論文の概要: GraphQLify: Automated and Type Safety-Preserving GraphQL API Adoption

• arxiv url: http://arxiv.org/abs/2604.15465v1
• Date: Thu, 16 Apr 2026 18:30:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.62358
• Title: GraphQLify: Automated and Type Safety-Preserving GraphQL API Adoption
• Title（参考訳）: GraphQLify: GraphQL API採用の自動化と型安全性保護
• Authors: Saleh Amareen, Arif Rahman, Sazzadur Rahaman, Amiangshu Bosu,
• Abstract要約: 本稿では、既存のREST APIを移行するための自動化フレームワークであるifyを紹介します。 エンドツーエンドの型安全性を保証する仕様を生成する。 100%のAPIを型ミスマッチで変換することに成功しました。
• 参考スコア（独自算出の注目度）: 2.8452279693744518
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: GraphQL provides a schema-based, strongly typed query language that enables highly efficient client-server communication. This paper introduces GraphQLify, an automated framework designed to migrate existing REST APIs to GraphQL. Unlike prior approaches that rely on relational databases, resource description frameworks (RDF), or machine-parsable specifications, GraphQLify leverages static source code analysis for precise type inference. This novel technique generates GraphQL schemas that guarantee end-to-end type safety, preserving a core advantage of adopting GraphQL. Furthermore, existing migration tools typically generate separate adapter servers, which introduce performance overhead via dynamic request binding and network latency. GraphQLify eliminates this by generating an embedded server that directly invokes the underlying API code, significantly improving performance. We evaluated GraphQLify on 834 APIs across nine popular open-source projects, where it successfully converted 100% of the APIs with zero type mismatches. In contrast, the current state-of-the-art tool, OASGraph, exhibited a 3.5% failure rate and a 42% type mismatch rate on the same dataset. Finally, our performance evaluation demonstrates that for workflows requiring five sequential API calls, clients using GraphQLify reduce data fetching time by a factor of 2 to 4 compared to their REST counterparts.
• Abstract（参考訳）: GraphQLはスキーマベースで強く型付けされたクエリ言語を提供する。 本稿では、既存のREST APIをGraphQLに移行するように設計された、自動フレームワークであるGraphQLifyを紹介する。 リレーショナルデータベースやリソース記述フレームワーク(RDF)、あるいはマシンパース可能な仕様に依存する従来のアプローチとは異なり、GraphQLifyは静的ソースコード解析を利用して正確な型推論を行う。 この新しいテクニックは、エンドツーエンドの型安全性を保証するGraphQLスキーマを生成する。 さらに、既存のマイグレーションツールは、一般的に別のアダプタサーバを生成し、動的リクエストバインディングとネットワークレイテンシによるパフォーマンスオーバーヘッドを発生させる。 GraphQLifyは、基盤となるAPIコードを直接呼び出す組み込みサーバを生成することでこれを排除し、パフォーマンスを大幅に改善する。 GraphQLifyを9つの人気のあるオープンソースプロジェクトで834のAPIで評価し、100%のAPIを型ミスマッチゼロで変換することに成功しました。 対照的に、現在の最先端ツールであるOASGraphは、同じデータセット上で3.5%の障害率と42%の型ミスマッチレートを示した。 最後に、パフォーマンス評価では、5つのシーケンシャルなAPI呼び出しを必要とするワークフローの場合、GraphQLifyを使用するクライアントは、RESTの呼び出しに比べてデータのフェッチ時間を2倍から4倍に短縮します。

関連論文リスト

• GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation [47.014599006114594]
  GraphERはグラフベースのエンリッチメントとリグレードメソッドで、セマンティックな類似性を超えた、複数の形式の近接をキャプチャする。 知識グラフを必要としないため、GraphERは標準的なベクトルストアとシームレスに統合できる。 複数のベンチマーク実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-26T01:30:22Z)
• PrediQL: Automated Testing of GraphQL APIs with LLMs [5.239518018302244]
  PrediQLは、API用の最初の検索拡張LLMガイダンスファザである。 セマンティックに有効で多様なクエリを生成する。 コンテキスト対応の脆弱性検出装置を統合する。
  論文  参考訳（メタデータ） (2025-10-12T01:49:45Z)
• HDLxGraph: Bridging Large Language Models and HDL Repositories via HDL Graph Databases [57.51078142561683]
  大規模言語モデル(LLM)は、ハードウェア設計タスクにおいてその可能性を実証している。 しかし、実際のリポジトリレベルのHDLプロジェクトでのパフォーマンスは、数千から数万のコード行で妨げられています。 グラフ検索拡張生成(Graph RAG)とLLMを統合する新しいフレームワークであるHDLxGraphを提案する。
  論文  参考訳（メタデータ） (2025-05-21T16:14:10Z)
• GraphQLer: Enhancing GraphQL Security with Context-Aware API Testing [12.862760373064342]
  APIは、Webアプリケーションのためのオープンソースのクエリおよび操作言語であり、APIの柔軟な代替手段を提供する。 不正なデータアクセス、DoS(DoS)攻撃、インジェクションなどの脆弱性に公開する。 既存のテストツールは、依存関係と実行コンテキストから生じるセキュリティリスクを見渡すことで、機能の正しさに重点を置いている。 本論文は,APIのコンテキスト対応型セキュリティエスカレーションテストフレームワークである。
  論文  参考訳（メタデータ） (2025-04-17T21:58:15Z)
• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• GraphQL Adoption and Challenges: Community-Driven Insights from StackOverflow Discussions [1.3999481573773076]
  APIは、クライアントサーバアーキテクチャのためのクエリ言語およびWebアプリケーションプログラミングインターフェース(API)である。 我々の結果は、クライアントとサーバがSOに関する議論を惹きつける2つのアーキテクチャレイヤであることを示している。
  論文  参考訳（メタデータ） (2024-08-15T18:08:13Z)
• Joint Entity and Relation Extraction with Span Pruning and Hypergraph Neural Networks [58.43972540643903]
  PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。 エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。 EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-10-26T08:36:39Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• Learning GraphQL Query Costs (Extended Version) [7.899264246319001]
  本稿では,クエリコストを効率的に正確に推定する機械学習手法を提案する。 我々のフレームワークは効率的で、クエリコストを高い精度で予測し、静的解析を大きなマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2021-08-25T09:18:31Z)

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。