저자
이 지(1), 사이먼 막(2), 라이언 레키베츠(1) 및 조셉 모건(1)
소속
(1) JMP Statistical Discovery LLC
(2) 듀크 대학교, 더럼, 노스캐롤라이나
신문
2024년 제22회 ACM-IEEE 시스템 설계를 위한 형식 방법 및 모델 국제 심포지엄(MEMOCODE)
게시일
2024
추상적인
소프트웨어 테스트는 복잡한 소프트웨어 시스템의 신뢰성과 견고성을 확보하는 데 필수적입니다. 특히 사이버 물리 시스템(CPS)의 경우 배포 전 엄격한 테스트가 요구되는데, 이는 매우 중요합니다. 이러한 시스템의 복잡성으로 인해 형식 검증 방법의 활용이 제한적이며, 테스트 및 결함 위치 파악에 드는 비용 또한 상당합니다. 이러한 비용 부담을 줄이기 위해 본 연구에서는 복잡한 소프트웨어 시스템의 테스트 속도를 높이기 위해 최근의 확률적 머신러닝 기법을 활용한 통합적인 머신러닝 기반 테스트 케이스 설계 및 결함 위치 파악(MaLT) 프레임워크를 제안합니다. MaLT는 세 단계로 구성됩니다. (i) 초기 테스트를 위해 커버링 어레이를 사용하여 테스트 케이스 스위트를 구축하고, (ii) 베이지안 결함 위치 파악 절차를 통해 사후 근본 원인 확률을 분석하며, (iii) 능동 학습을 통해 베이지안 분석 결과를 바탕으로 후속 테스트 케이스를 선택합니다. 제안된 MaLT 프레임워크는 제한된 테스트 실행 횟수로도 소프트웨어 결함을 효율적으로 식별하고 진단할 수 있도록 지원합니다. 이 프레임워크는 어설션 기반 테스트 오라클 접근 방식과 통합될 가능성이 있으며, 이는 경량 형식 검증 방법을 테스트와 효율적이고 비용 효율적으로 통합하는 방법이 될 수 있습니다.
소환
Ji, Y., Mak, S., Lekivetz, R. 및 Morgan, J., 2024년 10월. MaLT: 복잡한 소프트웨어 시스템의 기계 학습 기반 테스트 케이스 설계 및 결함 위치 파악.2024년 제22회 ACM-IEEE 시스템 설계를 위한 형식 방법 및 모델 국제 심포지엄(MEMOCODE)(58-62쪽). IEEE, https://doi.org/10.1109/MEMOCODE63347.2024.00011 .
