知財求人 - 知財ポータルサイト「IP Force」
特開2023-164020ソースコード判定モデル作成装置、ソースコード判定装置、ソースコード判定モデル作成方法、及びソースコード判定方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023164020
(43)【公開日】2023-11-10
(54)【発明の名称】ソースコード判定モデル作成装置、ソースコード判定装置、ソースコード判定モデル作成方法、及びソースコード判定方法
(51)【国際特許分類】
G06F 11/36 20060101AFI20231102BHJP
G06F 8/75 20180101ALI20231102BHJP
G06F 16/383 20190101ALI20231102BHJP
G06F 8/77 20180101ALI20231102BHJP
G06N 20/00 20190101ALI20231102BHJP
【ＦＩ】
G06F11/36 116
G06F8/75
G06F16/383
G06F8/77
G06N20/00 130
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2022075314
(22)【出願日】2022-04-28
(71)【出願人】
【識別番号】000005108
【氏名又は名称】株式会社日立製作所
(74)【代理人】
【識別番号】110000176
【氏名又は名称】弁理士法人一色国際特許事務所
(72)【発明者】
【氏名】小山 恭平
(72)【発明者】
【氏名】新原 敦介
(72)【発明者】
【氏名】佐藤 直人
【テーマコード（参考）】
5B042
5B175
5B376
【Ｆターム（参考）】
5B042HH08
5B042HH10
5B042JJ30
5B042KK15
5B175DA01
5B376BC31
5B376BC36
5B376BC38
(57)【要約】 （修正有）
【課題】互いに入出力関係にある複数の関数を有するソースコードに対する判定を行う学習済みモデルを効率よく作成するソースコード判定モデル作成装置、ソースコード判定装置、ソースコード判定モデル作成方法及びソースコード判定方法を提供する。
【解決手段】ソースコード判定システム１において、ソースコード判定モデル作成装置１０は、ソースコードを記憶する記憶装置及びソースコードから、第１の関数の記述部分及び第１の関数を呼び出している第２の関数の記述部分を抽出し、第１の関数の記述部分のベクトルデータである文字列特徴ベクトルを作成し、第２の関数の記述部分に基づき、第２の関数から第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルを作成し、文字列特徴ベクトル及び入力特徴ベクトルと、第１の関数及び第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを作成する。
【選択図】図１
【解決手段】ソースコード判定システム１において、ソースコード判定モデル作成装置１０は、ソースコードを記憶する記憶装置及びソースコードから、第１の関数の記述部分及び第１の関数を呼び出している第２の関数の記述部分を抽出し、第１の関数の記述部分のベクトルデータである文字列特徴ベクトルを作成し、第２の関数の記述部分に基づき、第２の関数から第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルを作成し、文字列特徴ベクトル及び入力特徴ベクトルと、第１の関数及び第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを作成する。
【選択図】図１
【特許請求の範囲】
【請求項1】
ソースコードを記憶する記憶装置、及び、
前記ソースコードから、第１の関数の記述部分及び前記第１の関数を呼び出している第２の関数の記述部分を抽出し、
前記第１の関数の記述部分のベクトルデータである文字列特徴ベクトルを作成し、
前記第２の関数の記述部分に基づき、前記第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルを作成し、
前記文字列特徴ベクトル及び前記入力特徴ベクトルと、前記第１の関数及び前記第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを作成する処理装置
を備える、ソースコード判定モデル作成装置。
前記ソースコードから、第１の関数の記述部分及び前記第１の関数を呼び出している第２の関数の記述部分を抽出し、
前記第１の関数の記述部分のベクトルデータである文字列特徴ベクトルを作成し、
前記第２の関数の記述部分に基づき、前記第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルを作成し、
前記文字列特徴ベクトル及び前記入力特徴ベクトルと、前記第１の関数及び前記第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを作成する処理装置
を備える、ソースコード判定モデル作成装置。
【請求項2】
前記処理装置は、
前記第１の関数の記述部分を複数のトークンに変換し、変換した各前記トークンと、前記トークンに対応付けられる重み値とに基づき各前記トークン間の関連度を算出し、算出した各前記関連度に基づき前記文字列特徴ベクトルを作成し、
前記学習済みモデルを作成する際に、前記重み値を決定する、
請求項１に記載のソースコード判定モデル作成装置。
前記第１の関数の記述部分を複数のトークンに変換し、変換した各前記トークンと、前記トークンに対応付けられる重み値とに基づき各前記トークン間の関連度を算出し、算出した各前記関連度に基づき前記文字列特徴ベクトルを作成し、
前記学習済みモデルを作成する際に、前記重み値を決定する、
請求項１に記載のソースコード判定モデル作成装置。
【請求項3】
前記処理装置は、
前記第２の関数の記述部分に基づき、前記第２の関数が前記第１の関数を呼び出す際の引数の情報を含む文字列データである入力情報を作成し、作成した入力情報をベクトルデータに変換することにより、前記入力特徴ベクトルを作成する、
請求項１に記載のソースコード判定モデル作成装置。
前記第２の関数の記述部分に基づき、前記第２の関数が前記第１の関数を呼び出す際の引数の情報を含む文字列データである入力情報を作成し、作成した入力情報をベクトルデータに変換することにより、前記入力特徴ベクトルを作成する、
請求項１に記載のソースコード判定モデル作成装置。
【請求項4】
前記処理装置は、
前記第１の関数の記述部分を複数のトークンに変換し、変換した各前記トークンと、前記トークンに対応付けられる重み値とに基づき各前記トークン間の関連度を算出し、算出した各前記関連度に基づき前記文字列特徴ベクトルを作成し、
前記第２の関数の記述部分に基づき、前記第２の関数が前記第１の関数を呼び出す際の引数の情報を含む文字列データである入力情報を作成し、作成した入力情報をベクトルデータに変換することにより、前記入力特徴ベクトルを作成し、
