일 실시예에 따라, 분류 모델은 입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하도록, 학습 데이터셋을 포함하는 널 처리 패턴 데이터셋을 이용하여 딥러닝 또는 머신러닝을 통해 사전에 학습될 수 있다.

예를 들어, 분류 모델은 분류 모델은 입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하는 결정 분류기를 포함할 수 있다. 결정 분류기는 데이터를 분석하여 데이터들 사이에 존재하는 패턴을 예측 가능한 규칙들의 조합으로 나타낸 모델을 포함할 수 있다. 결정 분류기는 목표 변수가 이산 값인 분류 트리 및/또는 목표 변수가 연속하는 실수 값인 회귀 분류기를 포함할 수 있다. 결정 트리는 예를 들어, 랜덤 포레스트 분류기(Random Forest classifier), 그래디언트 부스팅 분류기 등을 포함할 수 있다. 랜덤 포레스트 분류기는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로서, 학습 과정에서 구성한 다수의 결정 분류기로부터 분류 또는 회귀 분석을 출력함으로써 동작하는 트리를 포함할 수 있다. 구체적으로 랜덤 포레스트 분류기는 다수의 결정 분류기 각각에 가중치를 부여하거나 다수결의 방법을 통해 최종적인 의사 결정을 수행하는 분류기를 포함할 수 있다. 그래디언트 부스팅 분류기는 학습 과정에서 구성한 다수의 결정 분류기로부터 분류 또는 회귀 분석을 출력하는 것은 랜덤 포레스트 분류기와 동일하나, 다수의 결정 분류기가 서로 영향을 주고받으면서 정확도를 향상시켜 최종적으로 하나의 분류기를 획득하는 점이 다를 수 있다. 구체적으로 그래디언트 부스팅 분류기는 다수의 결정 분류기를 약한 학습기로 정의하여, 제 1 약한 학습기가 오분류한 데이터에 대하여 집중적으로 제 2 약한 학습기가 분류한 후, 제 1 약한 학습기와 제 2 약한 학습기를 결합하여 더 정확도 높은 새로운 학습기를 생성할 수 있다. 이러한 과정을 반복함으로써 강한 학습기를 생성하는 방법을 통해 만들어진 모델이 그래디언트 부스팅 분류기일 수 있다. 전술한 분류 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

프로세서(110)는 랜덤 포레스트 분류기 학습 알고리즘에 학습 데이터셋()을 입력하여 확률 분포()을 획득할 수 있다. 은 NPE 발생 표현식(e_NPE)에 대한 요약 대체 표현식이 일 확률일 수 있다. Pr은 학습된 확률 분포일 수 있다. P는 프로그램일 수 있다. e_NPE은 NPE 발생 표현식일 수 있다. 요약 대체 표현식은 일 수 있다.

프로세서(110)는 확률 분포()에 기초하여 분류 모델()을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 표현식의 타입을 분류 모델에 대응되도록 구체화시키는 구체화 함수()를 이용하여, 요약 대체 표현식으로부터 구체화 대체 표현식을 획득할 수 있다. 즉, 구체화 대체 표현식은 표현식의 타입을 분류 모델에 대응되도록 구체화시키는 구체화 함수를 이용하여, 제 1 요약 대체 표현식으로부터 획득될 수 있다.

프로세서(110)는 구체화 함수()를 아래와 같이 정의할 수 있다.

T는 메소드 호출식 x.m(y)의 타입을 의미할 수 있다.

프로세서(110)는 구체화 함수()에 기초하여 분류 모델()을 아래와 같이 정의할 수 있다.

집합()은 구체화 함수()로 구체화 가능한 표현식의 집합을 의미할 수 있다. argmax는 확률 분포()를 최대 값으로 만들기 위한 요약 대체 표현식()을 산출하는 것을 의미할 수 있다.

상술한 바와 같이, 널 처리 패턴 데이터셋은 학습 데이터셋을 포함할 수 있다. 학습 데이터셋은 분류 모델의 학습을 위한 데이터셋으로, 프로그램, 프로그램에서 널 포인터 예외를 발생시키는 NPE 발생 표현식을 벡터로 변환시킨 피쳐 벡터 및 널 포인터 예외의 발생을 방지하기 위해 NPE 발생 표현식을 대신하여 사용되는 구체화 대체 표현식을 포함할 수 있다.

