💻 computer science

Debug Like a Human: Scaling LLM-based Fault Localization to Processor Design via Block-Level Instruction-Oriented Slicing

BluesFL 是一种新颖的块级故障定位框架，它利用大语言模型和受人类启发的面向指令的切片算法，在大规模 RISC-V 处理器设计中实现了最先进的缺陷检测精度和低成本。

原作者： Zizhen Liu, Xiaoguang Mao, Deheng Yang, Jiayu He, Yihao Qin, Guangda Zhang, Yan Lei, Jianjun Xu, Jiang Wu

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Zizhen Liu, Xiaoguang Mao, Deheng Yang, Jiayu He, Yihao Qin, Guangda Zhang, Yan Lei, Jianjun Xu, Jiang Wu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图修复一台庞大且极其复杂的钟表机器（即计算机处理器），它已停止正常走时。这台机器由数百万个微小的齿轮和发条（即代码行）组成。当它发生故障时，机器并非仅仅停止运转；它可能会反向旋转某个齿轮，或跳过某个节拍。

要精准定位哪一个齿轮损坏，无异于大海捞针，但这里的“大海”是一座城市的规模，而“针”则是隐形的。这正是论文《像人类一样调试》（Debug Like a Human）试图解决的问题。

以下是由 Zizhen Liu 及其团队领导的研究人员，为协助解决此问题而构建的新工具BluesFL的简要说明：

问题：噪音过大

目前，当工程师试图在这些巨型机器中寻找漏洞时，他们面临四大难题：

“整本图书馆”问题：代码过于庞大，如果将其全部展示给计算机大脑（即人工智能），人工智能会因不堪重负而陷入困惑，就像一个学生试图通读整本百科全书来查找一个拼写错误。
“拥挤房间”问题：机器同时处理多项任务。传统工具审视整个房间，却无法分辨具体是哪个人（即指令）造成了混乱。
“蒙眼”问题：旧工具仅查看代码结构，却忽略了流经机器的实际数值。这就像试图通过查看蓝图来修理汽车引擎，却无视引擎发出的声音。
“人类”差距：人类擅长调试，因为他们会循迹追踪：“如果这个齿轮错了，那一定是因为那个齿轮推动了它。”而计算机难以模仿这种特定的推理链条。

解决方案：BluesFL（智能侦探）

作者们创建了BluesFL，这是一个教导人工智能完全按照人类工程师的方式进行调试的系统。他们通过三个巧妙的步骤实现了这一点：

1. 将大海切成可管理的小堆（代码块化）

他们不是将整本 19,000 页的手册一次性展示给人工智能，而是将代码切割成小的、逻辑清晰的“块”。

类比：想象这台机器是一座巨大的城市。与其给侦探一张整个世界地图，不如只给他们一个街区的地图。他们将所有相互“交谈”的街道（代码行）归为一组，这样人工智能只需一次专注于一个小的、相关的街区。

2. 追踪足迹（面向指令的切片）

当机器出错时，它发生在特定的时刻。作者们构建了一种名为Blues的特殊算法，用于追踪导致故障的特定指令留下的“足迹”。

类比：想象一个犯罪现场。侦探不是采访城市里的每一个人，而是问：“警报响起那一刻，谁在房间里？”Blues 算法构建了一个时间线，仅包含故障发生时处于活动状态的特定齿轮和线路。它忽略了其他只是站在一旁无所事事的人。

3. 解读线索（信号值）

这是最像人类的部分。人工智能不仅查看代码，还查看故障发生瞬间流经线路的数值（数字）。

类比：人类机械师会倾听引擎的声音。如果一个齿轮本应以每分钟 100 转的速度旋转，却只有 50 转，这就是一个线索。BluesFL 让人工智能能够从机器的“波形”（即其心跳记录）中“读取”这些数字。这有助于人工智能理解错误为何发生，而不仅仅是在哪里发生。

实际运作方式

当发现漏洞时，BluesFL 就像一个侦探：

它收到一份报告，称：“机器在第 19 个时间点跳转到了错误的地址。”
它使用Blues算法，构建一条仅包含参与该特定跳转的代码块的路径。
它询问人工智能：“看看这段小代码块。这里是流入的数字。这看起来像罪魁祸首吗？”
如果人工智能回答“也许”，它就会深入挖掘，顺着数字向后追踪到源头。
它会持续进行，直到找到具体的损坏代码行，并将其列为最可能的嫌疑人。

结果

该团队在一个真实的开源计算机处理器（Ibex RISC-V 核心）上测试了此方法。

旧方法：现有最佳工具仅在约 100 个案例中找到了损坏的齿轮，成功率为 7 个。
新方法（BluesFL）：他们的系统在100 个案例中找到了 24 个损坏的齿轮（这是一个巨大的飞跃！）。
成本：运行成本也很低，每发现一个漏洞的成本仅相当于约25 美分。

核心结论

该论文声称，通过教导人工智能像人类一样思考——即专注于小的、相关的代码片段，遵循错误的具体轨迹，并读取实际涉及的数值——我们可以比以往更快、更准确地找到巨型计算机处理器中的漏洞。这并非要让人工智能在总体上变得更聪明，而是要给它提供正确的地图和正确的放大镜。

