論文の概要: Uncovering Business Logic Bugs via Semantics-Driven Unit Test Generation
- arxiv url: http://arxiv.org/abs/2604.23509v1
- Date: Sun, 26 Apr 2026 03:06:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.401867
- Title: Uncovering Business Logic Bugs via Semantics-Driven Unit Test Generation
- Title（参考訳）: セマンティック駆動ユニットテスト生成によるビジネス論理バグの発見
- Authors: Chen Yang, Junjie Chen,
- Abstract要約: SeGaは、ビジネスロジックのバグを明らかにするためのセマンティクス駆動のユニットテスト生成技術である。
実世界60のビジネスロジックバグを含む4つの産業GoプロジェクトでSeGaを評価した。
- 参考スコア（独自算出の注目度）: 8.933871030119548
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Business logic bugs violate intended business semantics and are particularly prevalent in enterprise software. Yet most existing unit test generation techniques are code-centric, making such bugs difficult to expose. We present SeGa, a semantics-driven unit test generation technique for uncovering business logic bugs. SeGa constructs a semantic knowledge base from product requirement documents, represented as a set of functionality entries that group related requirements under a common business intent. Given a focal method, SeGa retrieves the relevant functionality entries and derives fine-grained business scenarios with explicit preconditions, triggering actions, expected outcomes, and semantic constraints to guide LLM-based test generation. We evaluate SeGa on four industrial Go projects containing 60 real-world business logic bugs. SeGa detects 22-25 more bugs than four state-of-the-art LLM-based techniques and improves precision by 26.9%-34.3%. Deployment across 6 production repositories further uncovers 16 previously unknown business logic bugs that were confirmed and fixed by developers. From our industrial study, we summarize a series of lessons and suggestions for practical use and future research.
- Abstract（参考訳）: ビジネス・ロジックのバグはビジネス・セマンティクスに反し、特にエンタープライズ・ソフトウェアで発生する。
しかし、既存のユニットテスト生成技術のほとんどはコード中心であり、そのようなバグを公開するのが難しくなっています。
本稿では,セマンティクス駆動型単体テスト生成技術であるSeGaについて述べる。
SeGaは製品要求文書からセマンティックナレッジベースを構築し、共通のビジネス意図の下で関連する要求をグループ化する一連の機能エントリとして表現します。
フォーカスメソッドが与えられた後、SeGaは関連する機能エントリを検索し、明示的な前提条件、トリガーアクション、期待される結果、セマンティック制約できめ細かいビジネスシナリオを導出し、LCMベースのテスト生成をガイドします。
実世界60のビジネスロジックバグを含む4つの産業GoプロジェクトでSeGaを評価した。
SeGaは4つの最先端のLCMベースの技術よりも22-25のバグを検出し、精度を26.9%から34.3%向上させた。
6つのプロダクションリポジトリにデプロイすることで、開発者が確認し修正した16の既知のビジネスロジックバグがさらに明らかになった。
産業研究から,実践的利用と今後の研究に関する一連の教訓と提案を要約する。
関連論文リスト
- Improved Bug Localization with AI Agents Leveraging Hypothesis and Dynamic Cognition [0.9298382208776371]
ソフトウェアバグは技術提供者(AT&Tなど)に毎年数十億ドルを費やし、開発者はバグ解決に約50%を費やしている。
