代码分析工具findbug简介和使用

FindBugs是一款用于Java项目的静态代码分析工具,能够检测出可能导致缺陷的编程模式。支持多种类型的错误检测,如Badpractice、Correctness等,并提供自定义检测器功能。
部署运行你感兴趣的模型镜像

转帖记录一下代码分析工具,

http://www.51testing.com/?uid-106134-action-viewspace-itemid-92568

 

 

FindBugs(http://findbugs.sourceforge.net/ ) 版本1.1.1

简 介: findbugs 是一个在java 程 序中查找bug 的 程序,它查找bug 模式的实例,也就是 可能出错的代码实例,注 意findbugs 是检查java 字节码, 也就是*.class 文件。

自带检测器的介绍: findbugs 自带60 余种Bad practice80 余种Correntness1 Internationalization
   12Malicious code vulnerability27Multithreaded correntness23Performance43Dodgy


Bad practice
坏的实践

一些不好的实践,下面列举几个:

HE 类定义了equals() ,却没有hashCode() ;或类 定义了equals() ,却使用Object. hashCode() ;或类定义了hashCode() ,却没有equals() ;或类定义了hashCode() ,却 使用Object.equals() ;类继承了equals() , 却使用Object.hashCode()

SQL Statement execute 方法调用了非常量的字符串; 或Prepared Statement 是由一个非常量的字符串产生。

DE 方法终止 或不处理异常,一般情况下,异常应该被处理或报告,或被方法抛出。


Correctness
一般的正确性问题

可能导致错误的代码,下面列举几个:

NP 空指针被 引用;在方法的异常路径里,空指针被引用;方法没有检查参数是否nullnull 值产生并被引用;null 值产生并在方法的异常 路径被引用;传给方法一个声明为@NonNullnull 参 数;方法的返回值声明为@NonNull 实际是null

Nm 类定义了hashcode() 方法,但实际上并未覆盖父类ObjecthashCode() ;类定义了tostring() 方 法,但实际上并未覆盖父类ObjecttoString() ; 很明显的方法和构造器混淆;方法名容易混淆。

SQL 方法尝试 访问一个Prepared Statement0 索 引;方法尝试访问一个ResultSet0 索 引。

UwF 所有的write 都把属性置成null ,这样所有的读取都是null ,这样这个属性是否有必要存在;或属性从没有被write


Internationalization
国际化

当对字符串使用upperlowercase 方法,如果是国际的字符串,可能会不恰当的转换。

    
   Malicious code vulnerability
可能受到的恶意攻击

    如果代码公开,可能受到恶意攻击的代码,下面列举几个:

    FI 一个类的finalize() 应该是protected ,而不是public 的。

    MS 属性是可变的数组;属性是可变的Hashtable ; 属性应该是package protected 的。

   
   Multithreaded correctness
多线程的正确性

    多线程编程时,可能导致错误的代码,下面列举几个:

    ESync 空的同步块,很难被正确使用。

    MWN 错误使用notify() ,可能导致IllegalMonitorStateException 异常;或错误的

使用wait()

No 使用notify() 而不是notifyAll() ,只是唤醒一个线程而不是所有等待的线程。

SC 构造器调用了Thread.start() , 当该类被继承可能会导致错误。

   
    Performance
性能问题

    可能性能不佳的代码,下面列举几个:

    DM 方法调用了低效的Boolean 的构造器, 而应该用Boolean.valueOf(…) ;用类似

Integer.toString(1) 代替new Integer(1).toString() ; 方法调用了低效的float 的构造器,应该用静态的valueOf 方 法。

SIC 如果一个 内部类想在更广泛的地方被引用,它应该声明为static

SS 如果一个 实例属性不被读取,考虑声明为static

UrF 如果一个 属性从没有被read ,考虑从类中去掉。

UuF 如果一个 属性从没有被使用,考虑从类中去掉。

   
    Dodgy
危险的

    具有潜在危险的代码,可能运行期产生错误,下面列举几个:

    BC 对抽象集合如ListSet 的造型;对具体集合如ArrayListHashSet 的造型;

未检查或无法保证的造型;

CI 类声明为final 但声明了protected 的属性。

DLS 对一个本 地变量赋值,但却没有读取该本地变量;本地变量赋值成null ,却没有读取该本地变量。

ICAST 整型数字 相乘结果转化为长整型数字,应该将整型先转化为长整型数字再相乘。

INT 没必要的 整型数字比较,如X <= Integer.MAX_VALUE

NP readline() 的直接引用,而没有判断是否null ; 对方法调用的直接引用,而方法可能返回null

REC 直接捕获Exception ,而实际上可能时RuntimeException

ST 从实例方 法里直接修改类变量,即static 属性。

 

