软件学报

作者：刘天阳，叶嘉威，计卫星，刘辉

单位：刘天阳，北京理工大学 计算机学院, 北京 10008111,叶嘉威，北京理工大学 计算机学院, 北京 10008102,计卫星，北京师范大学 人工智能学院, 北京 10087503,刘辉，北京理工大学 计算机学院, 北京 10008104

关键词：资源泄露;缺陷检测;实证研究;大模型

基金：国家自然科学基金重点项目(62232003)

资源泄露是由于有限的系统资源未能及时正确关闭所导致的缺陷, 广泛存在于各种语言程序中, 且具有一定的隐蔽性. 传统的缺陷检测方法通常基于规则和启发式搜索预测软件中的资源泄露. 近年来, 基于深度学习的缺陷检测方法通过不同的代码表征形式并使用循环神经网络、图神经网络等技术捕获代码中的语义信息. 最近的研究显示, 语言模型在代码理解和生成等任务中表现出色. 然而语言模型针对资源泄露检测这一特定任务上的优势和局限性尚未得到充分评估. 研究基于传统模型、小模型和大模型的检测方法在资源泄露检测任务中的有效性, 并探究小样本学习、微调以及静态分析与大模型结合的多种改进方式. 具体而言, 以JLeaks和DroidLeaks数据集为实验对象, 从资源泄露根本原因、资源种类、代码复杂度等多个维度分析不同模型的表现. 实验结果表明, 微调技术能够显著提升大模型在资源泄露检测领域的检测效果. 然而, 大部分模型在识别第三方库引发的资源泄露上仍需改进. 此外, 代码复杂度对基于传统模型的检测方法的影响更大.

来源：2025年第6期

《软件学报》期刊编辑部

查看软件学报杂志2025年第6期