前記作成した文字列特徴ベクトル及び前記作成した入力特徴ベクトルを合成したベクトルデータである分類特徴ベクトルを作成し、
前記作成した分類特徴ベクトルと、前記判定値との関係を記憶した前記学習済みモデルを作成し、
前記学習済みモデルを作成する際に、前記重み値を決定する、
請求項１に記載のソースコード判定モデル作成装置。
前記第１の関数の記述部分を複数のトークンに変換し、変換した各前記トークンと、前記トークンに対応付けられる重み値とに基づき各前記トークン間の関連度を算出し、算出した各前記関連度に基づき前記文字列特徴ベクトルを作成し、
前記第２の関数の記述部分に基づき、前記第２の関数が前記第１の関数を呼び出す際の引数の情報を含む文字列データである入力情報を作成し、作成した入力情報をベクトルデータに変換することにより、前記入力特徴ベクトルを作成し、
前記作成した文字列特徴ベクトル及び前記作成した入力特徴ベクトルを合成したベクトルデータである分類特徴ベクトルを作成し、
前記作成した分類特徴ベクトルと、前記判定値との関係を記憶した前記学習済みモデルを作成し、
前記学習済みモデルを作成する際に、前記重み値を決定する、
請求項１に記載のソースコード判定モデル作成装置。
【請求項5】
前記処理装置は、
前記第２の関数内における処理経路を探索し、探索した処理経路を特定する条件分岐を示す文字列と、当該処理経路による処理の実行により前記第２の関数が前記第１の関数を呼び出す際の引数の名称及び当該引数の値を示す文字列とを含む文字列データである前記入力情報を作成し、作成した前記入力情報をベクトルデータに変換することにより、前記入力特徴ベクトルを作成する、
請求項３に記載のソースコード判定モデル作成装置。
前記第２の関数内における処理経路を探索し、探索した処理経路を特定する条件分岐を示す文字列と、当該処理経路による処理の実行により前記第２の関数が前記第１の関数を呼び出す際の引数の名称及び当該引数の値を示す文字列とを含む文字列データである前記入力情報を作成し、作成した前記入力情報をベクトルデータに変換することにより、前記入力特徴ベクトルを作成する、
請求項３に記載のソースコード判定モデル作成装置。
【請求項6】
ソースコードにおける第１の関数の記述部分のベクトルデータである文字列特徴ベクトル及び、前記第１の関数を呼び出している第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルと、前記第１の関数及び前記第２の
関数が行う処理に対する判定値との関係を記憶した学習済みモデルを記憶する記憶装置、及び、
ソースコードの入力を受け付け、
入力された前記ソースコードから、第３の関数の記述部分及び前記第３の関数を呼び出している第４の関数の記述部分を抽出し、
前記第３の関数の記述部分のベクトルデータである第２文字列特徴ベクトルを作成し、
前記第４の関数の記述部分に基づき、前記第４の関数から前記第３の関数への入力データの内容を示すベクトルデータである第２入力特徴ベクトルを作成し、
前記学習済みモデルに、前記作成した第２文字列特徴ベクトル及び第２入力特徴ベクトルを入力することで、前記第３の関数及び前記第４の関数が行う処理に対する判定値を出力する処理装置
を備える、ソースコード判定装置。
関数が行う処理に対する判定値との関係を記憶した学習済みモデルを記憶する記憶装置、及び、
ソースコードの入力を受け付け、
入力された前記ソースコードから、第３の関数の記述部分及び前記第３の関数を呼び出している第４の関数の記述部分を抽出し、
前記第３の関数の記述部分のベクトルデータである第２文字列特徴ベクトルを作成し、
前記第４の関数の記述部分に基づき、前記第４の関数から前記第３の関数への入力データの内容を示すベクトルデータである第２入力特徴ベクトルを作成し、
前記学習済みモデルに、前記作成した第２文字列特徴ベクトル及び第２入力特徴ベクトルを入力することで、前記第３の関数及び前記第４の関数が行う処理に対する判定値を出力する処理装置
を備える、ソースコード判定装置。
【請求項7】
情報処理装置が、
ソースコードを記憶し、
前記ソースコードから、第１の関数の記述部分及び前記第１の関数を呼び出している第２の関数の記述部分を抽出し、
前記第１の関数の記述部分のベクトルデータである文字列特徴ベクトルを作成し、
前記第２の関数の記述部分に基づき、前記第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルを作成し、
前記文字列特徴ベクトル及び前記入力特徴ベクトルと、前記第１の関数及び前記第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを作成する、
ソースコード判定モデル作成方法。
ソースコードを記憶し、
前記ソースコードから、第１の関数の記述部分及び前記第１の関数を呼び出している第２の関数の記述部分を抽出し、
前記第１の関数の記述部分のベクトルデータである文字列特徴ベクトルを作成し、
前記第２の関数の記述部分に基づき、前記第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルを作成し、
前記文字列特徴ベクトル及び前記入力特徴ベクトルと、前記第１の関数及び前記第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを作成する、
ソースコード判定モデル作成方法。
【請求項8】
情報処理装置が、
ソースコードにおける第１の関数の記述部分のベクトルデータである文字列特徴ベクトル及び、前記第１の関数を呼び出している第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルと、前記第１の関数及び前記第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを記憶し、
ソースコードの入力を受け付け、
入力された前記ソースコードから、第３の関数の記述部分及び前記第３の関数を呼び出している第４の関数の記述部分を抽出し、
前記第３の関数の記述部分のベクトルデータである第２文字列特徴ベクトルを作成し、
前記第４の関数の記述部分に基づき、前記第４の関数から前記第３の関数への入力データの内容を示すベクトルデータである第２入力特徴ベクトルを作成し、
前記学習済みモデルに、前記作成した第２文字列特徴ベクトル及び第２入力特徴ベクトルを入力することで、前記第３の関数及び前記第４の関数が行う処理に対する判定値を出力する、
ソースコード判定方法。
ソースコードにおける第１の関数の記述部分のベクトルデータである文字列特徴ベクトル及び、前記第１の関数を呼び出している第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルと、前記第１の関数及び前記第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを記憶し、
ソースコードの入力を受け付け、
入力された前記ソースコードから、第３の関数の記述部分及び前記第３の関数を呼び出している第４の関数の記述部分を抽出し、
