This dissertation investigates the beneficial incorporation of statistical methods into observation-based program dependence analysis. Observation-based slicing, which introduced observation-based dependence analysis, performs program slicing purely dynamically. It has been shown that the observation-based approach can successfully overcome the limitations of the traditional static approach. However, it still suffers from scalability and interpretability issues. We introduce three different statistical strategies to address either or both fronts of observation-based dependence analysis. We first exploit a lexical model built from the source code to discover dependence relations in the program efficiently. We also show how to formulate observation-based dependence analysis using statistical modeling. Further, we employ causal inference analysis to facilitate program dependence interpretability. We evaluate the proposed analyses, both quantitatively and qualitatively, using a mixture of real-world software and representative example programs in order to provide confidence in our modeling.
본 논문은 통계적 모형화 기법을 동적인 관측과정에 적용하여 관측 기반 의존성 분석의 확장성 또는 이해도를 향상하는 방안을 제시한다. 관측 기반 프로그램 슬라이싱을 통해 처음 제안된 관측 기반 의존성 분석은 분석 과정에서 동적 정보만을 사용함으로써 프로그래밍 언어의 형식 의미론을 정적으로 활용하는 전통적인 프로그램 의존성 분석이 가진 한계를 성공적으로 극복하였으나, 기존의 초보적인 방식의 분석은 확장되기 어렵고 의존성에 대한 제한적인 이해만을 제공한다는 단점이 있다. 본 연구에선, 관측 기반 의존성 분석의 확장성 또는 이해도를 향상시키는 세 가지 통계적 접근 방식을 제안한다. 먼저, 프로그램의 소스코드로부터 구축된 어휘 모형은 프로그램의 기능적인 요소를 고려한 큰 변형을 제시하여 더 효율적으로 프로그램 내의 의존성 관계를 관측할 수 있게 한다. 또한, 프로그램 내의 관측 기반 의존성을 통계적으로 추정하는 모형을 고안하고, 분석에 인과적 추론 모형을 도입함으로써 프로그램 내의 의존성을 보다 용이하게 설명할 수 있다. 본 논문은 통계적 프로그램 의존성 분석 방식을 의존성 분석 연구에서 대표적으로 사용되고 있는 프로그램뿐만 아니라 현업에서 사용되고 있는 소프트웨어에 대해 정량적, 그리고 정성적으로 평가하여 제안한 분석 방식의 효용성을 확인한다.
