Un dataset per il rivelamento di errori nei programmi

L'obiettivo di questo progetto, è quello di creare un dataset composto da funzioni utile per rilevare vari errori nei programmi. Per comprendere i vari passaggi del lavoro, vengono prima spiegati velocemente alcuni argomenti come il Machine Learning, le reti neurali e alcune rappresentazioni possibili del codice sorgente. Per realizzare la tesi è stato utilizzato il linguaggo di programmazione Python e i tool Clang e Infercode. Il primo è un compilatore front-end per i linguaggi di programmazione C e C++ mentre, il secondo è un tool per rappresentare il codice sorgente in vettori. Come base di lavoro è stato utilizzato un dataset costituito da progetti GitHub contenenti il codice sorgente, scritto nei languaggi di programmazione C e C++, e la loro analisi statica, ottenuta tramite l'analizzatore statico Infer. Per costruire il dataset di funzioni è stato realizzato uno script, scritto in Python, che grazie all'utilizzo di Clang ha permesso di fare il parsing di tutti i file C presenti nel dataset in un albero sintattico astratto (AST), e successivamente di estrarre tutte le funzioni dei file dai nodi degli alberi corrispondenti. Oltre alle funzioni sono stati raccolti anche i bug presenti nell'analisi statica dei progetti, che sono poi stati inseriti in un file CSV. Una volta ottenuto il dataset di funzioni, è stato creato anche un dataset di vettori composto dalle rappresentazioni vettoriali di tutte le funzioni raccolte precedentemente. Infine, sono stati descritti alcuni lavori correlati a questo dove è stato fatto un confronto e sono stati mostrati dei possibili utilizzi per i dataset creati. In conclusione, sono stati creati due dataset e un file CSV contenenti più di 500.000 elementi che, se interpretati in maniera corretta possono risultare una buona base per fare diversi tipi di ricerca.