前記第３の関数の記述部分のベクトルデータである第２文字列特徴ベクトルを作成し、
前記第４の関数の記述部分に基づき、前記第４の関数から前記第３の関数への入力データの内容を示すベクトルデータである第２入力特徴ベクトルを作成し、
前記学習済みモデルに、前記作成した第２文字列特徴ベクトル及び第２入力特徴ベクトルを入力することで、前記第３の関数及び前記第４の関数が行う処理に対する判定値を出力する、
ソースコード判定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、ソースコード判定モデル作成装置、ソースコード判定装置、ソースコード判定モデル作成方法、及びソースコード判定方法に関する。
【背景技術】
【0002】
プログラムのソースコードは近年大型化、複雑化しており、開発者による、ソースコードのバグの検知や性能遅延の原因の特定はより難しくなっている。
【0003】
プログラムの解析を行う技術として、特許文献１には、階層化されたプログラムコードを既定の分割条件に従って複数のプログラム要素に分割し、複数のプログラム要素の各プログラム要素を解析し、各プログラム要素の属性と、複数のプログラム要素における階層とを抽出する解析部と、解析部により抽出された各プログラム要素の属性と複数のプログラム要素における階層とに基づいて機械学習を行って、複数のプログラム要素を複数のグループにグルーピングするグルーピング部とを有する情報処理装置が記載されている。
【0004】
ここで、ソースコードに対する自然言語処理を自動的に行わせることで、プログラムの解析をより効率よく行うことが提案されている。例えば、非特許文献１には、自然言語処理が可能な機械学習の手法であるBERT（Bidirectional Encoder Representations from Transformers）を用いた文章解析技術が開示されており、具体的には、ドキュメントを固
定長で分割し、分割したデータをBERTにより特徴ベクトル化し、それらの特徴ベクトルを１つのベクトルに合成することが開示されている。
定長で分割し、分割したデータをBERTにより特徴ベクトル化し、それらの特徴ベクトルを１つのベクトルに合成することが開示されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】国際公開第２０１８／０６６０７４号
【非特許文献】
【0006】
【非特許文献1】Raghavendra Pappagari, Piotr Zelasko, Jesus Villalba, Yishay Carmiel, Najim Dehak、"Hierarchical Transformers for Long Document Classification"、2019 IEEE Automatic Speech Recognition and Understanding Workshop (ASRU)、2019、［online］、［令和４年（２０２２年）４月１４日検索］、インターネット(URL: https://ieeexplore.ieee.org/document/9003958)
【発明の概要】
【発明が解決しようとする課題】
【0007】
ソースコードのバグや性能遅延は、複数の要因が絡み合って起きることが多い。特に、ソースコードの複数間の関数の依存関係（データの入出力）がそれらの大きな原因となりうる。しかしながら、上記の各文献では、そのような入出力関係を充分に考慮することができず、もしくはそれらの処理に大きな処理負荷がかかる。
【0008】
本発明は、このような事情に鑑みてなされたものであり、その目的は、互いに入出力関係にある複数の関数を有するソースコードに対する判定を行う学習済みモデルを効率よく作成することが可能なソースコード判定モデル作成装置、ソースコード判定装置、ソースコード判定モデル作成方法、及びソースコード判定方法を提供することを目的とする。
【課題を解決するための手段】
【0009】
上記課題を解決するための本発明の一つは、ソースコードを記憶する記憶装置、及び、前記ソースコードから、第１の関数の記述部分及び前記第１の関数を呼び出している第２の関数の記述部分を抽出し、前記第１の関数の記述部分のベクトルデータである文字列特徴ベクトルを作成し、前記第２の関数の記述部分に基づき、前記第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルを作成し、前記文字列特徴ベクトル及び前記入力特徴ベクトルと、前記第１の関数及び前記第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを作成する処理装置を備える、ソースコード判定モデル作成装置、である。
【0010】
また、上記課題を解決するための本発明の他の一つは、ソースコードにおける第１の関数の記述部分のベクトルデータである文字列特徴ベクトル及び、前記第１の関数を呼び出している第２の関数から前記第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルと、前記第１の関数及び前記第２の関数が行う処理に対する判定値との関係を記憶した学習済みモデルを記憶する記憶装置、及び、ソースコードの入力を受け付け、入力された前記ソースコードから、第３の関数の記述部分及び前記第３の関数を呼び出している第４の関数の記述部分を抽出し、前記第３の関数の記述部分のベクトルデータである第２文字列特徴ベクトルを作成し、前記第４の関数の記述部分に基づき、前記第４の関数から前記第３の関数への入力データの内容を示すベクトルデータである第２入力特徴ベクトルを作成し、前記学習済みモデルに、前記作成した第２文字列特徴ベクトル及び第２入力特徴ベクトルを入力することで、前記第３の関数及び前記第４の関数が行う処理に対する判定値を出力する処理装置を備える、ソースコード判定装置である。
【発明の効果】
【0011】
本発明によれば、互いに入出力関係にある複数の関数を有するソースコードに対する判定を行う学習済みモデルを効率よく作成することができる。
上記した以外の構成及び効果等は、以下の実施形態の説明により明らかにされる。
上記した以外の構成及び効果等は、以下の実施形態の説明により明らかにされる。
【図面の簡単な説明】
【0012】
【図1】本実施形態に係るソースコード判定システムの構成の一例を示す図である。
【図2】ソースコード判定モデル作成装置が備える機能部の一例を説明する図である。
【図3】ソースコード判定装置備える機能部の一例を説明する図である。
【図4】ソースコード判定モデル作成装置が備えるハードウェアの一例を示す図である。
【図5】ソースコード判定システムで行われる処理の概要を説明する図である。
【図6】学習処理の概要を説明する図である。
【図7】呼び先関数の一例を示す図である。
【図8】呼び元関数の一例を示す図である。
【図9】文字列特徴ベクトル変換処理の詳細を説明するフロー図である。
【図10】トークン列を埋め込みベクトルに変換する処理の一例を説明する図である。
