软件学报

作者：沈庆超，田家硕，陈俊洁，陈翔，陈庆燕，王赞

单位：沈庆超，天津大学 智能与计算学部, 天津 30035011,田家硕，天津大学 智能与计算学部, 天津 30035002,陈俊洁，天津大学 智能与计算学部, 天津 30035003,陈翔，南通大学 人工智能与计算机学院, 江苏 南通 22601904,陈庆燕，山东航空学院 信息工程学院, 山东 滨州 25170005,王赞，天津大学 智能与计算学部, 天津 30035006

关键词：深度学习编译器;缺陷分析;实证研究;缺陷检测;缺陷特征

基金：国家自然科学基金(62322208, 12411530122)

深度学习编译器已被广泛应用于深度学习模型的性能优化和部署. 与传统编译器类似, 深度学习编译器也存在缺陷. 存在缺陷的深度学习编译器会导致编译失败或者产生错误的编译结果, 甚至有时会带来灾难性的后果. 为了深入理解深度学习编译器缺陷的特性, 已有工作针对深度学习编译器早期的603个缺陷进行研究分析. 近年来, 深度学习编译器在快速迭代更新, 伴随着大量新特性的引入和旧特性的弃用. 与此同时, 一些针对深度学习编译器缺陷的检测工具已被开发出来. 因此, 需要分析之前对深度学习编译器缺陷的研究结论是否依然适用. 此外, 缺乏对缺陷症状、根因、位置三者之间关系的深入挖掘, 并且缺乏对触发缺陷的回归测试用例特征和修复缺陷的补丁特征的研究. 为了深入分析当下深度学习编译器缺陷特征和缺陷分布随时间的演化过程, 收集当前3款主流深度学习编译器(即Apache的TVM、Facebook的Glow和华为的AKG)中的613个近期修复的缺陷, 并对缺陷的根因、症状、位置等特征进行人工标注. 基于标注结果, 从多个不同角度深入挖掘缺陷的分布特征,并与已有研究进行对比分析. 同时, 对触发缺陷的回归测试用例和修复缺陷的补丁进行研究. 最终获得12个主要研究发现, 以全面了解深度学习编译器缺陷现状与演变过程, 并为深度学习编译器缺陷的检测、定位、修复提供一系列可行的指导方案. 最后, 为了验证这些研究发现的有效性, 开发了一款基于优化配置的测试工具CfgFuzz. CfgFuzz通过对编译配置选项进行组合测试, 最终检测到8个TVM缺陷, 其中7个缺陷已被开发人员确认或修复.

来源：2025年第7期

《软件学报》期刊编辑部

查看软件学报杂志2025年第7期