著者
イー・ジ（1）、サイモン・マック（2）、ライアン・レキベッツ（1）、ジョセフ・モーガン（1）
所属
（1）JMP統計発見LLC
（2）デューク大学、ノースカロライナ州ダーラム
ジャーナル
2024 第22回ACM-IEEEシステム設計のための形式手法とモデルに関する国際シンポジウム（MEMOCODE）
公開日
2024
抽象的な
ソフトウェアテストは、複雑なソフトウェアシステムの信頼性と堅牢性を備えた開発に不可欠です。これは、導入前に厳格なテストを必要とするサイバーフィジカルシステム（CPS）にとって特に重要です。これらのシステムの複雑さにより、形式検証手法の適用が制限されます。さらに、テストと障害箇所の特定には多大なコストがかかる可能性があります。このコストを軽減するため、本研究では、最新の確率的機械学習手法を活用し、複雑なソフトウェアシステムのテストを加速する、包括的な機械学習誘導型テストケース設計および障害箇所特定（MaLT）フレームワークを概説します。MaLTは、(i) 初期テストとして被覆配列を用いたテストケーススイートの構築、(ii) ベイズ的障害箇所特定手順による事後根本原因確率の調査、(iii) このようなベイズ分析を用いて能動学習により後続のテストケース選択を導く、という3つのステップで構成されます。提案されたMaLTフレームワークは、限られたテスト実行回数でソフトウェア障害の効率的な特定とその後の診断を容易にします。このフレームワークは、アサーションベースのテスト オラクル アプローチと統合できる可能性があり、軽量の形式手法をテストと統合する効率的かつ費用対効果の高い方法となる可能性があります。
引用
Ji, Y., Mak, S., Lekivetz, R. and Morgan, J., 2024年10月. MaLT: 機械学習によるテストケース設計と複雑なソフトウェアシステムの障害箇所特定.2024 第22回ACM-IEEEシステム設計のための形式手法とモデルに関する国際シンポジウム（MEMOCODE）(pp. 58-62). IEEE, https://doi.org/10.1109/MEMOCODE63347.2024.00011 .