본 개시의 몇몇 실시예에 따르면, 널 처리 패턴 데이터셋은 검증 데이터셋을 포함할 수 있다. 검증 데이터셋은 분류 모델의 검증을 위한 데이터셋으로, 학습 데이터셋을 통해 학습된 분류 모델의 검증에 사용될 수 있다. 검증 데이터셋은 프로그램, 프로그램에서 널 포인터 예외를 발생시키는 NPE 발생 표현식을 벡터로 변환시킨 피쳐 벡터 및 널 포인터 예외의 발생을 방지하기 위해 NPE 발생 표현식을 대신하여 사용되는 구체화 대체 표현식을 포함할 수 있다.

프로세서(110)는 학습된 분류 모델을 이용하여, 원본 프로그램으로부터 원본 프로그램의 오류를 수정한 패치(patch) 프로그램을 획득하는 명세 추론(specification inference)을 수행할 수 있다.

프로세서(110)는 원본 프로그램(예를 들어, 오류 프로그램) P_NPE ∈ Pgm 및 x_NPE.m(y)를 획득할 수 있다. x_NPE는 오류가 발생하는 실행에서 값이 null인 변수를 의미할 수 있다. 프로그램 내에서 발생되는 오류는 NPE만 존재할 수 있다.

프로세서(110)는 패치 프로그램을 획득하기 위해 기호 실행(symbolic execution)을 이용할 수 있다. 기호 실행은 프로그램 단위 내의 입력 변수에 기호 값을 할당시키는 방법일 수 있다. 프로세서(110)는 기호 실행을 이용하여, 오류 프로그램에서 NPE 발생 표현식(x_NPE.m(y))을 분류 모델을 통해 획득된 대체 표현식(예를 들어, 구체화 대체 표현식 등)으로 바꿔서 실행을 시킬 수 있다. 즉, 프로세서(110)는 오류 프로그램에서 NPE가 발생해서 실행이 종료되는 것을 방지하기 위해 대체 표현식을 이용하여 오류 프로그램의 실행을 수행할 수 있다.

본 개시의 몇몇 실시예에 따르면, 프로세서(110)는 기호 실행의 출력물을 입력 프로그램(예를 들어, 오류 프로그램)의 실행 명세로서 사용할 수 있다. 기호 실행의 출력()은 메소드 별 요약본(Summary)을 나타내는 테이블일 수 있다. 메소드의 요약본은 아래와 같이 정의될 수 있다.

메소드의 요약본은 프로그램 상태(State)의 집합일 수 있다. 프로그램의 상태는 경로 조건(PC)와 메모리(Store)의 쌍(pair)일 수 있다. 경로 조건은 프로그램 내 분기문(branch)의 조건식의 집합일 수 있다. 분기문 조건식은 기호 값(symbolic value)끼리의 동일 값 비교 연산 또는 이의 부정(negation)으로 이루어질 수 있다. 메모리는 각 변수(Var)가 어떤 기호 값을 갖는지를 저장하는 맵(map)일 수 있다. 기호 값은 정수 값(), 클래스 타입(Class), null 및 메소드의 매개 변수를 의미하는 기호(Symbol)를 포함할 수 있다.

본 개시에서 프로세서(110)는 기술의 확장성(scalability)을 위해, 기호 실행 을 상향식(bottom-up)이면서 반복 실행 횟수를 제한하는 식으로 정의하여 수행할 수 있다. 따라서, 프로세서(110)는 프로그램의 각 메소드를 한 번씩만 분석할 수 있다. 프로세서(110)는 각 메소드를 분석하는 경우, 제 1 메소드가 호출하는 제 1 메소드와 상이한 제 2 메소드의 요약본을 이용할 수 있다. 제 2 메소드의 요약본은 제 1 메소드를 분석하기 이전에 계산되어 컴퓨팅 장치(100)에 저장되어 있을 수 있다. 즉, 프로세서(110)는 제 1 메소드를 분석하기 이전에 제 2 메소드의 요약본을 계산하여 메모리(130)에 저장할 수 있다.

