科研工作

北京理工大学刘辉教授、上海交通大学钟浩副教授、北京科技大学何啸副教授学术报告

来源:     发布日期:2022-05-27    浏览次数:

报告时间:2022年5月29日(周日)14:30-17:30

报告地点:线上腾讯会议,会议ID(195-191-679)

报告一:

报告题目:软工数据集的构建与应用

报告人:刘辉,北京理工大学欧洲杯正规下单平台教授,软件智能与软件工程研究所副所长

报告摘要:

随着数据驱动的软件工程研究方法的出现和流行,高质量软工数据集成为了软件工程研究领域的一个重要关注点。本报告将介绍课题组在软工数据集的构建与应用方面的一些经验和教训。报告的第一部分重点介绍大规模高质量软件缺陷库的自动构建方法,解释基于开源项目的精准补丁抽取技术,以及大规模高质量软件缺陷库GrowingBugs。报告的第二部分重点介绍我们构建的面向AI代码生成的“软件需求-源代码”数据集的构建方法,以及基于该数据集对现有的基于AI的代码生成技术的分析与评估,讨论AI在代码生成中的作用与局限性。

报告人简介:

刘辉,北京理工大学欧洲杯正规下单平台教授,博士生导师,CCF杰出会员,软件智能与软件工程研究所副所长。长期从事软件质量保障和智能软件开发方面的研究和教学工作。主持国家自然科学基金项目5项。在IEEE TSE、ACM TOSEM、ICSE、ASE、FSE、ISSTA等发表录用CCF A类论文二十余篇,获得北京市技术发明二等奖、CCF A类国际会议ICSE 2022 ACM杰出论文奖、IET Premium Award以及RE’2021最佳论文奖。担任B类期刊IET Software副主编,ASE、ICSME、SANER等国际会议的程序委员会委员,CCF软件工程专委会副秘书长,软件工程专委会常务委员。2013年入选教育部“新世纪优秀人才”资助计划、北京高等学校“青年英才”资助计划。

报告二:

报告题目:深度学习软件库的缺陷与测试质量

报告人:钟浩,上海交通大学计算机科学与工程系副教授

报告摘要:

深度学习应用大部分构建在TensorFlow等软件库之上,软件库的代码占深度学习软件的绝大部分。随着深度学习软件广泛应用在各行各业,其中的缺陷被越来越多的开发者关注。针对这一热点,报告人近期从静态和动态两个角度分析了深度学习软件库内的软件缺陷,并利用变异测试对其单元测试的质量进行了分析。结果揭示了深度学习软件库测试存在的挑战和可能的研究机会。

报告人简介:

钟浩,上海交通大学计算机科学与工程系副教授,博士生导师,主要研究领域为经验软件工程和挖掘软件工程数据。他的论文曾获得ACM杰出论文奖、ASE最佳论文奖和APSEC最佳论文奖。在ICSE、ASE、OOPSLA、TSE、EMSE、JSS等期刊发表四十余篇论文,多次担任ICSE、ASE、OOPSLA、ICSME和MSR等知名会议的程序委员。他的研究兴趣为经验软件工程和挖掘软件工程数据。

报告三:

报告题目:软件模型合并——基于模型的协同软件开发中的关键挑战

报告人:何啸,北京科技大学计算机与通信工程学院副教授

报告摘要:

基于模型的软件开发是一种以模型为核心的开发方法学。它以模型作为核心制品,指导软件的分析、设计、自动生成、验证、维护和演化等开发活动。基于模型的软件开发已经被成功应用于多种关键任务领域,比如航天航空、汽车制造等。在实践过程中,当所开发的软件系统比较复杂,整个开发过程必定会需要多个开发人员进行合作和协同开发;他们会独立地创建和修改项目中的软件模型,这就不可避免地导致一个模型会出现多个分支版本或变体。如何合并这些分支模型是协同开发的关键问题。在本次报告中,我将回顾模型合并过程中的主要挑战性问题,并介绍我们在这个方向上的一些探索和尝试,包括基于相似哈希的模型匹配方法和多向模型合并方法。最后,我会展示一些初步实验结果,以说明这些方法的有效性。

报告人简介:

何啸,现就职于北京科技大学计算机与通信工程学院,副教授,CCF软件工程专委会委员。主要研究领域为模型驱动开发、软件测试、程序语言与形式化方法,在FSE、ISSTA、MODELS、JSS、IST、软件学报等国内外主流学术会议和期刊上发表论文30余篇,并作为MODELS、COMSPAC、TSE、JSS、SoSyM等会议和期刊的评审人。

上一篇
下一篇
Baidu
sogou