소프트웨어 테스팅

התחברות

תובנה - 소프트웨어 테스팅

본 연구에서는 테스트 시퀀스 생성을 다중 목적 최적화 문제로 간주하고, 경로 우선순위와 오라클 비용을 동시에 최적화하기 위해 다중 목적 입자 군집 최적화(MOPSO) 기법을 제안한다. 이를 통해 최적의 테스트 시퀀스를 생성할 수 있다.

프로그램 분석을 통해 복잡한 객체 생성과 복잡한 inter-procedural 종속성을 해결하여 LLM 기반 테스트 생성의 효과성과 효율성을 향상시킬 수 있다.

메타는 자동화 및 수동 테스팅을 위해 풍부한 상태의 시뮬레이션 인구를 활용하여 코드 커버리지와 결함 발견을 크게 향상시켰다.

코드 인식 프롬프팅 기법을 통해 LLM이 복잡한 소프트웨어 단위에 대해 더 완전한 테스트 케이스를 생성할 수 있다.

기존 테스트 케이스에 내재된 도메인 지식을 활용하여 메타모픽 관계를 자동으로 합성할 수 있다.

테스트 코드의 가독성은 소프트웨어 시스템과 테스트를 이해하고 유지보수하는 데 핵심적이다. 학술 문헌과 실무 관점을 결합하여 테스트 코드 가독성에 영향을 미치는 요인을 조사하였다.

COVERUP은 커버리지 분석과 대규모 언어 모델(LLM)의 조합을 통해 높은 커버리지의 Python 회귀 테스트를 생성하는 새로운 시스템이다.

테스트 코드 내 각 단언문을 가장 작은 단위로 취급하여 선택함으로써 테스트 선택의 정밀도를 높이고 테스트 실행 시간을 단축시킬 수 있다.

테스팅 전문가는 개발자와의 협업을 통해 단위 테스트 사례를 개선하고 상호 학습 문화를 조성함으로써 소프트웨어 프로젝트의 전반적인 품질 향상에 기여할 수 있다.

BayesFLo는 테스트 데이터를 활용하여 잠재적인 근본 원인 조합의 확률을 계산하는 새로운 베이지안 결함 위치 파악 프레임워크이다. 이를 통해 결함 위치 파악에 대한 통계적 접근을 제공하고, 도메인 지식과 구조적 지식을 통합할 수 있다.

אודות

מוצרים

מידע נוסף