프로세서(110)는 사전에 프로그램에 포함된 반복문과 재귀 호출의 반복을 사전에 정의한 유한 횟수(예를 들어, 10회 등)만큼 수행할 수 있다. 예를 들어, 프로세서(110)는 프로그램의 분석 이전에, 프로그램에 포함된 반복문과 재귀 호출의 반복을 사전 정의한 유한 횟수만큼 수행할 수 있다. 다른 예를 들어, 프로세서(110)는 프로그램의 패치 프로그램을 획득하기 이전에, 프로그램에 포함된 반복문과 재귀 호출의 반복을 사전 정의한 유한 횟수만큼 수행할 수 있다.

프로세서(110)는 프로그램에 포함된 메소드의 이름을 유일하도록 변경할 수 있다. 즉, 프로세서(110)는 메소드의 오버라이딩 또는 오버로딩이 발생하지 않도록 할 수 있다. 프로세서(110)는 프로그램에 포함된 삼항 연산식을 if-조건절로 변경할 수 있다. 따라서, 프로세서(110)는 아래와 같은 명령문(S)과 표현식(E)만을 고려할 수 있다.

프로세서(110)는 기호 실행(SymExec)을 이용하여 상향식으로 메소드의 요약본을 산출할 수 있다. 기호 실행은 아래와 같이 표현될 수 있다.

여기서 m₁,...,m_n은 프로그램 내 각 메소드를 메소드 호출-그래프 (call-graph) 상의 호출 순서의 반대로 정렬한 것일 수 있다. Σⁱ는 m₁,...,m_i-1까지 부분적으로 계산된 메소드의 요약본 테이블(summary table)을 의미할 수 있다. 초기 상태 sⁱ _init는 로 정의될 수 있다. 초기 상태 sⁱ _init는 메소드 m_i의 매개 변수 p_mi가 사용되지 않은 기호 값 α_pmi을 갖는다는 상태를 나타낼 수 있다. 의미 함수(semantic function) 는 아래와 같이 정의될 수 있다.

여기서, 일 수 있다. 또한, 일 수 있다.

프로세서(110)는 변형된 기호 실행()을 이용하여 오류 프로그램 (P_NPE)의 패치 프로그램을 획득할 수 있다. x_NPE는 NPE 발생 표현식(오류 수정 대상)을 의미할 수 있다. 은 사전 학습된 분류 모델을 의미할 수 있다.

변형된 기호 실행()은 아래와 같이 표현될 수 있다.

프로세서(110)는 특정한 경우에 의미 함수를 확장하여 정의할 수 있다.

예를 들어, 프로세서(110)는 에서 y가 x_NPE인 경우, 을 아래와 같이 산출할 수 있다.

는 일 수 있다. 은 y가 null이 아닌 경우로, 일반 기호 실행의 의미와 동일하게 실행되는 것을 의미할 수 있다.

는 일 수 있다. 는 y가 null인 경우로, 분류 모델을 통해 획득된 대체 표현식으로 바꾸어 실행되는 것을 의미할 수 있다.

다른 예를 들어, 프로세서(110)는 y가 null이지만, 오류 수정 대상인 NPE 발생 표현식은 아닌 경우(즉, 이고 ), 의미 함수를 확장하여 정의할 수 있다. y가 null이지만, 오류 수정 대상인 NPE 발생 표현식은 아닌 경우는 분류 모델이 null을 반환했을 경우(즉, )에 발생될 수 있다. 즉, 분류 모델을 통해 획득된 대체 표현식이 null인 경우, null이 이후 실행으로 전파될 수 있다. 이 경우, 새로운 NPE가 발생할 수 있다. 이 경우, 프로세서(110)는 아래와 같이 분류 모델에 다시 적용할 수 있다.

프로세서(110)는 원본 프로그램과 패치 프로그램을 비교하여 패치 프로그램의 검증을 수행할 수 있다. 즉, 프로세서(110)는 명세 검증(specification validation)을 수행할 수 있다.

예를 들어, 프로세서(110)는 원본 프로그램과 패치 프로그램 각각의 메소드 요약본 테이블의 합치 여부를 결정할 수 있다.

P_NPE는 원본 프로그램(예를 들어, 오류 프로그램)일 수 있다. P_cand는 패치 프로그램일 수 있다. 왼쪽 항은 원본 프로그램(예를 들어, 오류 프로그램)으로부터 분류 모델을 이용하여 추론해낸 오류 수정 명세를 의미할 수 있다. 프로세서(110)는 전체 메소드에 대해 아래 조건이 성립하면 원본 프로그램의 메소드 요약본 테이블과 패치 프로그램의 메소드 요약본 테이블이 서로 합치한다는 것으로 판단할 수 있다.