技术摘要：像人类一样调试

问题陈述
在现代处理器设计中，故障定位（FL）是一个关键瓶颈，消耗了约 60% 的硬件开发工作量。虽然大语言模型（LLM）在模块级硬件设计中已展现出潜力，但由于以下四个具体限制，将其应用于大规模、项目级的处理器设计仍具挑战性：

缺乏处理器特定技术：现有的为通用硬件（如内存控制器）设计的故障定位方法，往往因未考虑处理器架构指令驱动且复杂的特性，而在处理器上失效。
指令覆盖无效：传统的基于谱的方法依赖于仿真区间上的粗粒度覆盖。在流水线处理器中，由于指令跨越多个模块和周期，这会导致来自“飞行中”指令的覆盖污染，从而降低准确性。
信号值利用不足：当前的硬件故障定位技术很少利用具体的信号值（波形），因为解读它们需要高级的语义理解能力，而这对于自动化工具而言此前难以实现。
上下文窗口限制：处理器项目通常超出 LLM 的上下文限制。提供整个代码库会导致模型失去焦点，而提供过少的上下文则会隐藏关键依赖。

方法论：BluesFL
作者提出了BluesFL，这是一个受人类调试工作流程启发的、基于 LLM 的块级故障定位框架。该系统运行在一个协同仿真框架上，通过比较硬件模型和软件参考模型来生成测试报告，指示架构状态的不匹配。

该方法包含四个关键阶段：

基于数据流的代码分块：
为了解决上下文限制问题，SystemVerilog 代码库根据数据流关系而非文件结构被划分为不相交的代码块。这些块被分为四类：ModInputBlock（模块输入块）、ModOutputBlock（模块输出块）、AssignBlock（赋值块）和AlwaysBlock（始终块）。这种方法将具有数据依赖关系的语句聚类，在保留局部语义的同时，创建了适合 LLM 分析的紧凑单元。
面向指令的块级切片（Blues）：
为了解决指令执行的复杂性，作者引入了Blues算法。该算法从故障信号和时间戳开始，构建“指令执行路径”图。
- 块内分析：分析块内的数据流以识别驱动信号。根据块是组合逻辑（同一时间）还是时序逻辑（上一周期），计算新的时间戳（ $t'$ ）。
- 块间分析：向后追溯以找到驱动已识别信号的块，并将它们链接到执行路径图中。
- 结果：此过程过滤掉无关代码，创建一条仅包含在执行故障指令期间实际被覆盖的块的路径，并标注精确的时间戳。
带工具调用的 LLM 推理：
LLM 充当调试助手，迭代遍历执行路径。在每个状态 $(b, t)$ ，LLM：
- 接收代码块上下文和驱动信号（带时间戳）。
- 使用 read_values 工具查询波形中在标注时间点的特定信号值。
- 使用 check_signals 工具查询执行路径中驱动特定信号的块。
- 判断当前块是否可疑，若是则将其添加到队列中，或请求进一步检查。
排序：
一旦 LLM 确定找到根本原因或分析完成，它会给每个可疑块分配一个置信度分数（0–1），生成故障位置的排序列表。

主要贡献

BluesFL 框架：首次将基于 LLM 的故障定位应用于现实世界、项目级的处理器设计。
基于数据流的分块：一种将大型代码库压缩为语义丰富、紧凑且适合 LLM 上下文窗口的块的方法。
Blues 算法：一种新颖的切片技术，引导 LLM 仅关注被指令覆盖的块，并整合带时间戳的信号值，以模拟人类对动态处理器行为的推理。
实证验证：在包含 119 个注入错误的 19K 行开源 RISC-V 核心（Ibex）上进行了评估。

实验结果
在 Ibex 处理器核心上的评估显示，BluesFL 相比最先进基线（包括静态切片、基于谱的方法以及现有的基于 LLM 的方法如 LiK 和 Agentless）表现出显著改进：

准确性：BluesFL 正确定位了24 个 Top-1 错误，相比最佳现有基线（LiK，发现 7 个错误）提升了242.9%。
效率：定位单个错误的平均成本为0.257 美元。
消融研究：移除信号值或指令执行路径会显著降低性能。具体而言，没有信号值时，LLM 检查的块数量增加了 609%，导致每个错误的成本上升至 1.821 美元。
模型鲁棒性：该框架在不同 LLM 后端（GPT-4o-mini、GPT-4o、Claude-3.5-Sonnet）上表现具有竞争力，其中 Claude-3.5-Sonnet 以略高的成本取得了最高的 Top-1 分数（30 个错误）。

意义与主张
本文主张，BluesFL 通过弥合人类调试直觉（追踪指令路径和信号值）与自动化分析之间的差距，成功将基于 LLM 的故障定位扩展到了处理器领域。通过模拟人类通过数据流和带时间戳的执行路径缩小可疑区域的过程，该框架克服了现有方法受困于上下文大小和覆盖污染的限制。作者将此工作定位为复杂处理器设计敏捷、自动化验证的基础步骤，同时指出，尽管当前结果令人鼓舞，但仍需进一步工作以改进长距离跨块推理，以处理调试过程过早终止的情况。