让我们从一开始就假设输入空间太大而无法进行详尽的制表。

应用 ML 时的基本问题是，被建模的程序通常可能：

• 是离散的，即（至少部分地）对整数、布尔值或分类变量进行操作。
• 包含各种条件/循环结构（if/while/for等）。
• 具有影响程序其他部分（例如非局部变量）或世界状态（例如写入文件）的副作用。

这些对 ANN 等 ML 方法构成了障碍。与这些问题最直接兼容的 ML 方法是遗传编程(GP)。GP 最近专门关注现有软件系统的转换的一个专业是遗传改进 (GI)。

然而，GP/GI（或任何其他当前的 ML 技术）都不是“灵丹妙药”：

• 尽管进行了数十年的研究，GP 仍然最擅长合成相对较小的函数，当然不是整个遗留程序。
• 因为只能在程序输入空间的一个非常小的子集上进行训练，所以几乎不能保证程序会泛化到它没有被训练过的输入。
• 出于培训目的，如何正式确定副作用的成功与否？

如果程序有一个全面的测试套件，其中一些问题可以在一定程度上得到解决，但是更换整个非平凡的程序不太可能很快。替换具有良好单元测试的程序的较小部分是更现实的目标。

这是一个案例研究，展示了如何通过仅对程序二进制文件进行操作，成功地使用 GI 来修复 Apache Hadoop 实施中的错误。