프로세서(110)는 각 메소드 매개 변수의 기호 값의 이름을 서로 동일한 이름으로 통일시킬 수 있다. 예를 들어, 프로세서(110)는 메소드 m에 대해 과 같은 일관된 기호를 사용할 수 있다.

프로세서(110)는 원본 프로그램과 패치 프로그램 각각의 메소드 요약본 테이블이 서로 합치되는 경우, 패치 프로그램이 올바른 것으로 결정할 수 있다.

본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 이용한 널 포인터 예외(null pointer exception, NPE)를 수정하는 기술(NPEX)과 종래의 기술들의 성능을 비교하는 실험예를 후술하도록 한다.

실험예에 따르면, 비교 대상 기술로서 Java NPE를 수정하는 공개된 기술 중 가장 최신의 두 기술인 VFix와 Genesis를 선택했다. VFix는 가장 최신의 NPE 수정 기술로서 현존 NPE 수정 기술 중 그 성능이 가장 뛰어나다고 알려져 있다. Genesis는 데이터 기반의 기술일 수 있다. 예를 들어, Genesis는 사람의 패치들로부터 패치 생성 전략을 학습하는 기술일 수 있다. Genesis는 NPE에 특화된 패치 생성 전략을 학습해서 좋은 성능을 낸다고 알려져있다. 이에 추가적으로, 자체 비교군으로 NPEX_Base을 설정했다. 비교군의 경우 패치 생성 전략 등이 본 발명의 기술(NPEX)과 완전히 동일한 대신, 개발자가 작성한 테스트케이스로 패치를 검증하는 것만 다를 수 있다. 오류 자동 수정 기술의 경우 패치 생성 전략에 따라서 그 성능이 크게 좌우될 수 있기 때문에, 발명의 핵심인 오류 수정 명세 추론과 패치 검증 기술의 효과성을 확인하기 위해 설정하였다.

오픈소스 프로젝트에서 실제 개발자가 오류를 수정한 이력이 존재하는 버그 119개를 수집했다. 벤치마크는 다음과 같이 구성될 수 있다. VFixBM는 30 NPE 오류, GenBM는 16 NPE 오류, BearsBM는 14 NPE 오류, OurBM는 59 NPE 오류일 수 있다. 여기서 VFixBM, GenBM, BearsBM은 각각 기존 기술 평가로 사용된 벤치마크를 가져온 것이고, OurBM의 경우 본 발명의 기술을 평가하기 위해 직접 수집한 것이다.

실험 환경은 Intel Xeon Gold 6230 프로세서에 128GB 메모리를 장착한 Ubuntu 18.04 시스템 위에서 실험을 진행했다.

실험 세팅은 각 도구들에 대해 NPE가 발생하는 입력을 테스트 케이스 형태로 주었다. 추가적으로, 본 발명 기술을 제외한 모든 기술(NPEX_Base 포함)은 개발자가 작성한 테스트 수트를 패치 검증용으로 주었다. 각각의 기술이 최종적으로 출력해낸 패치가 개발자가 작성한 것과 의미적으로 동일한지를 판별하는 과정을 거쳤다. VFix의 경우 통상적인 테스팅 프레임워크(예: JUnit) 대신 직접 테스트 실행 루틴을 작성해야 하는데, 이 과정의 어려움으로 VFix의 경우 일부 벤치마크를 평가 대상에서 제외했다.

119개 NPE 오류에 대한 오류 수정 성능 평가 결과는 아래의 표 2에서와 같이 나타났다.

표에서 #R은 각 도구가 동작한 버그의 개수를 의미할 수 있다. #G, #C는 각각 패치 생성에 성공한 오류의 개수와 올바른 패치를 생성한 버그의 개수를 의미할 수 있다. 오류 수정 명세가 불완전 할 수 있기 때문에, 테스트 케이스 혹은 본 발명에 따른 기술의 패치 검증 과정을 통과했지만 실제로는 개발자 패치의 의미와는 다른 잘못된 패치가 생성될 수 있다. Prec(#C/#G)은 기술의 정확도를 나타내는 지표로서 패치 생성에 성공한 경우 대비 올바른 패치가 얼마나 있었는지를 의미할 수 있다. FixR(#C/#R)은 기술의 오류 수정 성공률을 나타내는 지표로서 얼마나 많은 오류에 대해 올바른 패치를 생성했는지를 의미할 수 있다. 실험 결과, 본 발명에 따른 기술이 정확도(62%)와 오류 수정 성공률(51%) 모든 측면에서 기존 기술 대비 가장 우수한 성능을 나타냄을 확인할 수 있다. 특히, 비교군으로 설정한 NPEX_Base 와 대비했을 때 탁월한 성능을 보였는데, 이는 본 발명의 핵심인 오류 수정 명세 추론과 검증 기술이 실제 Java NPE 오류를 수정하는데 효과적임을 시사할 수 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