【図11】埋め込みベクトルから関連度データを算出する処理の一例を示す図である。
【図12】関連度データ（attention weight）から文字列特徴ベクトルを算出する処理の一例を示す図である。
【図13】入力特徴ベクトル変換処理の詳細を説明するフロー図である。
【図14】入力情報の作成例を説明する図である。
【図15】合成処理の一例を説明するフロー図である。
【図16】判定処理の概要を説明する図である。
【発明を実施するための形態】
【0013】
本発明の実施の形態を、図面を参照しつつ説明する。
図１は、本実施形態に係るソースコード判定システム１の構成の一例を示す図である。ソースコード判定システム１は、ソースコードに存在する不具合を判定するための学習済みモデルであるソースコード判定モデルを作成するソースコード判定モデル作成装置１０、ソースコードを開発するユーザが使用するユーザ端末２０、及び、ソースコード判定モデルを用いてユーザが指定したソースコードの不具合を判定するソースコード判定装置３０の各情報処理装置を含んで構成されている。
図１は、本実施形態に係るソースコード判定システム１の構成の一例を示す図である。ソースコード判定システム１は、ソースコードに存在する不具合を判定するための学習済みモデルであるソースコード判定モデルを作成するソースコード判定モデル作成装置１０、ソースコードを開発するユーザが使用するユーザ端末２０、及び、ソースコード判定モデルを用いてユーザが指定したソースコードの不具合を判定するソースコード判定装置３０の各情報処理装置を含んで構成されている。
【0014】
なお、ソースコード判定モデルは、ソースコードを機械学習することで作成される学習済みモデルである。また、ソースコードは文字列等からなるテキストデータであり、複数の関数の記述を含んでいる。
【0015】
ソースコード判定モデル作成装置１０、ユーザ端末２０、及びソースコード判定装置３０の間は、例えば、インターネット、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、又は専用線等の有線又は無線の通信ネットワーク５により通信可能となっ
ている。
ている。
【0016】
図２は、ソースコード判定モデル作成装置１０が備える機能部の一例を説明する図である。ソースコード判定モデル作成装置１０は、分類対象選択部１０１、文字列特徴ベクトル変換部１０２、呼び元検索部１０３、入力情報抽出部１０４、入力特徴ベクトル変換部１０５、分類特徴ベクトル変換部１０６、及び学習部１０７の各機能部を備える。
【0017】
分類対象選択部１０１は、ソースコード判定モデルの学習データであるソースコード（以下、学習対象ソースコードという）から、他の関数により呼び出されている関数（以下、第１の関数、又は呼び先関数ともいう）の部分を抽出する。
【0018】
文字列特徴ベクトル変換部１０２は、抽出された第１の関数の部分のデータをベクトル化したデータである文字列特徴ベクトルを作成する。
【0019】
呼び元検索部１０３は、学習対象ソースコードから、第１の関数を呼び出している関数（以下、第２の関数、呼び元関数ともいう）の部分を抽出する。
【0020】
入力情報抽出部１０４は、抽出された第２の関数の部分に基づき、第２の関数が第１の関数を呼び出す際の引数の情報を含む文字列データである入力情報を作成する。
【0021】
入力特徴ベクトル変換部１０５は、入力情報に基づき、第２の関数から第１の関数への入力データの内容を示すベクトルデータである入力特徴ベクトルを作成する。
【0022】
分類特徴ベクトル変換部１０６は、文字列特徴ベクトル及び入力特徴ベクトルを合成したベクトルデータである分類特徴ベクトルを作成する。
【0023】
学習部１０７は、分類特徴ベクトルと、学習対象ソースコードにおける、第２の関数による第１の関数の呼び出し処理に対する判定値との関係を記憶した学習済みモデル（ソースコート判定モデル）を作成する。
【0024】
なお、本実施形態では、この判定値は、例えば、第１の関数の処理性能が第２の関数の処理性能に対応しているか否か（一方の関数に極端な処理負荷がかかっているか否か）、又は、第２の関数から第１の関数への呼び出しに係る引数に関してバグ又は不整合が存在するか否か、に関する判定値である。
【0025】
さらに、ソースコード判定モデル作成装置１０は、学習対象ソースコードが記憶されているソースコードＤＢ１１０、作成された入力情報を記憶するための入力情報ＤＢ１１１、判定値の情報が記憶されている教師情報ＤＢ１１２、及び、作成されたソースコード判定モデルを記憶するためのモデル情報１１３を備える。
【0026】
なお、ソースコード判定モデル作成装置１０は、予め、ユーザから、学習対象ソースコード及びこれに対応する判定値の入力を受け付けておき、その学習対象ソースコード及び判定値をソースコードＤＢ１１０及び教師情報ＤＢ１１２にそれぞれ格納する。もしくは、ソースコード判定モデル作成装置１０は、所定の情報処理装置から自動的に学習対象ソースコード及び判定値を取得してもよい。
【0027】
次に、図３は、ソースコード判定装置３０が備える機能部の一例を説明する図である。
【0028】
第２分類対象選択部３０１は、処理性能又はバグ等の判定を行うソースコード（以下、判定対象ソースコードという）から、他の関数から呼び出されている関数（以下、第３の関数ともいう）の部分を抽出する。
【0029】
第２文字列特徴ベクトル変換部３０２は、第３の関数の部分のデータをベクトル化したデータである第２文字列特徴ベクトルを作成する。
【0030】
第２呼び元検索部３０３は、第３の関数を呼び出している関数（以下、第４の関数ともいう）の部分を抽出する。
【0031】
第２入力情報抽出部３０４は、抽出された第４の関数の部分に基づき、第４の関数が第３の関数を呼び出す際の引数の情報を含む文字列データである第２入力情報を作成する。
【0032】
第２入力特徴ベクトル変換部３０５は、第２入力情報に基づき、第４の関数から第３の関数への入力データの内容を示すベクトルデータである第２入力特徴ベクトルを作成する。
【0033】
第２分類特徴ベクトル変換部３０６は、第２文字列特徴ベクトル及び第２入力特徴ベクトルを合成したベクトルデータである第２分類特徴ベクトルを作成する。
【0034】
分類部３０７は、ソースコート判定モデルに、第２分類特徴ベクトルを入力することで、判定対象ソースコードにおける、第４の関数による第３の関数の呼び出し処理に対する判定値（バグ、性能遅延等に関する判定値）を出力する。
【0035】
また、ソースコード判定装置３０は、判定対象ソースコードが記憶されているソースコードＤＢ３１０、及び、ソースコード判定モデルから出力された判定値の情報が記憶されている判定値情報ＤＢ１１１を備える。
【0036】
なお、ソースコード判定装置３０は、予め、ユーザから、判定対象ソースコードの入力を受け付けておき、その判定対象ソースコードをソースコードＤＢ３１０に格納する。もしくは、ソースコード判定装置３０は、所定の情報処理装置から自動的に判定対象ソースコードを取得してもよい。
