Un modello integrato control-flow e data-flow per il rilevamento ...

46 3. Un modello che integra control flow e data flow
Si noti che se uno qualunque dei Pj è un insieme vuoto significa che per quel valore
di X non si è osservata alcuna relazione, che equivale a dire che deve sottostare al
vincolo sempre vero ⊤. La 3.3 diventa quindi banalmente sempre vera e quindi non
si può dire niente su X.
3.4 L’algoritmo completo per la costruzione del modello
Algoritmo 5: Algoritmo per la costruzione del modello.
for T ∈ T do
for e ∈ T do
(Ecall, Ecrs, Ertn) = egBaseCase(stack(e));
learnUnary(arg(e), value(e), stack(e));
learnBinary(arg(e), value(e));
end
end
egInduction(Ecall, Ecrs, Ertn);
for R ∈ R do
for X ∈ X do
apply 3.1 to CurRels[R][X]
end
end
In questa sezione viene dato l’algoritmo completo per la costruzione del modello.
Esso consiste di due fasi, una “online” e una di post-processing. Durante la fase
“online” le tracce vengono processate evento per evento. Ogni evento provoca l’in-
serimento di nuovi archi nell’execution graph o l’apprendimento di nuove relazioni.
La fase successiva di post-processing invece si occupa di lanciare la parte induttiva
della costruzione dell’execution graph (Definizione 2) e di costruire le disgiunzioni
che il nuovo algoritmo data flow è in grado di apprendere.
3.4.1 Relazione con l’algoritmo originale rispetto ai falsi positivi
Come già notato in precedenza la questione dei falsi positivi è molto delicata perché
è legata direttamente alla qualità del training svolto. Un training scadente provoca
una elevata quantità di falsi positivi, qualunque sia il modello utilizzato. Nel modello
presentato in questa tesi i falsi positivi del modello possono essere dovuti alla parte
control flow e alla parte data flow. Siccome la parte control flow del modello è
costituita dagli execution graphs senza modifiche, non c’è alcun peggioramento in
falsi positivi da questo punto di vista.