본 개시내용에서, 분류 모델은 인공지능 기반 모델에 대응될 수 있다. 본 개시내용의 추가적인 실시예에서, 인공지능 기반 모델은 입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하는데 사용될 수도 있다.

본 개시내용에 걸쳐, 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 3은 본 개시의 몇몇 실시예에 따른 널 포인터 예외를 수정하기 위한 컴퓨팅 장치에서 수행되는 분류 모델의 학습 과정을 설명하기 위한 도면이다.

도 3을 참조하면, 프로세서(110)는 적어도 하나의 프로그램(10)으로부터 널 처리 패턴 데이터셋(20)을 획득할 수 있다.

적어도 하나의 프로그램(10)은 컴퓨팅 장치에서 인식할 수 있는 언어와 관련된 데이터를 포함하는 파일(file)일 수 있다. 예를 들어, 적어도 하나의 프로그램(10)은 자바(java) 프로그램일 수 있다. 본 개시에서는 설명의 편의를 위해 적어도 하나의 프로그램(10)은 자바 프로그램인 경우로 가정하고 설명될 수 있다. 다만, 적어도 하나의 프로그램(10)의 종류는 이에 한정되지 않으며, 다양한 종류의 프로그램을 포함할 수 있다.

적어도 하나의 프로그램(10)은 일 실시예에 따라 사전에 메모리(130)에 저장되어 있을 수 있다. 적어도 하나의 프로그램은 다른 실시예에 따라 외부 기기로부터 수신할 수도 있다.

널 처리 패턴 데이터셋은 튜플들의 집합일 수 있다. 예를 들어, 널 처리 패턴 데이터셋은 적어도 하나의 프로그램에 포함되는 제 1 프로그램, 제 1 프로그램에서 널 포인터 예외를 발생시키는 제 1 NPE 발생 표현식을 벡터로 변환시킨 제 1 피쳐 벡터 및 널 포인터 예외의 발생을 방지하기 위해 제 1 NPE 발생 표현식을 대신하여 사용되는 제 1 구체화 대체 표현식을 포함할 수 있다.

프로세서(110)는 적어도 하나의 프로그램(10)으로부터 획득된 널 처리 패턴 데이터셋(20)을 이용하여 분류 모델(30)을 사전에 학습시킬 수 있다.

예를 들어, 프로세서(110)는 입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하도록, 널 처리 패턴 데이터셋(20)을 이용하여 딥러닝 또는 머신러닝을 통해 분류 모델(30)을 사전에 학습시킬 수 있다.

도 3에 기재된 구성들(예를 들어, 컴퓨팅 장치(100), 적어도 하나의 프로그램(10), 널 처리 패턴 데이터셋(20), 분류 모델(30) 등)에 관한 구체적인 내용은 앞서 도 1 내지 도 2를 통해 설명한 내용으로 대체될 수 있다.

도 4는 본 개시의 몇몇 실시예에 따른 널 포인터 예외를 수정하기 위한 컴퓨팅 장치에서 수행되는 분류 모델을 이용한 패치 프로그램 생성 과정을 설명하기 위한 도면이다.

도 4를 참조하면, 프로세서(110)는 분류 모델(30)을 이용하여, 원본 프로그램(40)으로부터 원본 프로그램(40)의 오류를 수정한 패치 프로그램(50)을 획득할 수 있다. 예를 들어, 프로세서(110)는 분류 모델(30)에 원본 프로그램(40)을 입력하여, 분류 모델(30)에서 패치 프로그램(50)을 출력하도록 할 수 있다.

원본 프로그램(40)은 오류가 존재하는 프로그램일 수 있다. 예를 들어, 원본 프로그램(40)은 오류 프로그램일 수 있다. 오류는 널 포인터 예외를 포함할 수 있다.

