(Part 1)How does Wasm module interact with JavaScripte in browser?
Reference:
WebAssembly in Action. Chapter 4.1
Background假设一个公司有一个用C++开发的销售程序，但想开发一个网页端销售接口用于对用户输入的数据进行验证，例如：
(技术积累)Creating your first Wasm module
Creating your first Wasm
module
参考：《WebAssembly in action》
针对Wasm如何与JS交互。
(论文阅读) Wasabi-A Framework for Dynamically Analyzing WebAssembly
Wasabi: A
Framework for Dynamically Analyzing WebAssembly
作者：Daniel Lehmann，Michael Pradel
会议：ASPLOS'19
开源：http://wasabi.software-lab.org
ABSTRACT
这篇文章提出了第一个Wasm动态分析框架，Wasabi。其基于binary
instrumentation，通过将用JavaScript写成的测试函数插桩进Wasm
binary中来实现分析。对 WebAssembly
进行动态分析会面临一些独特的挑战，例如使用具有固定类型的分析函数跟踪类型多态指令的问题，我们通过按需单态化（on-demand
monomorphization）来解决这个问题。
我们在计算密集型的benchmarks和实际应用上对Wasabi的评估表明，Wasabi
(i) 忠实地保留了原始程序行为，(ii)
为重量级动态分析带来了合理的开销，(iii)
使各种动态分析（包括指令计数、调用图提取、内存访问跟踪和污点分析）的实施变得简单易行。
(论文阅读)(Part2)SoK-Sanitizing for Security
(Part2)SoK: Sanitizing for Security
作者：Dokyung Song, Julian Lettner, Prabhu Rajasekaran(UC Irvine)
会议：S&P’19
Program InstrumentationSanitizer 通过在程序中嵌入inlined reference monitors（IRM）来执行其漏洞查找策略，这些IRM会监控和调和所有可能导致漏洞的程序指令，这些指令包括（但不限于）load和store、栈帧分配和释放、调用内存分配函数（如 malloc）和系统调用。IRM可以通过compiler、linker或instrumentation framework嵌入程序中。
(论文阅读)(Part1)SoK-Sanitizing for Security
(Part1)SoK: Sanitizing for Security
作者：Dokyung Song, Julian Lettner, Prabhu Rajasekaran(UC Irvine)
会议：S&P’19
ABSTRACTC 和 C++ 编程语言出了名的不安全，但仍然不可或缺。因此，开发人员采用多管齐下的方法，抢在对手之前发现安全问题。这些方法包括手动、静态和动态程序分析。动态错误查找工具（即 “sanitizers”）可以发现其他类型分析无法发现的错误，因为它们可以观察到程序的实际执行情况，因此可以直接观察到发生的不正确程序行为。
学术界已经开发了大量的sanitizer原型，实践者也对其进行了改进。我们系统地概述了sanitizer，重点介绍了它们在发现安全问题方面的作用。具体来说，我们对现有工具及其涵盖的安全漏洞进行了分类，描述了它们的性能和兼容性，并强调了各种权衡。
(论文阅读)CODAMOSA-Escaping Coverage Plateaus in Test Generation with Pre-trained Large Language Models
（论文阅读)CODAMOSA: Escaping Coverage Plateaus in Test Generation with Pre-trained Large Language Models
时间：2023.5
作者：Caroline Lemieux(University of British Columbia), Jeevana Priya Inala(Microsoft)
会议：ICSE’23
开源：https://github.com/microsoft/codamosa
ABSTRACT通过将test case generation与mutation相结合，SBST为待测试程序生成高覆盖率的test cases。SBST的表现依赖于生成test cases的合理概率，这些test cases可执行被测程序的核心逻辑。使用这些test cases，SBST可以探索这些cases周围的空间来探索更多的程序空间。
这篇文章探索了例如OpenAI的Codex等LLM是否可以被用于帮助SBST的搜索过程。我们提出了名为CODAMOSA的方法，其首先执行SBST直到覆盖率提升停滞，接着询问Codex提供example test cases来探索没未访问过的函数。这些examples帮助SBST调整其搜索方向到更有用的领域。在486个benchmarks上的evaluation结果表明，与仅有SBST或者仅有LLM相比，CODAMOSA在更多benchmark（173 和 279 个）上实现了更高的覆盖率明显，其数量高于其减少的覆盖率数量（10 和 4 个）。
(论文阅读)An orchestrated survey of methodologies for automated software test case generation
An orchestrated survey of methodologies for automated software test case generation
时间：2013
作者：Saswat Anand（Stanford）
期刊：The Journal of Systems and Software（JSS，软工B）
ABSTRACTTest Case Generation是Software Testing中最耗费人力的工作之一，它对软件测试的效果和效率也有很大影响。因此，几十年来，它一直是软件测试领域最活跃的研究课题之一，并产生了许多不同的方法和工具。本文对自动生成软件测试案例的最重要技术进行了系统分析，并在独立章节中进行了回顾。介绍的技术包括 ：
structural testing using symbolic execution
model-based testing
combinatorial testing
random testing及其自适应随机测试变体
search-based testing。
每一部分都由该技术领域的世界知名研究人员撰写，简要介绍了该方法的基本思想、技术现状、未决研究问题讨论以及该方法的未来发展前景。总体而言，本文旨在对自动生成测试用例的研究做一个介绍性的、最新的和（相对）简短的概述，同时确保处理的全面性和权威性。
(论文阅读)On Learning Meaningful Assert Statements for Unit Test Cases
[技术积累]On Learning Meaningful Assert Statements for Unit Test Cases
会议：ICSE’2020
作者：Cody Watson（Washington and Lee University），Michele Tufano（Microsoft）
ABSTRACTSoftware testing是软件生命周期的重要组成部分，其需要花费大量的时间和精力。据估计，软件开发人员将近 50% 的时间用于测试他们编写的代码。因此，学术界的一个长期目标就是实现软件测试的（部分）自动化。虽然已经提出了几种自动生成测试方法的技术和工具，但最近的研究对其生成的断言语句的质量和实用性提出了批评。因此，我们采用了一种基于神经机器翻译（NMT）的方法叫ATLAS（AuTomatic Learning of Assert Statements）来自动化地为测试方法生成有意义的断言语句。给定一个test method和一个focal method（即被测试的方法），ATLAS 就能预测有意义的断言语句，以评估focal method的正确性。我们将 ATLAS 应用于 GitHub 项目中的数千个测试方法，当只考虑top1的预测断言时，它能在 31% 的情况下准确预测开发人员手动编写的断言语句。当考虑到top5的预测断言语句时，ATLAS 能够在 50% 的情况下预测出精确匹配的断言语句。这些令人鼓舞的结果表明，我们的方法具有以下潜在用途：(i) 作为自动测试案例生成技术的补充；(ii) 为开发人员提供代码完成支持，他们可以在编写测试代码时从推荐的断言语句中获益。