并发程序执行具有不确定性,交错空间大,导致并发缺陷难以检测。线性一致性是并发对象正确性的标准之一,而检测线性化通常需要在指数增长的执行迹空间中搜索对应的抽象规范。针对此问题提出使用共享内存访问模式对线性一致性验证的过程进行加速。主要思想是通过少量并发对象细粒度的执行迹与线性一致性的抽象迹的对应关系,自动提取内存访问模式。内存访问模式是细粒度的共享内存访问序列与抽象规范序列的对应关系,对待检测的细粒度迹使用内存模式加速生成对应的抽象规范迹。本算法能够对固定线性化点、存在未来机制和帮助机制的并发对象进行线性一致性检测。实验中,对6种并发算法的线性一致性进行了检查,与on-the-fly的精化检查算法对比,内存访问模式方法在时间上有一定的优势。并发错误多数是由数据竞争缺陷引起,本论文使用卷积神经网络模型对数据竞争缺陷进行预测。首先通过Git Hub搜索获得源程序570个,对获得的源程序进行程序变异,获得存在数据竞争缺陷的程序570个。数据集中共有1140个文件,其中1026个文件分离出来进行模型训练,并在114个文件上进行验证。实验结果表明,训练时精度达到78.2%,准确率达到72.6%,召回率达到74.1%。并且对40个没有在数据集中的源程序进行预测,证明了本文中训练的深度学习模型可以对数据竞争缺陷进行成功检测。