Development of a toolkit to train artificial neural networks to select an optimal path for symbolic execution

Abstract

Символьное исполнение представляет собой надежный подход к тестированию программного обеспечения, анализируя программы с символьными входными данными для изучения всех возможных путей исполнения. Однако экспоненциальный рост числа путей исполнения создает значительную проблему, требующую разработки стратегий для оптимизации выбора путей.

В данной работе представлен набор инструментов для обучения графовых нейронных сетей выбору оптимальных путей для символьного исполнения. Разработанный набор инструментов поддерживает обучение с использованием символьных машин V# и USVM, ускоряет процесс обучения за счет параллельной валидации, а также экспортирует результаты обучения в стандартизированный формат, обеспечивая возможность интеграции с различными символьными машинами.

Symbolic execution is a robust approach to software testing, analyzing programs with symbolic inputs to explore all possible execution paths. However, the exponential growth in the number of execution paths poses a significant challenge, requiring the development of strategies to optimize path selection.

This paper presents a toolbox for training graph neural networks to select optimal paths for symbolic execution. The developed toolbox supports training using V# and USVM symbolic engines, accelerates the training process through parallel validation, and exports the training results in a standardized format, enabling integration with different symbolic engines.