【0037】
ここで、図４は、ソースコード判定モデル作成装置１０が備えるハードウェアの一例を示す図である。ソースコード判定モデル作成装置１０は、CPU (Central Processing Unit)、DSP (Digital Signal Processor)、GPU (Graphics Processing Unit)、FPGA (Field-P
rogrammable Gate Array)等の処理装置４１（プロセッサ）と、ROM (Read Only Memory)
、RAM (Random Access Memory)等の主記憶装置４２（メモリ）と、HDD (Hard Disk Drive)、SSD (Solid State Drive)などの補助記憶装置４３と、ＮＩＣ(Network Interface Card)、無線通信モジュール、USB (Universal Serial Interface)モジュール、又はシリアル通信モジュール等で構成される通信装置４４と、マウスやキーボード等で構成される入力装置４５と、液晶ディスプレイまたは有機EL (Electro-Luminescence)ディスプレイ等で
構成される出力装置４６とを備えていてもよい。なお、ユーザ端末２０及びソースコード判定装置３０も、ソースコード判定モデル作成装置１０と同様のハードウェアを備える。
rogrammable Gate Array)等の処理装置４１（プロセッサ）と、ROM (Read Only Memory)
、RAM (Random Access Memory)等の主記憶装置４２（メモリ）と、HDD (Hard Disk Drive)、SSD (Solid State Drive)などの補助記憶装置４３と、ＮＩＣ(Network Interface Card)、無線通信モジュール、USB (Universal Serial Interface)モジュール、又はシリアル通信モジュール等で構成される通信装置４４と、マウスやキーボード等で構成される入力装置４５と、液晶ディスプレイまたは有機EL (Electro-Luminescence)ディスプレイ等で
構成される出力装置４６とを備えていてもよい。なお、ユーザ端末２０及びソースコード判定装置３０も、ソースコード判定モデル作成装置１０と同様のハードウェアを備える。
【0038】
以上に説明したソースコード判定モデル作成装置１０、ユーザ端末２０、及びソースコード判定装置３０の各情報処理装置の各機能部の機能は、処理装置が、主記憶装置又は補助記憶装置に格納されているプログラムを読み出して実行することにより実現される。また上記のプログラムは、例えば、記録媒体に記録して配布することができる。なお、各情報処理装置は、その全部または一部が、例えば、クラウドシステムによって提供される仮想サーバのように、仮想化技術やプロセス空間分離技術等を用いて提供される仮想的な情報処理資源を用いて実現されるものであってもよい。また、各情報処理装置によって提供される機能の全部または一部は、例えば、クラウドシステムがＡＰＩ (Application Programming Interface)等を介して提供するサービスによって実現してもよい。
【0039】
次に、ソースコード判定システム１で行われる処理について説明する。
図５は、ソースコード判定システム１で行われる処理の概要を説明する図である。まず、ソースコード判定モデル作成装置１０は、学習対象ソースコード及び判定値に基づきソースコード判定モデルを作成する、学習処理ｓ１０を実行する。
図５は、ソースコード判定システム１で行われる処理の概要を説明する図である。まず、ソースコード判定モデル作成装置１０は、学習対象ソースコード及び判定値に基づきソースコード判定モデルを作成する、学習処理ｓ１０を実行する。
【0040】
その後、ソースコード判定装置３０は、判定対象ソースコードの指定をユーザから受け付け、学習処理ｓ１０で作成したソースコード判定モデルに基づき、判定対象ソースコードの判定を行う判定処理ｓ２０を実行する。
なお、学習処理ｓ１０及び判定処理ｓ２０はそれぞれ、複数回繰り返し実行されてもよい。
なお、学習処理ｓ１０及び判定処理ｓ２０はそれぞれ、複数回繰り返し実行されてもよい。
【0041】
【0042】
分類対象選択部１０１は、学習対象ソースコードから、他の関数から呼び出されている関数（呼び先関数）を検索する（ｓ１１）。具体的には、分類対象選択部１０１は、ソースコードＤＢ１１０に記憶されている学習対象ソースコードを取得し、取得したソースコードのうち、他の関数から呼び出される関数であって、呼び出される場合に当該他の関数から引き渡される入力データが存在する関数（例えば、仮引数の定義部分を有している関数）の部分を抽出する。
【0043】
ここで、図７は、呼び先関数の一例を示す図である。この呼び先関数７００は、呼び元関数の引数に対応する仮引数７０１（呼び元関数から呼び先関数への入力データ）と、戻り値７０２とを有する。
【0044】
次に、図６に示すように、文字列特徴ベクトル変換部１０２は、ｓ１１で検索した呼び先関数をベクトルデータ（文字列特徴ベクトル）に変換する（文字列特徴ベクトル変換処理ｓ１２）。
【0045】
一方、呼び元検索部１０３は、学習対象ソースコードから、呼び先関数を呼び出している関数（呼び元関数）を検索して特定する（ｓ１３）。具体的には、呼び元検索部１０３は、ソースコードＤＢ１１０に記憶されている学習対象ソースコードを取得し、取得したソースコードのうち、呼び先関数を呼び出している関数であって、呼び先関数にデータを引き渡している関数（例えば、実引数を有する関数）の部分を全て抽出する。
【0046】
ここで、図８は、呼び元関数の一例を示す図である。この呼び元関数８００は、所定の変数値８０１（len(x)）が示す回数分処理が繰り返される繰り返し処理部分８０２と、呼び先関数を呼び出す部分８０３とを有する。呼び先関数を呼び出している部分８０３（関数）は、繰り返し処理部分８０２の処理により算出された変数を実引数８０４（呼び元関数から呼び先関数への入力データ）として有する。
【0047】
次に、図６に示すように、入力情報抽出部１０４は、ｓ１３で検索した関数のそれぞれについて、その関数の入力情報を作成し、作成した入力情報を入力情報ＤＢ１１１に記憶する（ｓ１４）。
【0048】
入力特徴ベクトル変換部１０５は、ｓ１４で作成した各入力情報をベクトルデータ（入力特徴ベクトル）に変換する（入力特徴ベクトル変換処理ｓ１５）。
【0049】
そして、分類特徴ベクトル変換部１０６は、ｓ１２で作成した文字列特徴ベクトルと、ｓ１５で作成した各入力特徴ベクトルとを合成したベクトルデータ（分類特徴ベクトル）を作成する（合成処理ｓ１６）。
【0050】
以上のｓ１１～ｓ１６の処理が、ソースコードＤＢ１１０に記憶されている学習対象ソースコードのそれぞれについて繰り返される。なお、ｓ１１～ｓ１２の処理と、ｓ１３～ｓ１５の処理との間の実行順序は、上記で説明した順序に限られない。分類特徴ベクトル変換部１０６が実行される前に、文字列特徴ベクトル及び入力特徴ベクトルが作成されていればよい。
