論文の概要: Generating Accurate OpenAPI Descriptions from Java Source Code

• arxiv url: http://arxiv.org/abs/2410.23873v1
• Date: Thu, 31 Oct 2024 12:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:02:47.280866
• Title: Generating Accurate OpenAPI Descriptions from Java Source Code
• Title（参考訳）: Javaソースコードから正確なOpenAPI記述を生成する
• Authors: Alexander Lercher, Christian Macho, Clemens Bauer, Martin Pinzger,
• Abstract要約: AutoOASは、公開されたRESTエンドポイントパス、対応するHTTPメソッド、HTTPレスポンスコード、およびJavaソースコードから直接要求パラメータとレスポンスのデータモデルを検出する。 手動で作成した地上の真実に基づいて、AutoOASはRESTエンドポイントパス、HTTPメソッド、パラメータ、レスポンスを識別する際の最高精度とリコールを達成した。
• 参考スコア（独自算出の注目度）: 42.02451453254076
• License:
• Abstract: Developers require accurate descriptions of REpresentational State Transfer (REST) Application Programming Interfaces (APIs) for a successful interaction between web services. The OpenAPI Specification (OAS) has become the de facto standard for documenting REST APIs. Manually creating an OpenAPI description is time-consuming and error-prone, and therefore several approaches were proposed to automatically generate them from bytecode or runtime information. In this paper, we first study three state-of-the-art approaches, Respector, Prophet, and springdoc-openapi, and present and discuss their shortcomings. Next, we introduce AutoOAS, our approach addressing these shortcomings to generate accurate OpenAPI descriptions. It detects exposed REST endpoint paths, corresponding HTTP methods, HTTP response codes, and the data models of request parameters and responses directly from Java source code. We evaluated AutoOAS on seven real-world Spring Boot projects and compared its performance with the three state-of-the-art approaches. Based on a manually created ground truth, AutoOAS achieved the highest precision and recall when identifying REST endpoint paths, HTTP methods, parameters, and responses. It outperformed the second-best approach, Respector, with a 39% higher precision and 35% higher recall when identifying parameters and a 29% higher precision and 11% higher recall when identifying responses. Furthermore, AutoOAS is the only approach that handles configuration profiles, and it provided the most accurate and detailed description of the data models that were used in the REST APIs.
• Abstract（参考訳）: 開発者は、Webサービス間の対話を成功させるために、Representational State Transfer (REST) Application Programming Interfaces (API)の正確な記述を必要とする。 OpenAPI Specification(OAS)は、REST APIをドキュメント化するデファクトスタンダードになっています。 OpenAPI記述を手作業で作成するのは時間を要するため,バイトコードや実行時情報から自動生成するアプローチもいくつか提案されている。 本稿では,まず,3つの最先端アプローチであるRespector,Prophet,springdoc-openapiについて検討し,その問題点について論じる。 次に、これらの欠点に対処するAutoOASを紹介し、正確なOpenAPI記述を生成する。 公開されたRESTエンドポイントパス、対応するHTTPメソッド、HTTPレスポンスコード、およびJavaソースコードから直接要求パラメータとレスポンスのデータモデルを検出する。 私たちは7つの実世界のSpring BootプロジェクトでAutoOASを評価し、そのパフォーマンスを最先端の3つのアプローチと比較しました。 手動で作成した地上の真実に基づいて、AutoOASは、RESTエンドポイントパス、HTTPメソッド、パラメータ、レスポンスを識別する際の最高精度とリコールを達成した。 第二のベストアプローチであるRespectorでは、パラメータを識別すると39%、リコールでは35%、レスポンスを識別すると29%、リコールでは11%、パフォーマンスが向上した。 さらに、AutoOASは構成プロファイルを処理する唯一のアプローチであり、REST APIで使用されたデータモデルの最も正確で詳細な説明を提供する。

関連論文リスト

• Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
  本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。 2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。 LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
  論文  参考訳（メタデータ） (2024-10-08T15:22:36Z)
• ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
  ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。 我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2024-09-02T03:19:56Z)
• FANTAstic SEquences and Where to Find Them: Faithful and Efficient API Call Generation through State-tracked Constrained Decoding and Reranking [57.53742155914176]
  APIコール生成は、大規模言語モデルのツール使用能力の基盤となっている。 既存の教師付きおよびコンテキスト内学習アプローチは、高いトレーニングコスト、低いデータ効率、APIドキュメントとユーザの要求に反する生成APIコールに悩まされる。 本稿では,これらの制約に対処するため,FANTASEと呼ばれる出力側最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-07-18T23:44:02Z)
• ShortcutsBench: A Large-Scale Real-world Benchmark for API-based Agents [7.166156709980112]
  我々は、APIベースのエージェントの包括的な評価のための大規模なベンチマークであるtextscShortcutsBenchを紹介する。 textscShortcutsBenchには、Apple Inc.のオペレーティングシステムから多くの真のAPIが含まれている。 評価の結果,APIの選択やパラメータの充足,システムやユーザからの必要な情報要求など,複雑なクエリを扱う上での重大な制限が明らかになった。
  論文  参考訳（メタデータ） (2024-06-28T08:45:02Z)
• You Can REST Now: Automated Specification Inference and Black-Box Testing of RESTful APIs with Large Language Models [8.753312212588371]
  APIを手動でドキュメンテーションすることは、時間がかかり、エラーを起こしやすいタスクであり、その結果、利用できない、不完全な、あるいは不正確なドキュメントになります。 近年,Large Language Models (LLMs) は,その余分なトレーニングデータに基づいてタスクを自動化できることを実証している。 私たちは、最初の自動API仕様推論とブラックボックステストアプローチであるRESTSpecITを紹介します。
  論文  参考訳（メタデータ） (2024-02-07T18:55:41Z)
• Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
  RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。 評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T19:53:23Z)
• APICom: Automatic API Completion via Prompt Learning and Adversarial Training-based Data Augmentation [6.029137544885093]
  APIレコメンデーションは、開発者が多数の候補APIの中で必要なAPIを見つけるのを支援するプロセスである。 これまでの研究では、主にAPIレコメンデーションをレコメンデーションタスクとしてモデル化していた。 ニューラルネットワーク翻訳研究領域に動機づけられたこの問題を生成タスクとしてモデル化することができる。 提案手法は,プロンプト学習に基づく新しいアプローチAPIComを提案し,そのプロンプトに応じてクエリに関連するAPIを生成する。
  論文  参考訳（メタデータ） (2023-09-13T15:31:50Z)
• Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
  現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。 現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。 我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
  論文  参考訳（メタデータ） (2023-09-08T20:27:05Z)
• API-Miner: an API-to-API Specification Recommendation Engine [1.8352113484137629]
  API-MinerはAPI-to-API仕様推奨エンジンである。 OpenAPIで記述された関連する仕様コンポーネントを検索する。 定量的タスクと定性タスクの両方において,API-Minerを評価した。
  論文  参考訳（メタデータ） (2022-12-14T14:43:51Z)

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。