論文の概要: Detecting and Mitigating Flakiness in REST API Fuzzing

• arxiv url: http://arxiv.org/abs/2603.28452v1
• Date: Mon, 30 Mar 2026 13:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.428977
• Title: Detecting and Mitigating Flakiness in REST API Fuzzing
• Title（参考訳）: REST APIファジィにおけるフレキネスの検出と緩和
• Authors: Man Zhang, Chongyang Shen, Andrea Arcuri, Tao Yue,
• Abstract要約: テストのフレキネスは業界で一般的な問題であり、自動ビルドとテストの信頼性を妨げる。 本稿では,広く採用されているREST APIファザのひとつであるEvoMasterが生成するテストのフレキネスについて検討する。 我々はFrakyCatchを提案し、REST APIにおけるフレキネスを検出して緩和し、その性能を実証的に評価する。
• 参考スコア（独自算出の注目度）: 4.776277792008019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test flakiness is a common problem in industry, which hinders the reliability of automated build and testing workflows. Most existing research on test flakiness has primarily focused on unit and small-scale integration tests. In contrast, flakiness in system-level testing such as REST APIs are comparatively under-explored. A large body of literature has been dedicated to the topic of fuzzing REST APIs, whereas relatively little attention has been paid to detecting and possibly mitigating negative effects of flakiness in this context. To fill this major gap, in this paper, we study the flakiness of tests generated by one of the popularly applied REST API fuzzer in the literature, namely EvoMaster, conduct empirical studies with a corpus of 36 REST APIs to understand flakiness of REST APIs. Based on the results of the empirical studies, we categorize and analyze flakiness sources by inspecting near 3000 failing tests. Based on the understanding, we propose FlakyCatch to detect and mitigate flakiness in REST APIs and empirically evaluate its performance. Results show that FlakyCatch is effective in detecting and handling flakiness in tests generated by white-box and black-box fuzzers.
• Abstract（参考訳）: テストのフレキネスは業界で一般的な問題であり、自動ビルドとテストのワークフローの信頼性を妨げる。 テストのフレキネスに関する既存の研究のほとんどは、単体および小規模の統合テストに重点を置いている。 対照的に、REST APIのようなシステムレベルのテストのフレキネスは、比較的過小評価されている。 REST APIのファジィングというトピックに多くの文献が注がれていますが、このコンテキストにおけるフレキネスのネガティブな影響の検出と軽減には、比較的注意が払われていません。 この大きなギャップを埋めるために、本稿では、文献で広く使われているREST APIファザのひとつ、すなわちEvoMasterによって生成されたテストのフレキネスを調査し、36のREST APIのコーパスを使用して、REST APIのフレキネスを理解する。 実験結果に基づいて,3000点近い故障試験を検査し,フレキネス源の分類と解析を行った。 この理解に基づいて、REST APIにおけるフレキネスを検出し、緩和し、そのパフォーマンスを実証的に評価するFrakyCatchを提案する。 以上の結果から,FrakyCatchはホワイトボックスおよびブラックボックスファザによって生成された試験において,フレキネスの検出および処理に有効であることが示唆された。

関連論文リスト

• Test Amplification for REST APIs via Single and Multi-Agent LLM Systems [1.6499388997661122]
  既存のREST APIテストスイートを増幅するために,単一エージェントとマルチエージェントのセットアップである大規模言語モデル(LLM)システムについて検討する。 本稿では, テストカバレッジ, バグ検出の有効性, 計算コストやエネルギー使用量など, 様々な側面における2つのアプローチの比較検討を行う。
  論文  参考訳（メタデータ） (2025-04-10T20:19:50Z)
• LlamaRestTest: Effective REST API Testing with Small Language Models [50.058600784556816]
  LlamaRestTestは、2つのLLM(Large Language Models)を使って現実的なテストインプットを生成する新しいアプローチである。 私たちは、GPTを使った仕様強化ツールであるRESTGPTなど、最先端のREST APIテストツールに対して、これを評価しています。 私たちの研究は、REST APIテストにおいて、小さな言語モデルは、大きな言語モデルと同様に、あるいは、より良く機能することができることを示しています。
  論文  参考訳（メタデータ） (2025-01-15T05:51:20Z)
• A Multi-Agent Approach for REST API Testing with Semantic Graphs and LLM-Driven Inputs [46.65963514391019]
  私たちは、REST APIテストに依存性組み込みのマルチエージェントアプローチを採用する最初のブラックボックスツールであるAutoRestTestを紹介します。 このアプローチでは、REST APIテストを分離可能な問題として扱い、4人のエージェントがAPI探索を最適化するために協力します。 12の現実世界のRESTサービス上でのAutoRestTestの評価は、主要な4つのブラックボックスREST APIテストツールよりも優れています。
  論文  参考訳（メタデータ） (2024-11-11T16:20:27Z)
• Model Equality Testing: Which Model Is This API Serving? [59.005869726179455]
  APIプロバイダは、基本モデルの定量化、透かし、微調整を行い、出力分布を変更することができる。 モデル平等テスト(Model Equality Testing)は,2サンプルテスト問題である。 単純な文字列カーネル上に構築されたテストは、歪みの範囲に対して77.4%の中央値を達成する。
  論文  参考訳（メタデータ） (2024-10-26T18:34:53Z)
• Reinforcement Learning-Based REST API Testing with Multi-Coverage [4.127886193201882]
  MUCORESTは、Qラーニングを利用してコードカバレッジと出力カバレッジを最大化する、新しい強化学習(RL)ベースのAPIテストアプローチである。 MUCORESTは、発見されたAPIバグの数で、最先端のAPIテストアプローチを11.6-261.1%上回っている。
  論文  参考訳（メタデータ） (2024-10-20T14:20:23Z)
• Do Test and Environmental Complexity Increase Flakiness? An Empirical Study of SAP HANA [47.29324864511411]
  不安定なテストはコードの変更なしにランダムに失敗する。 テストの特徴と,テストのフレキネスに影響を与える可能性のあるテスト環境について検討する。
  論文  参考訳（メタデータ） (2024-09-16T07:52:09Z)
• FuzzTheREST: An Intelligent Automated Black-box RESTful API Fuzzer [0.0]
  この作業では、脆弱性検出にReinforcement Learning(RL)を使用しているファジィテストツールのブラックボックスAPIを導入している。 このツールは6つのユニークな脆弱性を発見し、55%のコードカバレッジを達成した。
  論文  参考訳（メタデータ） (2024-07-19T14:43:35Z)
• FlaKat: A Machine Learning-Based Categorization Framework for Flaky Tests [3.0846824529023382]
  不安定なテストは、ソフトウェアシステムに変更を加えることなく、非決定的に通過または失敗する可能性がある。 State-of-the-art Researchは、機械学習ソリューションを不安定なテスト検出に取り入れ、合理的に優れた精度を達成する。
  論文  参考訳（メタデータ） (2024-03-01T22:00:44Z)

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。