Rétro ingénierie des modèles dâobjets dynamiques pour JavaScript
Bibliographic record
Abstract
La compréhension des objets dans les programmes orientés objet est une tâche impor-\ntante à la compréhension du code. JavaScript (JS) est un langage orienté-objet dyna-\nmique, et son dynamisme rend la compréhension du code source très difficile. Dans ce\nmémoire, nous nous intéressons à l’analyse des objets pour les programmes JS. Notre\napproche construit de façon automatique un graphe d’objets inspiré du diagramme de\nclasses d’UML à partir d’une exécution concrète d’un programme JS. Le graphe résul-\ntant montre la structure des objets ainsi que les interactions entre eux.\nNotre approche utilise une transformation du code source afin de produire cette in-\nformation au cours de l’exécution. Cette transformation permet de recueillir de l’infor-\nmation complète au sujet des objets crées ainsi que d’intercepter toutes les modifications\nde ces objets. À partir de cette information, nous appliquons plusieurs abstractions qui\nvisent à produire une représentation des objets plus compacte et intuitive. Cette approche\nest implémentée dans l’outil JSTI.\nAfin d’évaluer l’utilité de l’approche, nous avons mesuré sa performance ainsi que le\ndegré de réduction dû aux abstractions. Nous avons utilisé les dix programmes de réfé-\nrence de V8 pour cette comparaison. Les résultats montrent que JSTI est assez efficace\npour être utilisé en pratique, avec un ralentissement moyen de 14x. De plus, pour 9 des 10\nprogrammes, les graphes sont suffisamment compacts pour être visualisés. Nous avons\naussi validé l’approche de façon qualitative en inspectant manuellement les graphes gé-\nnérés. Ces graphes correspondent généralement très bien au résultat attendu.\nMots clés: Analyse de programmes, analyse dynamique, JavaScript, profilage.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".