論文の概要: Test Code Generation for Telecom Software Systems using Two-Stage Generative Model

• arxiv url: http://arxiv.org/abs/2404.09249v1
• Date: Sun, 14 Apr 2024 13:25:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 14:48:15.288048
• Title: Test Code Generation for Telecom Software Systems using Two-Stage Generative Model
• Title（参考訳）: 2段階生成モデルを用いた通信ソフトウェアシステムのテストコード生成
• Authors: Mohamad Nabeel, Doumitrou Daniil Nimara, Tahar Zanouda,
• Abstract要約: 大規模Telecomソフトウェア企業にとって、すべてのデプロイメントシナリオのためのソフトウェアの開発とテストが課題となっている。 本稿では,大規模テレコムソフトウェアシステムを対象とした自動テスト生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the evolution of Telecom towards achieving intelligent, autonomous, and open networks has led to an increasingly complex Telecom Software system, supporting various heterogeneous deployment scenarios, with multi-standard and multi-vendor support. As a result, it becomes a challenge for large-scale Telecom software companies to develop and test software for all deployment scenarios. To address these challenges, we propose a framework for Automated Test Generation for large-scale Telecom Software systems. We begin by generating Test Case Input data for test scenarios observed using a time-series Generative model trained on historical Telecom Network data during field trials. Additionally, the time-series Generative model helps in preserving the privacy of Telecom data. The generated time-series software performance data are then utilized with test descriptions written in natural language to generate Test Script using the Generative Large Language Model. Our comprehensive experiments on public datasets and Telecom datasets obtained from operational Telecom Networks demonstrate that the framework can effectively generate comprehensive test case data input and useful test code.
• Abstract（参考訳）: 近年、インテリジェントで自律的でオープンなネットワークを実現するためのTelecomの進化により、Telecom Softwareはますます複雑になり、様々な異種展開シナリオをサポートし、マルチスタンダードとマルチベンダをサポートするようになった。 結果として、大規模Telecomソフトウェア企業にとって、すべてのデプロイメントシナリオのためのソフトウェアの開発とテストが課題となる。 これらの課題に対処するため,大規模テレコムソフトウェアシステムを対象とした自動テスト生成フレームワークを提案する。 まず、フィールドトライアル中に、過去のテレコムネットワークデータに基づいてトレーニングされた時系列生成モデルを用いて観測されたテストシナリオの入力データを生成する。 さらに、時系列生成モデルは、Telecomデータのプライバシ保護に役立つ。 生成した時系列ソフトウェアの性能データは、自然言語で書かれたテスト記述で利用され、生成的大言語モデルを用いてテストスクリプトを生成する。 運用中のTelecom Networksから得られた公開データセットとTelecomデータセットに関する総合的な実験により、このフレームワークは包括的なテストケースデータ入力と有用なテストコードを生成することができることを示した。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• A System for Automated Unit Test Generation Using Large Language Models and Assessment of Generated Test Suites [1.4563527353943984]
  大規模言語モデル(LLM)はソフトウェア開発の様々な側面に適用されている。 Javaプロジェクトのテストスイートを生成する自動化システムであるAgoneTestを紹介します。
  論文  参考訳（メタデータ） (2024-08-14T23:02:16Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Fault Detection in Mobile Networks Using Diffusion Models [0.0]
  本稿では,生成型AIモデルを用いて通信網の異常を検出するシステムを提案する。 拡散モデルを用いて、異常検出のためのモデルを訓練するいくつかの戦略を評価する。
  論文  参考訳（メタデータ） (2024-04-14T12:59:35Z)
• TeleQnA: A Benchmark Dataset to Assess Large Language Models Telecommunications Knowledge [26.302396162473293]
  TeleQnAは、電気通信におけるLLM(Large Language Models)の知識を評価するために設計された最初のベンチマークデータセットである。 本稿では,このデータセット作成に責任を負う自動質問生成フレームワークについて概説する。 データセットはGitHubで公開されている。
  論文  参考訳（メタデータ） (2023-10-23T15:55:15Z)
• Constraint-Guided Test Execution Scheduling: An Experience Report at ABB Robotics [13.50507740574158]
  我々は、大規模なテストリポジトリからテスト実行のスケジューリングを自動化することを目標とするDynTestと呼ばれるプロジェクトの結果を示す。 本稿では,ABBロボティクスにおけるテスト実行スケジューリングのための制約ベース最適化モデルの転送に成功した経験と教訓について報告する。
  論文  参考訳（メタデータ） (2023-06-02T13:29:32Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Data Driven Testing of Cyber Physical Systems [12.93632948681342]
  そこで本研究では,CPSの故障防止テストケースを自動生成する手法を提案する。 スマートな建物を管理するアプリケーションから収集されたデータは、環境のモデルを学ぶために使われてきた。
  論文  参考訳（メタデータ） (2021-02-23T04:55:10Z)
• Data-to-text Generation with Macro Planning [61.265321323312286]
  本稿では,マクロ計画段階のニューラルモデルと,従来の手法を連想させる生成段階を提案する。 提案手法は, 自動評価と人的評価の両面で, 競争ベースラインを上回っている。
  論文  参考訳（メタデータ） (2021-02-04T16:32:57Z)
• Synthetic Datasets for Neural Program Synthesis [66.20924952964117]
  本稿では,プログラムと仕様の両方で合成データ分布のバイアスを制御し,評価するための新しい手法を提案する。 そこで我々は,Karel DSLと小さなCalculator DSLを用いて,これらの分布上でのディープネットワークのトレーニングにより,分散一般化性能が向上することが実証された。
  論文  参考訳（メタデータ） (2019-12-27T21:28:10Z)

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。