自定义检测器: findbugs 提供了强大的自定义检测器的功能,首先我们应该清楚需要

检查的案例,findbugs 的官 方文档里并没有详细的介绍如何自定义,那我们只能直接阅读它的源码了,着重阅读BytecodeScanningDetectorByteCodePatternDetector 的子类型,它们可以检测一般类型的问题。Findbugs 利用了Byte Code Engineering Library (即BCELApache 上 的一个开源项目),以实现其检测器,所有的字节码扫描都是基于visitor 模式。我们可以参照findbugs 自带的检测器的类的源码,去编写一个自定义的检测器代码,编写完后编译成类文件,同时我们还 需要提供两个XML 文件,Findbugs.xmlmessage.xml ,在Findbugs.xml 里 指定检测器和实现类,检测器的缩写、类型如快速或慢速,而message 文件里则包括了该检测器的 描述信息,可能是html 的,然后将源文件、类文件和上面两个XML 文件打包成jar 文件,放在findbugs homeplugin 文件夹下,这 样我们就可以使用自定义检查器了。

 

参考文档:

FindBugs 官方文档(http://findbugs.sourceforge.net/

FindBugs ,第1 部分: 提高代码质量

http://www-128.ibm.com/developerworks/cn/java/j-findbug1/

FindBugs ,第2 部分: 编写自定义检测器

http://www-128.ibm.com/developerworks/cn/java/j-findbug2/

代码静态分析(http://blog.donews.com/foxgem/archive/2005/04/23/347444.aspx

 

Findbugs使用说明<br>目的<br> Findbugs是一个代码质量工具;我们用它来检查源代码中出现的伪问题,以期尽可能在项目的初始阶段将代码问题解决。本文主要介绍Findbugs的 eclipse插件的应用。 对应的版本是:Findbugs (0.0.16);eclipse (3.1)<br><br>概要<br> FindBugs 是一个静态分析工具,它检查类或者 JAR 文件,将字节码与一组缺陷模式进行对比以发现可能的问题。我们利用它在eclipse中的插件来对它所过滤的工程的源代码进行检查。希望在程序员编写代码 的过程中,将代码中的缺陷指出来,让编码人员在开发中将它们纠正。达到尽可能在项目编码中将问题解决得目的。而不是在编码结束的时候才用该软件对代码检 查,修改。<br>

Eclipse插件开发之FindBugs插件:http://soft.yesky.com/480/2291980_1.shtml

您可能感兴趣的与本文相关的镜像

ACE-Step

ACE-Step

音乐合成
ACE-Step

ACE-Step是由中国团队阶跃星辰(StepFun)与ACE Studio联手打造的开源音乐生成模型。 它拥有3.5B参数量,支持快速高质量生成、强可控性和易于拓展的特点。 最厉害的是,它可以生成多种语言的歌曲,包括但不限于中文、英文、日文等19种语言

本文旨在系统阐述利用MATLAB平台执行多模态语音分离任务的方法,重点围绕LRS3数据集的数据生成流程展开。LRS3(长时RGB+音频语音数据集)作为一个规模庞大的视频与音频集合,整合了丰富的视觉与听觉信息,适用于语音识别、语音分离及情感分析等多种研究场景。MATLAB凭借其高效的数值计算能力与完备的编程环境,成为处理此类多模态任务的适宜工具。 多模态语音分离的核心在于综合利用视觉与听觉等多种输入信息来解析语音信号。具体而言,该任务的目标是从混合音频中分离出不同说话人的声音,并借助视频中的唇部运动信息作为辅助线索。LRS3数据集包含大量同步的视频与音频片段,提供RGB视频、单声道音频及对应的文本转录,为多模态语音处理算法的开发与评估提供了重要平台。其高质量与大容量使其成为该领域的关键资源。 在相关资源包中,主要包含以下两部分内容: 1. 说明文档:该文件详细阐述了项目的整体结构、代码运行方式、预期结果以及可能遇到的问题与解决方案。在进行数据处理或模型训练前,仔细阅读此文档对正确理解与操作代码至关重要。 2. 专用于语音分离任务的LRS3数据集版本:解压后可获得原始的视频、音频及转录文件,这些数据将由MATLAB脚本读取并用于生成后续训练与测试所需的数据。 基于MATLAB的多模态语音分离通常遵循以下步骤: 1. 数据预处理:从LRS3数据集中提取每段视频的音频特征与视觉特征。音频特征可包括梅尔频率倒谱系数、感知线性预测系数等;视觉特征则涉及唇部运动的检测与关键点定位。 2. 特征融合:将提取的音频特征与视觉特征相结合,构建多模态表示。融合方式可采用简单拼接、加权融合或基于深度学习模型的复杂方法。 3. 模型构建:设计并实现用于语音分离的模型。传统方法可采用自适应滤波器或矩阵分解,而深度学习方法如U-Net、Transformer等在多模态学习中表现优异。 4. 训练与优化:使用预处理后的数据对模型进行训练,并通过交叉验证与超参数调整来优化模型性能。 5. 评估与应用:采用信号失真比、信号干扰比及信号伪影比等标准指标评估模型性能。若结果满足要求,该模型可进一步应用于实际语音分离任务。 借助MATLAB强大的矩阵运算功能与信号处理工具箱,上述步骤得以有效实施。需注意的是,多模态任务常需大量计算资源,处理大规模数据集时可能需要对代码进行优化或借助GPU加速。所提供的MATLAB脚本为多模态语音分离研究奠定了基础,通过深入理解与运用这些脚本,研究者可更扎实地掌握语音分离的原理,从而提升其在实用场景中的性能表现。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值