典型文献
基于深度学习的数据竞争检测方法
文献摘要：
针对目前已有的基于深度学习的数据竞争检测方法提取特征单一和准确率低的问题,提出一种基于深度学习的数据竞争检测方法DeleRace,该方法首先利用程序静态分析工具 WALA从多个实际应用程序中提取指令、方法和文件等多个级别的特征,对其向量化并构造训练样本数据;然后通过ConRacer工具对真实数据竞争进行判定进而标记样本数据,采用SMOTE增强算法使正负数据样本分布均衡化;最后构建并训练CNN-LSTM 深度神经网络进行数据竞争检测.从DaCapo,JGF,IBM Contest,PJBench基准测试程序套件中分别选取26个不同应用领域的基准测试程序进行训练数据样本抽取和数据竞争检测,结果表明DeleRace的数据竞争检测准确率为96.79％,与目前已有的基于深度学习的检测方法DeepRace相比提升了 4.65％.此外还将DeleRace与已有的动态数据竞争检测工具(Said和RVPredict)和静态数据竞争检测工具(SRD和ConRacer)进行比较,验证了 DeleRace的有效性.
文献关键词：
数据竞争;并发程序;深度学习;特征抽取;CNN-LSTM模型
中图分类号：
作者姓名：
张杨;乔柳;东春浩;高鸿斌
作者机构：
河北科技大学信息科学与工程学院 石家庄 050018
文献出处：
引用格式：
[1]张杨;乔柳;东春浩;高鸿斌-.基于深度学习的数据竞争检测方法)[J].计算机研究与发展,2022(09):1914-1928
A类：
DeleRace,WALA,ConRacer,正负数,DaCapo,PJBench,DeepRace,RVPredict
B类：
数据竞争,提取特征,静态分析,应用程序,取指令,向量化,训练样本,真实数据,标记样本,SMOTE,增强算法,样本分布,均衡化,深度神经网络,JGF,IBM,Contest,基准测试,测试程序,套件,训练数据,检测准确率,动态数据,检测工具,Said,静态数据,SRD,并发程序,特征抽取
AB值：
0.330318
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
