[Paper] SiblingRepair：基于Sibling的多块修复与大语言模型

Source: arXiv - 2605.06209v1

概述

本文介绍了 SiblingRepair，一种新的自动程序修复（APR）技术，利用大型语言模型（LLMs）来修复代码库中多个相关的缺陷（multi‑hunk bugs）。通过检测“sibling”代码片段——实现相似功能且往往共享相同缺陷的代码块——系统能够在一次处理过程中生成一致的补丁，显著提升了相较于之前最先进工具（如 Hercules）的修复成功率。

关键贡献

• LLM 驱动的兄弟发现 – 使用基于 token 级别和嵌入的相似度，而非严格的 AST 匹配或提交历史启发式。
• 两种互补的修复策略 – 同步修复（同时修补所有兄弟）和 迭代修复（随着检查更多兄弟，逐步细化补丁）。
• 跨位置的补丁泛化 – 保留早期可疑位置的有前景补丁，并将其合并为统一的多块修复。
• 实证优势 – 在 Defects4J 和 GHRB 基准上优于现有的多块 APR 工具，修复率更高且运行时间相当。
• 对数据泄漏的鲁棒性 – 表明 LLM 的训练数据并未实质性地夸大报告的修复成功率。

方法论

1. Fault Localization – 从传统的基于光谱的技术开始，标记出可疑行（seed）。
2. Sibling Candidate Retrieval
   • Token‑based matching：查找与 seed 在词法 token 上高度相似的代码片段。
   • Embedding‑based matching：使用代码嵌入模型（例如 CodeBERT）捕获语义相似性，发现语法上可能不同但行为相似的 sibling。
3. LLM‑guided Filtering – 大语言模型（例如 GPT‑4）评估每个候选，剔除那些不太可能与故障相关的。
4. Patch Generation
   • Simultaneous Repair：LLM 同时接收 seed 和所有过滤后的 siblings，要求生成一个统一的编辑，使其适用于每个位置。
   • Iterative Repair：LLM 逐个处理 siblings，更新共享的“patch context”，以保证后续编辑与之前的兼容。
5. Patch Consolidation – 将不同 seed 的成功编辑合并，形成一个可以一次提交的多块补丁。
6. Validation – 编译生成的补丁并在测试套件上运行；仅保留使所有测试通过的补丁。

结果与发现

• 修复效率：每个缺陷的平均实际耗时约为 3.2 分钟，尽管多了 sibling 检索步骤，仍与 Hercules 相当。
• Sibling 检测准确率：超过 85 % 检索到的 sibling 确实与故障相关，验证了 token + embedding 过滤的有效性。
• 泄漏检查：从 LLM 的上下文中移除任何针对特定测试用例的代码，使成功率下降 < 2 %，表明对记忆的训练数据依赖极小。

总体而言，SiblingRepair 提升了自动化多块修复的上限，尤其在逻辑在不同模块间重复的项目中表现突出。

Practical Implications

• 更快的缺陷分拣 – 开发者可以在 CI 流水线中运行 SiblingRepair；当测试失败时，工具能够提出一个 单一 补丁，解决所有出现的错误，减少手动复制粘贴导致的错误。
• 一致的重构 – 由于兄弟代码是通过语义识别的，即使代码已被重构，该方法仍然有效，适用于大型、不断演进的代码库。
• 降低技术债务 – 自动化的多块修复帮助消除隐藏的重复缺陷，这类缺陷常在单点修复后仍然残留。
• LLM 集成蓝图 – 两阶段（过滤 + 生成）工作流为其他开发者辅助工具提供可复用的模式（例如自动代码审查、安全规则强制执行）。

限制与未来工作

• 对 LLM 质量的依赖 – 当前实现依赖于专有 LLM；使用开源替代品时性能可能有所不同。
• 嵌入搜索的可扩展性 – 对于非常大的代码库，兄弟检索步骤可能成为瓶颈；需要进行索引优化。
• 仅限于测试驱动的缺陷 – 基于光谱的定位仍然需要失败的测试，因此没有测试覆盖的缺陷超出范围。
• 未来方向：(1) 引入静态分析以扩大故障定位范围，(2) 探索少样本提示以降低 LLM 推理成本，(3) 将方法扩展到跨语言的兄弟检测（例如 Java ↔ Kotlin）。

作者

• Xinyu Liu
• Jiayu Ren
• Yusen Wang
• Qi Xin
• Xiaoyuan Xie
• Jifeng Xuan

论文信息

• arXiv ID: 2605.06209v1
• 分类: cs.SE
• 出版日期: 2026年5月7日
• PDF: 下载 PDF