최적의 다중 목적 입자 군집 최적화를 이용한 테스트 시퀀스 생성
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.
LLM 기반 테스트 생성을 통한 어려운 분기 커버리지 향상을 위한 프로그램 분석
프로그램 분석을 통해 복잡한 객체 생성과 복잡한 inter-procedural 종속성을 해결하여 LLM 기반 테스트 생성의 효과성과 효율성을 향상시킬 수 있다.
메타의 풍부한 상태 시뮬레이션 인구를 활용한 테스팅 향상
메타는 자동화 및 수동 테스팅을 위해 풍부한 상태의 시뮬레이션 인구를 활용하여 코드 커버리지와 결함 발견을 크게 향상시켰다.
코드 인식 프롬프팅: LLM을 사용한 회귀 설정에서의 커버리지 기반 테스트 생성에 대한 연구
코드 인식 프롬프팅 기법을 통해 LLM이 복잡한 소프트웨어 단위에 대해 더 완전한 테스트 케이스를 생성할 수 있다.
자동화된 기존 테스트 케이스로부터 메타모픽 관계 합성
기존 테스트 케이스에 내재된 도메인 지식을 활용하여 메타모픽 관계를 자동으로 합성할 수 있다.
테스트 코드의 가독성 조사
테스트 코드의 가독성은 소프트웨어 시스템과 테스트를 이해하고 유지보수하는 데 핵심적이다. 학술 문헌과 실무 관점을 결합하여 테스트 코드 가독성에 영향을 미치는 요인을 조사하였다.
자동화된 테스트 생성을 위한 커버리지 기반 대규모 언어 모델 활용
COVERUP은 커버리지 분석과 대규모 언어 모델(LLM)의 조합을 통해 높은 커버리지의 Python 회귀 테스트를 생성하는 새로운 시스템이다.
정밀한 단언 기반 테스트 선택
테스트 코드 내 각 단언문을 가장 작은 단위로 취급하여 선택함으로써 테스트 선택의 정밀도를 높이고 테스트 실행 시간을 단축시킬 수 있다.
애자일 환경에서 소프트웨어 품질 향상: 단위 테스트에서 테스팅 전문가의 역할
테스팅 전문가는 개발자와의 협업을 통해 단위 테스트 사례를 개선하고 상호 학습 문화를 조성함으로써 소프트웨어 프로젝트의 전반적인 품질 향상에 기여할 수 있다.
소프트웨어 시스템의 베이지안 결함 위치 파악: BayesFLo
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.
© 2024 by Linnk AI