RustC4++：通过混合大语言模型（LLM）和静态分析技术提升Rust代码注释不一致性的检测能力

《ACM Transactions on Software Engineering and Methodology》：RustC4++: Improving Rust Code-Comment Inconsistency Detection via Hybrid LLM and Static Analysis

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

保持源代码及其相关注释之间的一致性对于软件的可靠性、可维护性和用户体验至关重要，特别是在Rust编程生态系统中，注释既作为开发者的指导，也充当了权威的API契约。然而，现有的自动化不一致性检测方法大多针对面向对象语言设计，未能充分解决Rust的独特特性，如显式的panic语义、基于特性的抽象以及option和有限性约束的惯用用法。

在本文中，我们介绍了RustC⁴++，这是一个新颖的混合框架，它结合了大型语言模型（LLM）驱动的约束提取、静态程序分析和基于SMT的双向验证技术，用于检测和诊断Rust中的代码-注释不一致性问题。RustC⁴++通过支持更丰富的约束类型（包括区间约束、边界约束、存在性约束、option约束和有限性约束）扩展了之前的解决方案，并开创了一种系统化的方法，用于在特性和实现边界之间传播注释约束。利用思维链提示工程，RustC⁴++能够稳健地解析自然语言注释，将其映射到形式化规范，并通过精确的静态分析和形式化推理检查其与代码逻辑的一致性。我们在17个多样化的实际Rust项目上进行了广泛实验，证明RustC⁴++在精确度和召回率方面均显著优于之前的工具，并且能够发现导致上游代码库中已确认修复的细微且可操作的不一致性问题。通过将注释提升为可执行、可验证的契约，RustC⁴++不仅提高了Rust生态系统中的代码质量和注释可靠性，还为其他现代编程语言的自动化代码注释分析提供了通用技术和见解。

AI摘要

AI生成摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助读者发现内容、评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍是文章的官方总结。完整文章才是权威版本。点击此处了解更多关于ACM AI摘要的信息。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的简明语言摘要，您必须具有高级访问权限。