패치 프로그램(50)은 원본 프로그램의 오류를 수정한 프로그램일 수 있다. 예를 들어, 패치 프로그램(50)은 원본 프로그램에 포함된 널 포인터 예외를 대체 표현식으로 대체하여 오류를 수정한 프로그램일 수 있다.

도 4에 기재된 구성들(예를 들어, 컴퓨팅 장치(100), 분류 모델(30), 원본 프로그램(40), 패치 프로그램(50) 등)에 관한 구체적인 내용은 앞서 도 1 내지 도 3을 통해 설명한 내용으로 대체될 수 있다.

도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 널 포인터 예외를 수정하기 위한 방법을 설명하기 위한 도면이다.

도 5를 참조하면, 프로세서(110)는 원본 프로그램을 획득할 수 있다(S110).

프로세서(110)는 분류 모델을 이용하여, 원본 프로그램으로부터 원본 프로그램의 오류를 수정한 패치 프로그램을 획득할 수 있다(S120).

분류 모델은 적어도 하나의 프로그램으로부터 획득된 널 처리 패턴 데이터셋을 이용하여 사전에 학습될 수 있다.

널 처리 패턴 데이터셋은 적어도 하나의 프로그램에 포함되는 제 1 프로그램, 제 1 프로그램에서 널 포인터 예외(null pointer exception)를 발생시키는 제 1 NPE 발생 표현식을 벡터로 변환시킨 제 1 피쳐 벡터(feature vector) 및 널 포인터 예외의 발생을 방지하기 위해 제 1 NPE 발생 표현식을 대신하여 사용되는 제 1 구체화 대체 표현식을 포함할 수 있다.

제 1 구체화 대체 표현식은 표현식의 타입을 분류 모델에 대응되도록 구체화시키는 구체화 함수를 이용하여, 제 1 요약 대체 표현식으로부터 획득될 수 있다.

제 1 요약 대체 표현식은 제 1 프로그램에 관한 적어도 하나의 정보를 요약시키는 요약 함수를 이용하여, 제 1 프로그램에 관한 적어도 하나의 정보 및 널 포인터 예외의 발생을 방지하는 대체 표현식을 포함하는 제 1 원본 대체 표현식으로부터 획득될 수 있다.

제 1 피쳐 벡터는 제 1 NPE 발생 표현식과 관련된 메소드 이름(method name), 메소드 정의문(method body) 또는 문맥(context) 중 적어도 하나에 기초하여 결정될 수 있다.

널 포인터 예외는 참조할 데이터 요소가 없는 것을 가리키는 포인터인 널 포인터(null pointer)를 참조하여 프로그램의 강제 종료를 일으키는 버그일 수 있다.

분류 모델은 입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하도록, 널 처리 패턴 데이터셋을 이용하여 딥러닝 또는 머신러닝을 통해 사전에 학습될 수 있다.

프로세서(110)는 원본 프로그램과 패치 프로그램을 비교하여 패치 프로그램의 검증을 수행할 수 있다.

도 5에 도시되는 단계들은 예시적인 단계들이다. 따라서, 본 개시내용의 사상의 범위를 벗어나지 않는 한도에서 도 5의 단계들 중 일부가 생략되거나 추가적인 단계들이 존재할 수 있다는 점 또한 당업자에게 명백할 것이다. 또한, 도 5에 기재된 구성들(예를 들어, 컴퓨팅 장치(100) 등)에 관한 구체적인 내용은 앞서 도 1 내지 도 4를 통해 설명한 내용으로 대체될 수 있다.

본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 자바 널 포인터 예외 오류 디버깅의 전자동화를 이룰 수 있다. 기존 자동 디버깅 기술은 오류를 자동으로 탐지하는데 그치거나, 개발자가 수동으로 작성한 테스트케이스를 입력으로 받아야만 오류 수정이 가능했다. 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 오류 수정 명세를 자동으로 추론함으로써, 오류를 발견한 즉시 자동 수정이 가능해지고 결과적으로 전체 디버깅 과정을 완전 자동화할 수 있다.

테스트케이스 기반의 검증 방식은 본질적으로 유한한 입력에 대한 명세만을 기술할 수 있다는 한계가 있다. 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 테스트케이스 편향 문제 해결에 기여할 수 있다. 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)를 통해 추론해낸 오류 수정 명세는 프로그램의 입력을 기호 (symbol)로서 요약하고 이들 기호로 구성된 논리식 형태를 따르므로, 보다 일반적인 입력에 대해서 명세가 가능하게 된다.

