論文の概要: Prioritized Variable-length Test Cases Generation for Finite State
Machines
- arxiv url: http://arxiv.org/abs/2203.09596v1
- Date: Thu, 17 Mar 2022 20:16:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 15:56:51.958223
- Title: Prioritized Variable-length Test Cases Generation for Finite State
Machines
- Title(参考訳): 有限状態マシンの優先度付き可変長テストケース生成
- Authors: Vaclav Rechtberger, Miroslav Bures, Bestoun S. Ahmed, Youcef Belkhier,
Jiri Nema, Hynek Schvach
- Abstract要約: モデルベーステスト(MBT)は、システムアンダーテストの一部が有限状態マシン(FSM)の特性を持つ場合のテストに有効な手法である。
本稿では,これらの要件をすべて満たしたテスト生成戦略を提案する。
本論文では,FSMの適用状況に応じて,機能的および非機能的ソフトウェア要件のテストにも適用可能である。
- 参考スコア(独自算出の注目度): 0.09786690381850353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model-based Testing (MBT) is an effective approach for testing when parts of
a system-under-test have the characteristics of a finite state machine (FSM).
Despite various strategies in the literature on this topic, little work exists
to handle special testing situations. More specifically, when concurrently: (1)
the test paths can start and end only in defined states of the FSM, (2) a
prioritization mechanism that requires only defined states and transitions of
the FSM to be visited by test cases is required, and (3) the test paths must be
in a given length range, not necessarily of explicit uniform length. This paper
presents a test generation strategy that satisfies all these requirements. A
concurrent combination of these requirements is highly practical for real
industrial testing. Six variants of possible algorithms to implement this
strategy are described. Using a mixture of 180 problem instances from real
automotive and defense projects and artificially generated FSMs, all variants
are compared with a baseline strategy based on an established N-switch coverage
concept modification. Various properties of the generated test paths and their
potential to activate fictional defects defined in FSMs are evaluated. The
presented strategy outperforms the baseline in most problem configurations. Out
of the six analyzed variants, three give the best results even though a
universal best performer is hard to identify. Depending on the application of
the FSM, the strategy and evaluation presented in this paper are applicable
both in testing functional and non-functional software requirements.
- Abstract(参考訳): モデルベーステスト(MBT)は、システムアンダーテストの一部が有限状態マシン(FSM)の特性を持つ場合、テストに有効な手法である。
このトピックに関する文献の様々な戦略にもかかわらず、特別なテスト状況を扱うための作業はほとんどない。
より具体的には、(1) テストパスは fsm の定義された状態においてのみ開始および終了することができ、(2) テストケースで訪問される fsm の定義された状態と遷移のみを必要とする優先順位付け機構が必要であり、(3) テストパスは明示的な一様長ではなく所定の長さでなければならない。
本稿では,これらの要件をすべて満たしたテスト生成戦略を提案する。
これらの要件の同時結合は、実際の産業テストでは非常に実用的です。
この戦略を実装するための6種類のアルゴリズムについて述べる。
実車と防衛プロジェクトの180の課題インスタンスと人工的に生成されたFSMの混合を用いて、すべてのバリエーションを、確立されたNスイッチカバレッジ概念の修正に基づくベースライン戦略と比較する。
生成したテストパスの諸性質とFSMで定義された架空の欠陥を活性化する可能性を評価する。
提示された戦略は、ほとんどの問題構成においてベースラインを上回る。
分析された6つの変奏曲のうち、3つは、普遍的なベストパフォーマーを特定するのが難しいにもかかわらず、最良の結果を与える。
本論文では,FSMの適用状況に応じて,機能的および非機能的ソフトウェア要件のテストにも適用可能である。
