- 简介自动程序修复（APR）旨在修补软件漏洞并减少手动调试工作。最近，随着大型语言模型（LLM）的进步，越来越多的APR技术被提出，促进了软件开发和维护，并展示了卓越的性能。然而，由于LLM-based APR领域的持续探索，研究人员难以理解当前的成就、挑战和潜在机会。本文提供了第一篇系统的文献综述，总结了2020年至2024年LLMs在APR中的应用。我们分析了127篇相关的LLMs、APR和它们的整合视角的论文。首先，我们分类了现有的流行LLMs，它们被应用于支持APR，并概述了三种利用策略。此外，我们详细介绍了一些从LLMs中受益的具体修复场景，例如语义漏洞和安全漏洞。此外，我们讨论了将LLMs整合到APR研究中的几个关键方面，例如输入形式和开放科学。最后，我们强调了一系列需要研究的挑战和未来研究的潜在指南。总的来说，我们的论文为APR社区提供了一个系统的研究概览，帮助研究人员全面了解成就并促进未来研究。
- 图表
- 解决问题这篇论文旨在系统性地综述2020年至2024年间基于大型语言模型（LLMs）的自动程序修复（APR）技术的应用，总结当前的成就、挑战和潜在机会。
- 关键思路论文系统性地总结了当前LLMs在APR中的应用，包括LLMs的三种使用策略、LLMs在语义错误和安全漏洞修复中的具体应用场景，以及将LLMs整合到APR研究中的关键方面，例如输入形式和开放科学等。
- 其它亮点论文分析了127篇与LLMs、APR及其整合相关的文献，提出了一些值得关注的亮点，例如LLMs在APR中的三种使用策略、LLMs在语义错误和安全漏洞修复中的具体应用场景，以及LLMs整合到APR研究中的关键方面等。此外，论文还讨论了一些挑战和未来研究的潜在指导方针。
- 最近在这个领域中，还有一些相关的研究，例如“DeepFL: Integrating Multiple Fault Diagnosis Dimensions for Deep Fault Localization”和“Learning to Repair Software Vulnerabilities with Generative Adversarial Networks”等。
提问交流