Autoren
Yi Ji (1), Simon Mak (2), Ryan Lekivetz (1) und Joseph Morgan (1)
Zugehörigkeiten
(1) JMP Statistical Discovery LLC
(2) Duke University, Durham, NC
Zeitschrift
2024 22. Internationales ACM-IEEE-Symposium über formale Methoden und Modelle für Systemdesign (MEMOCODE)
Veröffentlichungsdatum
2024
Abstrakt
Softwaretests sind unerlässlich für die zuverlässige und robuste Entwicklung komplexer Softwaresysteme. Dies gilt insbesondere für cyber-physische Systeme (CPS), die vor der Bereitstellung rigorosen Tests unterzogen werden müssen. Die Komplexität dieser Systeme schränkt die Anwendung formaler Verifikationsmethoden ein. Zudem können Tests und die Fehlerlokalisierung sehr kostspielig sein. Um diese Kosten zu senken, stellen wir in dieser Arbeit ein ganzheitliches, maschinelles Lernverfahren zur Testfallentwicklung und Fehlerlokalisierung (MaLT) vor. Dieses nutzt aktuelle probabilistische Methoden des maschinellen Lernens, um das Testen komplexer Softwaresysteme zu beschleunigen. MaLT besteht aus drei Schritten: (i) der Erstellung einer Testfallsuite mithilfe eines Covering-Arrays für erste Tests, (ii) der Untersuchung der a posteriori-Wahrscheinlichkeiten der Hauptursache mittels eines Bayes'schen Fehlerlokalisierungsverfahrens und (iii) der Verwendung dieser Bayes'schen Analyse zur Auswahl nachfolgender Testfälle durch aktives Lernen. Das vorgeschlagene MaLT-Framework ermöglicht somit die effiziente Identifizierung und anschließende Diagnose von Softwarefehlern mit begrenzten Testläufen. Dieses Framework bietet Potenzial für die Integration mit einem assertionsbasierten Testorakelansatz, der sich als effizienter und kostengünstiger Weg zur Integration von leichtgewichtigen formalen Methoden in das Testen erweisen könnte.
Zitat
Ji, Y., Mak, S., Lekivetz, R. und Morgan, J., Oktober 2024. MaLT: Maschinelles Lernen zur Entwicklung von Testfällen und zur Fehlerlokalisierung komplexer Softwaresysteme. In2024 22. Internationales ACM-IEEE-Symposium über formale Methoden und Modelle für Systemdesign (MEMOCODE)(S. 58-62). IEEE, https://doi.org/10.1109/MEMOCODE63347.2024.00011 .