従来のバグローカライゼーションの手法は、コードのコンポーネントを分離して不審さを分析することが多い。
大規模言語モデル(LLM)やエージェントAI技術の最近の進歩は、強力な潜在的なコード理解を示す一方で、コード探索中に因果推論を欠いている。
我々は、因果推論、コールグラフベースの根本原因分析、コンテキストが可能な複数のAIエージェントによる上記の制限を克服する、バグローカライゼーションのための新しいエージェントテクニック、CogniGentを提案する。
論文 参考訳（メタデータ） (2026-01-18T18:12:21Z) - BugPilot: Complex Bug Generation for Efficient Learning of SWE Skills [59.003563837981886]
高品質なバグは、次世代の言語モデルベースソフトウェアエンジニアリング(SWE)エージェントをトレーニングする鍵となる。
難易度および多種多様なバグを合成する新しい方法を提案する。
論文 参考訳（メタデータ） (2025-10-22T17:58:56Z) - From Benchmark Data To Applicable Program Repair: An Experience Report [1.6913109767046948]
本稿では,プログラムの自動修復へのアプローチについて述べる。
我々はこの目的を達成するために文学の様々な技法を組み合わせている。
実験の結果,我々の手法は標準ベンチマークの他の手法よりも優れていることがわかった。
綿密な検査では、これらのテクニックはいずれも、業界で見られる現実的な欠陥には効かない。
論文 参考訳（メタデータ） (2025-08-22T03:59:27Z) - BugScope: Learn to Find Bugs Like Human [9.05553442116139]
BugScopeは、人間の監査人が代表例から新しいバグパターンを学習し、コード監査中にその知識を適用する方法をエミュレートする。
BugScopeが87.04%の精度を達成したことを示す。
Linuxカーネルを含む大規模なオープンソースシステムのさらなるテストにより、これまで不明だった141のバグが明らかになった。
論文 参考訳（メタデータ） (2025-07-21T14:34:01Z) - CLOVER: A Test Case Generation Benchmark with Coverage, Long-Context, and Verification [71.34070740261072]
本稿では,テストケースの生成と完成におけるモデルの能力を評価するためのベンチマークCLOVERを提案する。
ベンチマークはタスク間でのコード実行のためにコンテナ化されています。
論文 参考訳（メタデータ） (2025-02-12T21:42:56Z) - Automated Refactoring of Non-Idiomatic Python Code: A Differentiated Replication with LLMs [54.309127753635366]
本研究は, GPT-4の有効性について検討し, 慣用行動の推奨と示唆について検討した。
この結果から,従来は複雑なコード解析に基づくレコメンデータの実装が求められていた,LCMの課題達成の可能性が浮き彫りになった。
論文 参考訳（メタデータ） (2025-01-28T15:41:54Z) - Exploring and Lifting the Robustness of LLM-powered Automated Program Repair with Metamorphic Testing [31.327835928133535]
大規模言語モデルを用いた自動プログラム修復(LAPR)技術は、最先端のバグ修正性能を達成した。
実際に展開する前に、LAPR技術で堅牢性テストを実施することが不可欠である。
LAPR技術専用のメタモルフィックテスティングフレームワークであるMT-LAPRを提案する。
論文 参考訳（メタデータ） (2024-10-10T01:14:58Z) - What's Wrong with Your Code Generated by Large Language Models? An Extensive Study [92.62952504133926]
本研究は,3つの一般的なベンチマーク上で,3つの主要なクローズドソースLLMと6つの人気のあるオープンソースLLMの性能評価を行った。
間違ったコードに対するバグの分類を開発し、一般的なバグタイプに対する根本原因を分析した。
本稿では,自己批判を導入し,LLMが生成したコードに対する批判と修正を可能にする,新たな学習自由反復手法を提案する。
論文 参考訳（メタデータ） (2024-07-08T17:27:17Z) - SORRY-Bench: Systematically Evaluating Large Language Model Safety Refusal [64.9938658716425]
SORRY-Benchは、安全でないユーザ要求を認識し拒否する大規模言語モデル(LLM)能力を評価するためのベンチマークである。
まず、既存の手法では、安全でないトピックの粗い分類を使い、いくつかのきめ細かいトピックを過剰に表現している。
第二に、プロンプトの言語的特徴とフォーマッティングは、様々な言語、方言など、多くの評価において暗黙的にのみ考慮されているように、しばしば見過ごされる。
論文 参考訳（メタデータ） (2024-06-20T17:56:07Z)
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。