論文の概要: Testing Storage-System Correctness: Challenges, Fuzzing Limitations, and AI-Augmented Opportunities

• arxiv url: http://arxiv.org/abs/2602.02614v1
• Date: Mon, 02 Feb 2026 11:34:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.980801
• Title: Testing Storage-System Correctness: Challenges, Fuzzing Limitations, and AI-Augmented Opportunities
• Title（参考訳）: ストレージシステムの正確性をテストする - 課題、ファジィ制限、AIの拡張された機会
• Authors: Ying Wang, Jiahui Chen, Dejun Jiang,
• Abstract要約: システムテストに関する何十年もの研究にもかかわらず、多くのストレージシステム障害は、体系的に公開することが難しいままである。 このサーベイでは、システムテストのストレージ中心のビューを採用し、対象とする実行特性と障害メカニズムに応じて既存のテクニックを整理する。
• 参考スコア（独自算出の注目度）: 3.6983656191474767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Storage systems are fundamental to modern computing infrastructures, yet ensuring their correctness remains challenging in practice. Despite decades of research on system testing, many storage-system failures (including durability, ordering, recovery, and consistency violations) remain difficult to expose systematically. This difficulty stems not primarily from insufficient testing tooling, but from intrinsic properties of storage-system execution, including nondeterministic interleavings, long-horizon state evolution, and correctness semantics that span multiple layers and execution phases. This survey adopts a storage-centric view of system testing and organizes existing techniques according to the execution properties and failure mechanisms they target. We review a broad spectrum of approaches, ranging from concurrency testing and long-running workloads to crash-consistency analysis, hardware-level semantic validation, and distributed fault injection, and analyze their fundamental strengths and limitations. Within this framework, we examine fuzzing as an automated testing paradigm, highlighting systematic mismatches between conventional fuzzing assumptions and storage-system semantics, and discuss how recent artificial intelligence advances may complement fuzzing through state-aware and semantic guidance. Overall, this survey provides a unified perspective on storage-system correctness testing and outlines key challenges
• Abstract（参考訳）: ストレージシステムは、現代のコンピューティング基盤の基本であるが、その正確性を保証することは、実際は困難である。 システムテストに関する何十年もの研究にもかかわらず、多くのストレージシステム障害(耐久性、順序付け、リカバリ、一貫性違反など)は、体系的に公開することが難しいままである。 この難しさは、主に不十分なテストツールではなく、非決定論的インターリーブ、長い水平状態の進化、複数のレイヤと実行フェーズにまたがる正当性セマンティクスを含む、ストレージシステム実行の本質的な特性に起因する。 このサーベイでは、システムテストのストレージ中心のビューを採用し、対象とする実行特性と障害メカニズムに応じて既存のテクニックを整理する。 並行性テストや長時間実行されるワークロードからクラッシュ一貫性分析、ハードウェアレベルのセマンティックバリデーション、分散フォールトインジェクションに至るまで、幅広いアプローチをレビューし、その基本的な強みと限界を分析します。 本フレームワークでは,ファジィングを自動テストパラダイムとして検討し,従来のファジィング仮定とストレージシステムセマンティクスの体系的ミスマッチを強調するとともに,最近の人工知能の進歩がファジィングを状態認識と意味指導によって補完する可能性について論じる。 全体として、この調査はストレージシステムの正当性テストに関する統一的な視点を提供し、重要な課題を概説する。

関連論文リスト

• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• SVeritas: Benchmark for Robust Speaker Verification under Diverse Conditions [54.34001921326444]
  話者検証(SV)モデルは、セキュリティ、パーソナライゼーション、アクセス制御システムにますます統合されている。 既存のベンチマークでは、これらの条件のサブセットのみを評価しており、他は完全に欠落している。 SVeritasは、録音時間、自発性、コンテンツ、ノイズ、マイクロホン距離、残響、チャンネルミスマッチ、オーディオ帯域幅、コーデック、話者年齢、スプーフィングおよび敵攻撃に対する感受性などのストレス下でのSVシステムの評価を行う総合的な話者検証タスクベンチマークスイートである。
  論文  参考訳（メタデータ） (2025-09-21T14:11:16Z)
• Penetration Testing and Legacy Systems [0.0]
  現在の企業ビジネスシステムの70%はレガシーアプリケーションである。 本稿は,レガシシステムを確保するために取るべき対策について,読者の理解を支援することを目的としている。
  論文  参考訳（メタデータ） (2023-12-17T19:51:22Z)
• Towards Learned Predictability of Storage Systems [0.0]
  ストレージシステムは、データセンターの基本的なビルディングブロックになっている。 ストレージの普及と関心にもかかわらず、信頼性のあるストレージシステムの設計と実装は依然として困難である。 ストレージシステムの予測可能性に向けて、近年様々なメカニズムとフィールド研究が提案されている。 3つの代表的な研究成果に基づき、この分野で機械学習をどのように適用すべきかを論じる。
  論文  参考訳（メタデータ） (2023-07-30T17:53:08Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Test and Evaluation Framework for Multi-Agent Systems of Autonomous Intelligent Agents [0.0]
  人工知能を組み込んだサイバー物理システムの複雑なアンサンブルのための統一的なテストと評価フレームワークを開発することの課題について考察する。 本稿では,開発ライフサイクルだけでなく,システムが学習し,適応するにつれて,テストと評価を実施できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-25T21:42:27Z)

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。