【0051】
次に、学習部１０７は、ｓ１６で作成した分類特徴ベクトルと、学習対象ソースコードに対する判定値（判定値ＤＢ１１２）とを学習データとした所定の機械学習を行って各重み値（詳細は後述）を決定することで、ソースコード判定モデルを作成する。
【0052】
この機械学習は、本実施形態では、BERT (Bidirectional Encoder Representations from Transformers）モデルを作成することで行うものとする。BERTは、ベクトルの入力層
及び出力層を有し、隠れ層としてTransformerを備えるニューラルネットワークである。
学習部１０７は、作成したソースコード判定モデルを記憶する。以上で学習処理ｓ１０は終了する。
及び出力層を有し、隠れ層としてTransformerを備えるニューラルネットワークである。
学習部１０７は、作成したソースコード判定モデルを記憶する。以上で学習処理ｓ１０は終了する。
【0053】
なお、本実施形態では、上記のように、機械学習モデルとして、BERTを用いるものとするが、記述位置の離れた単語（トークン）間の関係すなわち文脈を考慮可能な自然言語処理を実現するモデルであれば、他の機械学習モデルを採用してもよい。
次に、以上に説明した学習処理ｓ１０における各処理の詳細を説明する。
次に、以上に説明した学習処理ｓ１０における各処理の詳細を説明する。
【0054】
＜文字列特徴ベクトル変換処理＞
図９は、文字列特徴ベクトル変換処理ｓ１２の詳細を説明するフロー図である。
文字列特徴ベクトル変換部１０２は、ｓ１１で検索した、学習対象ソースコードにおける呼び先関数の部分をトークン列に変換する（ｓ１２１）。そして、文字列特徴ベクトル変換部１０２は、このトークン列をベクトルデータ（埋め込みベクトル）に変換する（ｓ１２２）。この埋め込みベクトルは、入力データ（input）及びこの入力データに対する
元データ（memory）の両方の役割を果たす（self attention）。
図９は、文字列特徴ベクトル変換処理ｓ１２の詳細を説明するフロー図である。
文字列特徴ベクトル変換部１０２は、ｓ１１で検索した、学習対象ソースコードにおける呼び先関数の部分をトークン列に変換する（ｓ１２１）。そして、文字列特徴ベクトル変換部１０２は、このトークン列をベクトルデータ（埋め込みベクトル）に変換する（ｓ１２２）。この埋め込みベクトルは、入力データ（input）及びこの入力データに対する
元データ（memory）の両方の役割を果たす（self attention）。
【0055】
文字列特徴ベクトル変換部１０２は、変換した埋め込みベクトルから、入力データ（input）に対応するKey行列と（ｓ１２３）、元データ（memory）に対するQuery行列と（ｓ
１２４）を作成する。
１２４）を作成する。
【0056】
そして、文字列特徴ベクトル変換部１０２は、Key行列及びQuery行列に基づき、トークン間の関連性の強さを示す関連度データ（Attention Weight）を作成する（ｓ１２５）。
【0057】
また、文字列特徴ベクトル変換部１０２は、元データ（memory）の各トークンのベクトルデータ（埋め込みベクトル）であるValue行列を作成する（ｓ１２６）。そして、文字
列特徴ベクトル変換部１０２は、この作成したValue行列と、ｓ１２５で作成した関連度
データ（Attention Weight）とに基づき、文字列特徴ベクトルを作成する（ｓ１２７）。
列特徴ベクトル変換部１０２は、この作成したValue行列と、ｓ１２５で作成した関連度
データ（Attention Weight）とに基づき、文字列特徴ベクトルを作成する（ｓ１２７）。
【0058】
ここで、文字列特徴ベクトル作成処理ｓ１２の具体例を説明する。
図１０は、トークン列を埋め込みベクトルに変換する処理の一例を説明する図である。同図に示すように、文字列特徴ベクトル変換部１０２は、トークン及びベクトルデータの間の関係を規定した対応情報１００１（Volcabulary）を参照することにより、呼び先関
数のトークン列１００２の各トークン１００３を、ベクトルデータ１００４に変換することで、埋め込みベクトル１００５を作成する。なお、対応情報１００１は、例えば、類似する単語には類似するベクトルデータを対応づけたデータである。対応情報１００１は、例えば、word2vecを用いて作成される。
図１０は、トークン列を埋め込みベクトルに変換する処理の一例を説明する図である。同図に示すように、文字列特徴ベクトル変換部１０２は、トークン及びベクトルデータの間の関係を規定した対応情報１００１（Volcabulary）を参照することにより、呼び先関
数のトークン列１００２の各トークン１００３を、ベクトルデータ１００４に変換することで、埋め込みベクトル１００５を作成する。なお、対応情報１００１は、例えば、類似する単語には類似するベクトルデータを対応づけたデータである。対応情報１００１は、例えば、word2vecを用いて作成される。
【0059】
次に、図１１は、埋め込みベクトルから関連度データを算出する処理の一例を示す図である。同図に示すように、文字列特徴ベクトル変換部１０２は、Key行列１１０１及びそ
のKey行列１１０１に対する重み値１１０２（wk）の積と、Query行列１１０３及びそのQuery行列１１０３に対する重み値１１０４（wq）の積との行列積を、所定の演算関数１１
０５（matumul）を用いて計算し、この行列積を所定の活性化関数１１０６（softmax）に入力することで、トークン間の関連度データ１１０７（attention weight）を算出する。活性化関数１１０６により、関連度データ１１０７では、各行の値の合計値は全て１となっている。なお、各重み値は機械学習によって計算される行列の構成データである。
のKey行列１１０１に対する重み値１１０２（wk）の積と、Query行列１１０３及びそのQuery行列１１０３に対する重み値１１０４（wq）の積との行列積を、所定の演算関数１１
０５（matumul）を用いて計算し、この行列積を所定の活性化関数１１０６（softmax）に入力することで、トークン間の関連度データ１１０７（attention weight）を算出する。活性化関数１１０６により、関連度データ１１０７では、各行の値の合計値は全て１となっている。なお、各重み値は機械学習によって計算される行列の構成データである。
【0060】
図１２は、関連度データ（attention weight）から文字列特徴ベクトルを算出する処理の一例を示す図である。同図に示すように、文字列特徴ベクトル変換部１０２は、算出された関連度データ１２０１（attention weight）から選択されたトークン（同図の例では[CLS]）のベクトル１２０２を抽出し、抽出したベクトル１２０２と、Value行列１２０３及び当該トークンに係る重み値１２０４（wv）との積を算出することで、文字列特徴ベクトル１２０５を得る。なお、この重み値１２０４は機械学習によって計算される行列の構成データである。
