في عالم البرمجة المتسارع، أصبحت نماذج اللغات الكبيرة (Large Language Models) تلعب دورًا محوريًا في تحسين عملية إصلاح البرامج الآلي (Automated Program Repair). ومع ذلك، لا يزال هناك قيود رئيسية تواجه هذه النماذج، من بينها كون تتبع التنفيذ الخام غالبًا ما يكون ضخمًا ومتكررًا بشكل يمنع استخدامه بشكل فعال. علاوة على ذلك، قد تؤدي تقنيات أخذ عينات غير المتكررة إلى تنفيذات مختلفة دون تقديم فرضيات جذرية أو استراتيجيات إصلاح متميزة.

هنا يأتي دور نظام CT-Repair، الذي يعد إطارًا مبتكرًا يمزج بين الأدلة الساكنة والديناميكية، مُمثلًا في رسم بياني خاص بالخصائص (Code Property Graph) ورسم بياني زمني للتنفيذ (Temporal Execution Graph). يستخدم CT-Repair أنبوب تصفية متعدد المراحل لبناء رسوم بيانية ديناميكية متكاملة. ويتضمن إطار العمل ثلاثة وكلاء مبنيين على آلات الحالة النهائية، حيث يقوم كل وكيل بتحليل كل خطأ برمجي من منظور ساكن، ديناميكي، وهجين، مما يؤدي إلى إنتاج استراتيجيات إصلاح مبنية على الأدلة.

يقوم الإطار بتطبيق إجراءات توليد مقيدة بالاستراتيجيات، حيث يتم تجسيد هذه الاستراتيجيات على أنها تصحيحات مرشحة، ويُستخدم التغذية الراجعة للتحقق من صحة هذه التصحيحات لتعديل الاستراتيجية الأكثر وعدًا. أظهرت التقييمات على 854 خطأ برمجي في Java من مجموعة Defects4J v3.0، أن CT-Repair قد نجح في إصلاح 489 خطأ بنجاح. في تكوين نموذج مختلط، نجح CT-Repair في إصلاح 388 خطأ، متفوقًا على تقنيات مثل ReinFix وRepairAgent بعدد أكبر من الإصلاحات.

تظهر نتائج CT-Repair أن استخدام الأدلة الهيكلية والتفكير متعدد الجوانب يمكن أن يعزز فعالية الإصلاح دون الاعتماد فقط على ميزانية أكبر لإنتاج التصحيح. إذ ساهمت عمليات تصفية التنفيذ في تصريف مدى الطرق المرشحة بنسبة 94.85%، بينما ساعدت التصفية السلوكية على تقليل السجلات الزمنية المحتفظ بها بنسبة 55.97%.

إذا كنت مهتمًا بتفاصيل تقنية تكنولوجيا الإصلاح البرامج، فما رأيك في كيفية استخدام CT-Repair لتحسين هذه العمليات؟ شاركونا آرائكم في التعليقات!