MARC

 008260126s2025        us                              c    eng  d
■001000017360298
■00520260202105503
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263324704
■035    ▼a(MiAaPQ)AAI32307958
■035    ▼a(MiAaPQ)GeorgiaTech78728
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aCheng,  Xiang.
■24510▼aAutomatically  Improving  the  Code  Quality  of  Rust  Via  LLM
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a121  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Kim,  Taesoo.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aEnsuring  the  quality  and  safety  of  Rust  code  is  increasingly  critical  as  the  language  is  adopted  for  system-level  and  security-sensitive  applications.  The  unique  features  of  Rust,  such  as  its  ownership  and  borrowing  system,  present  both  opportunities  and  challenges  for  automated  code  quality  improvement.  This  work  addresses  these  challenges  by  leveraging  LLMs  in  three  key  areas:  automatic  unit  test  generation,  detection  of  unsafe  operations  in  binaries,  and  identification  of  logically  unsafe  operations  that  escape  compiler  checks.The  research  introduces  a  comprehensive  framework  that  integrates  semantic-aware  static  analysis  with  advanced  machine  learning  techniques  tailored  for  Rust's  complex  type  system.  The  first  component,  RUG,  employs  a  bottom-up  context  construction  strategy  and  coverage-guided  fuzzing  to  generate  high-quality  unit  tests,  achieving  coverage  rates  comparable  to  human  developers.  The  second  component,  RUBY,  applies  machine  learning  to  identify  unsafe  operations  directly  in  Rust  binaries,  enabling  security  analysis  even  when  source  code  is  unavailable.  The  third  component,  COIN,  uses  LLM-based  classification  and  proof-of-concept  generation  to  uncover  logically  unsafe  operations,  revealing  vulnerabilities  that  are  not  detected  by  the  compiler.Extensive  evaluation  across  thousands  of  real-world  Rust  projects  demonstrates  the  effectiveness  of  these  approaches,  with  significant  improvements  in  code  coverage,  precision,  and  recall  over  existing  tools.  The  results  highlight  the  potential  of  LLMs,  when  combined  with  domain-specific  program  analysis,  to  address  the  unique  challenges  of  Rust  and  advance  the  state  of  automated  code  quality  assurance.
■590    ▼aSchool  code:  0078.
■650  4▼aBehavior
■650  4▼aSoftware
■650  4▼aProgramming  languages
■650  4▼aLarge  language  models
■650  4▼aSemantics
■690    ▼a0800
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360298▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books