【0061】
次に、入力特徴ベクトル変換処理ｓ１５について説明する。
＜入力特徴ベクトル変換処理＞
図１３は、入力特徴ベクトル変換処理ｓ１５の詳細を説明するフロー図である。
入力特徴ベクトル変換部１０５は、ｓ１４で取得した入力情報を参照し、呼び先関数の呼び出し箇所を特定する（ｓ１５１）。
＜入力特徴ベクトル変換処理＞
図１３は、入力特徴ベクトル変換処理ｓ１５の詳細を説明するフロー図である。
入力特徴ベクトル変換部１０５は、ｓ１４で取得した入力情報を参照し、呼び先関数の呼び出し箇所を特定する（ｓ１５１）。
【0062】
入力特徴ベクトル変換部１０５は、ｓ１４で取得した入力情報が示す呼び先関数を記号実行し、ｓ１５１で特定した呼び出し箇所の処理を通過（実行）する場合の、呼び元関数における処理経路の条件（パス条件）と、呼び元関数の実引数の値との組み合わせを抽出する（ｓ１５２）。また、入力特徴ベクトル変換部１０５は、呼び先関数に基づき、この
実引数に対応する仮引数を特定する。
実引数に対応する仮引数を特定する。
【0063】
そして、入力特徴ベクトル変換部１０５は、ｓ１５２で抽出した組み合わせに基づき、「パス条件 ＝＞ 仮引数の名称＝値」のデータ形式を有する文字列データ、すなわち入力情報を生成し、これを記憶する（ｓ１５３）。
【0064】
入力特徴ベクトル変換部１０５は、ｓ１５３で記憶した入力情報をベクトルデータ（入力特徴ベクトル）に変換する（ｓ１５４）。
【0065】
ここで、図１４は、入力情報の作成例を説明する図である。入力特徴ベクトル変換部１０５は、呼び先関数の呼び出し箇所１４０１を通過する呼び元関数１４０２のパスとして、処理経路を特定する部分である条件分岐１４０３の「False」を経由する第１パス１４
０４と、条件分岐１４０３の「True」を経由する第２パス１４０５とを検索して特定する。また、入力特徴ベクトル変換部１０５は、この条件分岐１４０３におけるグローバル変数に関する値（Len(x)）を記号として認識する。そして、入力特徴ベクトル変換部１０５は、呼び元関数１４０２を記号実行する。
０４と、条件分岐１４０３の「True」を経由する第２パス１４０５とを検索して特定する。また、入力特徴ベクトル変換部１０５は、この条件分岐１４０３におけるグローバル変数に関する値（Len(x)）を記号として認識する。そして、入力特徴ベクトル変換部１０５は、呼び元関数１４０２を記号実行する。
【0066】
その結果、入力特徴ベクトル変換部１０５は、入力情報のうち、呼び先関数の第１仮引数a（呼び元関数の実引数sumに対応）に関する部分として、パス条件「0=>Len(x)」（第
１パス＝False）及び「a=0」（仮引数の値）を含む文字列データ１４０６と、パス条件「0<Len(x)」（第２パス＝True）及び「a=x[0]」（仮引数の値）を含む文字列データ１４０７とを作成する。
１パス＝False）及び「a=0」（仮引数の値）を含む文字列データ１４０６と、パス条件「0<Len(x)」（第２パス＝True）及び「a=x[0]」（仮引数の値）を含む文字列データ１４０７とを作成する。
【0067】
また、入力特徴ベクトル変換部１０５は、入力情報のうち、呼び先関数の第２仮引数b
（呼び元関数の実引数numに対応）に関する部分として、パス条件「0=>Len(x)」（第１パス＝False）及び「b=0」（仮引数の値）を含む文字列データ１４０８と、パス条件「0<Len(x)」（第２パス＝True）及び「b=1」（仮引数の値）を含む文字列データ１４０９とを
作成する。
（呼び元関数の実引数numに対応）に関する部分として、パス条件「0=>Len(x)」（第１パス＝False）及び「b=0」（仮引数の値）を含む文字列データ１４０８と、パス条件「0<Len(x)」（第２パス＝True）及び「b=1」（仮引数の値）を含む文字列データ１４０９とを
作成する。
【0068】
なお、ここで説明した文字列データのデータ形式は一例であり、パス条件、及び、引数（の値）が含まれていればよい。例えば、仮引数ではなく実引数を用いてもよい。
【0069】
＜合成処理＞
次に、図１５は、合成処理ｓ１６の一例を説明するフロー図である。
分類特徴ベクトル変換部１０６は、１行目を、文字列特徴ベクトル変換処理ｓ１２で作成した文字列特徴ベクトル、２行目以降の各行を、入力特徴ベクトル変換処理ｓ１５で作成した各入力特徴ベクトルとする行列データを作成する（ｓ１６１）。
次に、図１５は、合成処理ｓ１６の一例を説明するフロー図である。
分類特徴ベクトル変換部１０６は、１行目を、文字列特徴ベクトル変換処理ｓ１２で作成した文字列特徴ベクトル、２行目以降の各行を、入力特徴ベクトル変換処理ｓ１５で作成した各入力特徴ベクトルとする行列データを作成する（ｓ１６１）。
【0070】
分類特徴ベクトル変換部１０６は、ｓ１２３、ｓ１２４と同様の処理により、ｓ１６１で作成した行列データに対応するKey行列（ｓ１６２）と、Query行列（ｓ１６３）とを作成する。
【0071】
分類特徴ベクトル変換部１０６は、ｓ１２５と同様の処理により、ｓ１６２、ｓ１６３で作成したKey行列及びQuery行列に基づき、関連度データ（Attention Weight）を作成する（ｓ１６４）。
【0072】
また、分類特徴ベクトル変換部１０６は、ｓ１２６と同様の処理により、Value行列を
作成する（ｓ１６５）。そして、分類特徴ベクトル変換部１０６は、ｓ１２７と同様の処理により、上記作成したValue行列と、ｓ１６４で作成した関連度データ（Attention Weight）とに基づき、分類特徴ベクトルを作成する（ｓ１６６）。
作成する（ｓ１６５）。そして、分類特徴ベクトル変換部１０６は、ｓ１２７と同様の処理により、上記作成したValue行列と、ｓ１６４で作成した関連度データ（Attention Weight）とに基づき、分類特徴ベクトルを作成する（ｓ１６６）。
【0073】
＜判定処理＞
次に、図１６は、判定処理ｓ２０の概要を説明する図である。判定処理ｓ２０は、例えば、ユーザからユーザ端末２０に所定の入力があった場合に開始される。
次に、図１６は、判定処理ｓ２０の概要を説明する図である。判定処理ｓ２０は、例えば、ユーザからユーザ端末２０に所定の入力があった場合に開始される。
【0074】
第２分類対象選択部３０１は、ｓ１１の処理と同様に、判定対象ソースコードから、他の関数から呼び出されている関数（呼び先関数）を検索する（ｓ２１）。
【0075】
具体的には、第２分類対象選択部３０１は、判定対象ソースコードＤＢ３１０に記憶されている判定対象ソースコードを取得し、取得したソースコードのうち、他の関数から呼び出される関数であって、呼び出される場合に当該他の関数から引き渡される入力データが存在する関数（例えば、仮引数の定義部分を有している関数）の部分を抽出する。なお、この際、第２分類対象選択部３０１は、ユーザ端末２０から、判定対象ソースコードの指定を受け付けてもよい。
【0076】
第２文字列特徴ベクトル変換部３０２は、ｓ１２の処理と同様に、ｓ２１で検索した呼び先関数をベクトルデータ（第２文字列特徴ベクトル）に変換する（第２文字列特徴ベクトル変換処理ｓ２２）。