도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (10)

1. 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 널 포인터 예외(null pointer exception)를 수정하기 위한 방법으로서,
   원본 프로그램을 획득하는 단계; 및
   분류 모델을 이용하여, 상기 원본 프로그램으로부터 상기 원본 프로그램의 오류를 수정한 패치(patch) 프로그램을 획득하는 단계;
   를 포함하고,
   상기 분류 모델은,
   입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하도록, 적어도 하나의 프로그램으로부터 획득된 널(null) 처리 패턴 데이터셋을 이용하여 딥러닝 또는 머신러닝을 통해 사전에 학습되는,
   방법.
   
2. 제 1 항에 있어서,
   상기 널 처리 패턴 데이터셋은,
   상기 적어도 하나의 프로그램에 포함되는 제 1 프로그램;
   상기 제 1 프로그램에서 널 포인터 예외(null pointer exception)를 발생시키는 제 1 NPE 발생 표현식을 벡터로 변환시킨 제 1 피쳐 벡터(feature vector); 및
   상기 널 포인터 예외의 발생을 방지하기 위해 상기 제 1 NPE 발생 표현식을 대신하여 사용되는 제 1 구체화 대체 표현식;
   을 포함하는,
   방법.
   
3. 제 2 항에 있어서,
   상기 제 1 구체화 대체 표현식은,
   표현식의 타입을 상기 분류 모델에 대응되도록 구체화시키는 구체화 함수를 이용하여, 제 1 요약 대체 표현식으로부터 획득되는,
   방법.
   
4. 제 3 항에 있어서,
   상기 제 1 요약 대체 표현식은,
   상기 제 1 프로그램에 관한 적어도 하나의 정보를 요약시키는 요약 함수를 이용하여, 상기 제 1 프로그램에 관한 적어도 하나의 정보 및 상기 널 포인터 예외의 발생을 방지하는 대체 표현식을 포함하는 제 1 원본 대체 표현식으로부터 획득되는,
   방법.
   
5. 제 2 항에 있어서,
   상기 제 1 피쳐 벡터는,
   상기 제 1 NPE 발생 표현식과 관련된 메소드 이름(method name), 메소드 정의문(method body) 또는 문맥(context) 중 적어도 하나에 기초하여 결정되는,
   방법.
   
6. 제 2 항에 있어서,
   상기 널 포인터 예외는,
   참조할 데이터 요소가 없는 것을 가리키는 포인터인 널 포인터(null pointer)를 참조하여 프로그램의 강제 종료를 일으키는 버그인,
   방법.
   
7. 삭제
8. 제 1 항에 있어서,
   상기 원본 프로그램과 상기 패치 프로그램을 비교하여 상기 패치 프로그램의 검증을 수행하는 단계;
   를 더 포함하는,
   방법.
   
9. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 널 포인터 예외(Null Pointer Exception)를 수정하기 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
   원본 프로그램을 획득하는 단계; 및
   분류 모델을 이용하여, 상기 원본 프로그램으로부터 상기 원본 프로그램의 오류를 수정한 패치(patch) 프로그램을 획득하는 단계;
   를 포함하고,
   상기 분류 모델은,
   입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하도록, 적어도 하나의 프로그램으로부터 획득된 널(null) 처리 패턴 데이터셋을 이용하여 딥러닝 또는 머신러닝을 통해 사전에 학습되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 널 포인터 예외(Null Pointer Exception)를 수정하기 위한 컴퓨팅 장치에 있어서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및
    네트워크부;
    를 포함하고,
    상기 프로세서는,
    원본 프로그램을 획득하고, 그리고
    분류 모델을 이용하여, 상기 원본 프로그램으로부터 상기 원본 프로그램의 오류를 수정한 패치(patch) 프로그램을 획득하고,
    상기 분류 모델은,
    입력된 프로그램에 포함된 널 포인터 예외를 발생시키는 NPE 발생 표현식을 대체하는 대체 표현식을 획득하도록, 적어도 하나의 프로그램으로부터 획득된 널(null) 처리 패턴 데이터셋을 이용하여 딥러닝 또는 머신러닝을 통해 사전에 학습되는,
    컴퓨팅 장치.

Images