Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/47132
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Ломшаков Вадим Михайлович | ru_RU |
dc.contributor.advisor | Lomsakov Vadim Mihajlovic | en_GB |
dc.contributor.author | Нигматулин Максим Владиславович | ru_RU |
dc.contributor.author | Nigmatulin Maksim Vladislavovic | en_GB |
dc.contributor.editor | Григорьев Семен Вячеславович | ru_RU |
dc.contributor.editor | Grigorev Semen Vaceslavovic | en_GB |
dc.date.accessioned | 2024-07-25T11:51:58Z | - |
dc.date.available | 2024-07-25T11:51:58Z | - |
dc.date.issued | 2024 | |
dc.identifier.other | 110999 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/47132 | - |
dc.description.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. | ru_RU |
dc.description.abstract | 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. | en_GB |
dc.language.iso | ru | |
dc.subject | Символьное исполнение | ru_RU |
dc.subject | Тестирование программ | ru_RU |
dc.subject | Машинное обучение | ru_RU |
dc.subject | Symbolic execution | en_GB |
dc.subject | Program testing | en_GB |
dc.subject | Machine learning; | en_GB |
dc.title | Development of a toolkit to train artificial neural networks to select an optimal path for symbolic execution | en_GB |
dc.title.alternative | Разработка набора инструментов для обучения искусственных нейронных сетей выбору оптимального пути для символьного исполнения | ru_RU |
Располагается в коллекциях: | MASTER'S STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Nigmatulin_report.pdf | Article | 986,78 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Maksim_Nigmatulin._Otzyv_naucnogo_rukovoditela_na_VKR_magistra._Vesna_2024.sgn.pdf | ReviewSV | 58,7 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_st110999_Nigmatulin_Maksim_Vladislavovic_(supervisor)(Ru).txt | ReviewSV | 3,47 kB | Text | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.