刘勇,博士,见习教授

发布人:信息学院发布时间:2020-03-31浏览次数:3393

  刘勇,工学博士,见习教授,硕士导师,国际大学生程序设计竞赛教练。2015年毕业于北京化工大学,获工学博士学位。主要研究方向为源代码分析,变异测试,程序错误定位,信息技术与教育融合等。发表SCI/EI收录论文10余篇,主持了国家自然科学基金青年基金项目1项和企业横向项目等,指导学生获得ICPC国际大学生程序设计竞赛亚洲区金奖2项,银奖2项,铜奖10余项。

github个人主页:https://liuyong0076.github.io/

邮箱:lyong@mail.buct.edu.cn



课程名称课程备注
Python Programming(国际化课程)大二学生
ACM-ICPC国际大学生程序设计竞赛方法与实践大一学生
数据结构大二学生

教学课程 Teaching Courses


主要科研项目 Research Projects

项目名称项目来源
面向真实错误的高阶变异错误定位技术研究国家自然科学基金青年基金
设备运行数据采集与服务状态管理平台研究与开发企业横向课题
英文版设备状态监测系统开发企业横向课题
程序评测与作品展示系统研究与开发企业横向课题


学术论文 Research Paper

     ● Zheng Li, Yonghao Wu, Yong Liu*. An Empirical Study of Bug Isolation on theEffectiveness of Multiple Fault Localization. IEEE International Conference on Software Quality, Reliability and Security. IEEE, 2019.

     ● Yong Liu, Meiying Li, Yonghao Wu, Zheng Li*. A Weighted Fuzzy Classification Approach to Identify and Manipulate Coincidental Correct Test Cases for Fault Localization, Journal of Systems and Software, 2019(151):20-37

     ● Yong Liu, Zheng Li, Ruilian Zhao*, Pei Gong. An Optimal Mutation Execution Strategy for Cost Reduction of Mutation-Based Fault Localization, Information Science,2018(422):572-596

     ● Yong Liu, Zheng Li, Linxin Wang, Ruilian Zhao*. Statement-Oriented Mutant Reduction Strategy for Mutation Based Fault Localization. IEEE International Conference on Software Quality, Reliability and Security. IEEE, 2017.

     ● Xiujing Liu, Yong Liu, Zheng Li, Ruilian Zhao. Fault Classification Oriented Spectrum Based Fault Localization. IEEE Computer Society Signature Conference on Computers, Software and Applications(COMPSAC). IEEE, 2017.

     ● Zheng Li, Meiying Li,Yong Liu*, Jingyao Geng. Identify Coincidental Correct Test Cases Based on Fuzzy Classification. International Conference on Software Analysis, Testing and Evolution. IEEE, 2016:72-77.


研究成果 Research Achievements

    主要在基于变异的错误定位(MBFL)和基于程序谱的错误定位(SBFL)两种自动化错误定位技术的研究方面取得了一定的成果。MBFL方面,针对该技术存在的执行开销大的问题,从测试用例优化、变异体约减、变异体执行优化等多个方面展开研究,在保证错误定位高精度的前提下,大幅度提升了执行效率。SBFL方面,从偶然正确测试用例识别与处理,多错误情况下的测试用例聚类等方面展开研究,提升了SBFL的错误定位效果。