【0077】
一方、第２呼び元検索部３０３は、ｓ１３の処理と同様に、判定対象ソースコードから、呼び先関数を呼び出している関数（呼び元関数）を検索する（ｓ２３）。具体的には、第２呼び元検索部３０３は、判定対象ソースコードＤＢ３１０に記憶されている判定対象ソースコードを取得し、取得したソースコードのうち、呼び先関数を呼び出している関数であって、呼び先関数にデータを引き渡している関数（例えば、実引数を有する関数）の部分を全て抽出する。
【0078】
第２入力情報抽出部３０４は、ｓ１４の処理と同様に、ｓ２３で検索した関数のそれぞれについて、その関数の第２入力情報を作成し、作成した第２入力情報を記憶する（ｓ２４）。
【0079】
第２入力特徴ベクトル変換部３０５は、ｓ１５の処理と同様に、ｓ２４で作成した各第２入力情報をベクトルデータ（第２入力特徴ベクトル）に変換する（第２入力特徴ベクトル変換処理ｓ２５）。
【0080】
そして、第２分類特徴ベクトル変換部３０６は、ｓ１６の処理と同様に、ｓ２２で作成した第２文字列特徴ベクトルと、ｓ１５で作成した各第２入力特徴ベクトルとを合成したベクトルデータ（第２分類特徴ベクトル）を作成する（合成処理ｓ２６）。
【0081】
以上のｓ２１～ｓ２６の処理が、判定対象ソースコードＤＢ３１０に記憶されている判定対象ソースコードのそれぞれについて繰り返される。なお、ｓ２１～ｓ２２の処理と、ｓ２３～ｓ２５の処理との間の実行順序は、上記で説明した順序に限られない。第２分類特徴ベクトル変換部３０６が実行される前に、第２文字列特徴ベクトル及び第２入力特徴ベクトルが作成されていればよい。
【0082】
次に、分類部３０７は、ｓ２６で作成した第２分類特徴ベクトルを、ソースコード判定モデルに入力することにより、判定値を出力する（ｓ２７）。分類部３０７は、出力した判定値を、ユーザ端末２０の画面に表示する。
【0083】
以上のように、本実施形態のソースコード判定モデル作成装置１０は、学習対象ソースコードから、呼び先関数及び呼び元関数の記述部分を抽出し、呼び先関数の記述部分のベ
クトルデータである文字列特徴ベクトルを作成し、呼び元関数から呼び先関数への入力データに関するベクトルデータである入力特徴ベクトルを作成し、文字列特徴ベクトル及び入力特徴ベクトルと、呼び先関数及び呼び元関数が行う処理に対する判定値との関係を記憶したソースコード判定モデルを作成する。
クトルデータである文字列特徴ベクトルを作成し、呼び元関数から呼び先関数への入力データに関するベクトルデータである入力特徴ベクトルを作成し、文字列特徴ベクトル及び入力特徴ベクトルと、呼び先関数及び呼び元関数が行う処理に対する判定値との関係を記憶したソースコード判定モデルを作成する。
【0084】
すなわち、本実施形態のソースコード判定モデル作成装置１０は、呼び元関数に関して、呼び先関数への入力部分を抽出し、この入力部分と、呼び先関数及び判定値とを学習用データとして用いて学習済みモデルを作成する。これにより、呼び元関数に関する学習データの量を抑えつつ、適切な機械学習が行えるようになる。
【0085】
このように、本実施形態のソースコード判定モデル作成装置１０によれば、互いに入出力関係にある複数の関数を有するソースコードに対する判定を行う学習済みモデルを効率よく作成することができる。
【0086】
また、本実施形態のソースコード判定モデル作成装置１０は、文字列特徴ベクトルに関して、呼び先関数の記述部分を複数のトークンに変換し、変換した各トークンと、トークンに対応付けられる重み値とに基づき各トークン間の関連度（Attention Weight）を算出し、算出した各関連度に基づき文字列特徴ベクトルを作成する。そして、ソースコード判定モデル作成装置１０は、ソースコード判定モデルを作成する際に、それらの重み値を決定する。
【0087】
これにより、呼び先関数の記述部分を適切に特徴ベクトルに変換し、機械学習に用いることができる。
【0088】
また、本実施形態のソースコード判定モデル作成装置１０は、呼び元関数の記述部分に基づき、呼び元関数が呼び先関数を呼び出す際の引数の情報を含む文字列データである入力情報を作成し、作成した入力情報をベクトルデータに変換することにより、入力特徴ベクトルを作成する。
【0089】
このように、呼び元関数の引数のデータを用いて入力特徴ベクトルを作成することで、呼び出し関数及び呼び元関数の間の入出力関係を適切に学習データとすることができる。
【0090】
また、本実施形態のソースコード判定モデル作成装置１０は、呼び元関数内における処理経路（パス）を記号実行等により探索し、探索した処理経路を特定する条件分岐を示す文字列と、当該処理経路による処理の実行により呼び元関数が呼び先関数を呼び出す際の引数の名称及びその引数の値を示す文字列とを含む文字列データである入力情報を作成する。
【0091】
これにより、呼び出し関数及び呼び元関数の間の入出力関係の詳細を学習データとし、正確なソースコード判定モデルを作成することができる。
【0092】
また、本実施形態のソースコード判定モデル作成装置１０は、文字列特徴ベクトル及び入力特徴ベクトルを合成したベクトルである分類特徴ベクトルを作成して機械学習に用いることで、効率的な機械学習を行うことができる。
【0093】
また、本実施形態のソースコード判定装置３０は、判定対象ソースコードの入力を受け付け、判定対象ソースコードから、呼び先関数及び呼び元関数の記述部分を抽出し、呼び先関数の記述部分のベクトルデータである第２文字列特徴ベクトルを作成し、呼び元関数から呼び先関数への入力データに関するベクトルデータである第２入力特徴ベクトルを作成し、ソースコード判定モデルに、第２文字列特徴ベクトル及び第２入力特徴ベクトルを
入力することで、呼び先関数及び呼び元関数が行う処理に対する判定値を出力する。
入力することで、呼び先関数及び呼び元関数が行う処理に対する判定値を出力する。
【0094】
このように、ソースコード判定モデルを用いることで、互いに入出力関係にある複数の関数を有するソースコードに対する判定（例えば、バグ、処理の不整合、又は性能遅延の判定）を行うことができる。
【0095】
なお、本発明は、上記実施形態に限定されるものではなく、その要旨を逸脱しない範囲内で、任意の構成要素を用いて実施可能である。以上説明した実施形態や変形例はあくまで一例であり、発明の特徴が損なわれない限り、本発明はこれらの内容に限定されるものではない。また、上記では種々の実施形態や変形例を説明したが、本発明はこれらの内容に限定されるものではない。本発明の技術的思想の範囲内で考えられるその他の態様も本発明の範囲内に含まれる。
【0096】
例えば、本実施形態の各装置が備える各機能部の一部は他の装置に設けてもよいし、別装置が備える機能部を同一の装置に設けてもよい。
【符号の説明】
【0097】
１ ソースコード判定システム、１０ ソースコード判定モデル作成装置、３０ ソースコード判定装置
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】