ソフトウェアテスト

insight - ソフトウェアテスト

本研究では、テストシーケンス生成問題をマルチ目的最適化問題として捉え、パス優先度とオラクルコストの2つの目的を同時に最適化するMOPSOアプローチを提案している。提案手法は、既存のメタヒューリスティックアルゴリズムよりも優れた性能を示している。

プログラム解析を活用することで、LLMベースのテスト生成手法の複雑なブランチカバレッジ向上を実現する

ファジングの無作為かつ総当たりの入力生成と実行によるソフトウェアの予期せぬ動作や脆弱性の発見は強力であるが、無限の入力シーケンスの可能性を網羅することは計算コストが高く実用的ではない。ベイズ近似計算(ABC)は、この問題に対する新しい確率論的アプローチを提示する。

コード認識プロンプティングを用いることで、LLMがより複雑なメソッドに対して高カバレッジのテストケースを生成できるようになる。

既存のテストケースに埋め込まれたドメイン知識を活用し、自動的にメタモルフィック関係を合成することで、メタモルフィックテストの適用を促進する。

リッチステートのシミュレーション集団を活用することで、自動化テストと手動テストの両方において、コードカバレッジと障害検出率が大幅に向上する。

APIドキュメントからDL固有の入力制約を抽出する新しい技術であるDocTerの効果的な機能性を示す。

ソフトウェアテストにおける大規模言語モデル（LLMs）の利用とその重要性に焦点を当てた包括的なレビュー。

About

Products | Resources

Insights