関連論文リスト
- Code-Aware Prompting: A study of Coverage Guided Test Generation in
Regression Setting using LLM [34.07127332725332]
テスト生成における大規模言語モデルのコード認識促進戦略であるSymPromptを提案する。
我々のアプローチは、事前訓練されたLLMが、追加の訓練をすることなく、より完全なテストケースを生成することを可能にする。
論文 参考訳(メタデータ) (2024-01-31T18:21:49Z) - Deep anytime-valid hypothesis testing [29.273915933729057]
非パラメトリックなテスト問題に対する強力なシーケンシャルな仮説テストを構築するための一般的なフレームワークを提案する。
テスト・バイ・ベッティング・フレームワーク内で、機械学習モデルの表現能力を活用するための原則的なアプローチを開発する。
合成および実世界のデータセットに関する実証的な結果は、我々の一般的なフレームワークを用いてインスタンス化されたテストが、特殊なベースラインと競合することを示している。
論文 参考訳(メタデータ) (2023-10-30T09:46:19Z) - Generative Judge for Evaluating Alignment [84.09815387884753]
本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。
我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。
実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
論文 参考訳(メタデータ) (2023-10-09T07:27:15Z) - On Pitfalls of Test-Time Adaptation [82.8392232222119]
TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。
TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
論文 参考訳(メタデータ) (2023-06-06T09:35:29Z) - MM-TTA: Multi-Modal Test-Time Adaptation for 3D Semantic Segmentation [104.48766162008815]
本稿では,3次元セマンティックセグメンテーションのためのテスト時間適応のマルチモーダル拡張を提案する。
マルチモダリティを最大限に活用できるフレームワークを設計するために、各モダリティは他のモダリティに対して正規化された自己監督信号を提供する。
正規化された擬似ラベルは、多数の多モードテスト時間適応シナリオにおいて安定した自己学習信号を生成する。
論文 参考訳(メタデータ) (2022-04-27T02:28:12Z) - Overview of Test Coverage Criteria for Test Case Generation from Finite
State Machines Modelled as Directed Graphs [0.12891210250935145]
テストカバレッジ基準は、システムアンダーテストモデルからテストケースを生成する際に、テストエンジニアにとって不可欠な概念です。
テストカバレッジ基準は、システムがテストされるアクションや組み合わせの数を定義します。
本研究は、有限状態機械の一般的なテストカバレッジ基準をすべて要約し、それらの仮定、等価性、および非互換性について議論した。
論文 参考訳(メタデータ) (2022-03-17T20:30:14Z) - Learning to Generalize across Domains on Single Test Samples [126.9447368941314]
単体テストサンプルでドメインをまたいで一般化することを学ぶ。
変分ベイズ推論問題として単検体への適応を定式化する。
我々のモデルは、ドメインの一般化のための複数のベンチマークにおいて、最先端のメソッドよりも少なくとも同等で、より優れたパフォーマンスを達成します。
論文 参考訳(メタデータ) (2022-02-16T13:21:04Z) - Complete Agent-driven Model-based System Testing for Autonomous Systems [0.0]
複雑な自律輸送システムをテストするための新しいアプローチについて述べる。
検証と検証に関して最も重大な問題のいくつかを軽減することを目的としている。
論文 参考訳(メタデータ) (2021-10-25T01:55:24Z) - Generalized Few-shot Semantic Segmentation [68.69434831359669]
本稿では,GFS-Seg(Generalized Few-Shot Semantic)と呼ばれる新しいベンチマークを導入する。
GFS-セグにおいて、先行する最先端の一般化が不足していることを示す最初の研究である。
本研究では,1)支援サンプルから共起前の知識を活用すること,2)各クエリ画像の内容に基づいて条件付き情報に動的に拡張することにより,性能を著しく向上するコンテキスト認識型プロトタイプ学習(CAPL)を提案する。
論文 参考訳(メタデータ) (2020-10-11T10:13:21Z) - Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。
少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。
これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
論文 参考訳(メタデータ) (2020-08-04T10:41:32Z) - Pass-Fail Criteria for Scenario-Based Testing of Automated Driving
Systems [0.0]
本稿では,通常運転時の自動走行システムの動作安全性を評価するための枠組みを提案する。
リスクベースのルールは、1つのテストケースからパス/フェイルを決定できない。
これは、多くの個々のテストにおける統計的パフォーマンスを考慮に入れている。
論文 参考訳(メタデータ) (2020-05-19T13:13:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。