論文の概要: Operationalizing Property-Based Testing for Data-Intensive Scalable Computing Systems

• arxiv url: http://arxiv.org/abs/2606.11132v1
• Date: Tue, 09 Jun 2026 17:25:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.069662
• Title: Operationalizing Property-Based Testing for Data-Intensive Scalable Computing Systems
• Title（参考訳）: データ集約型スケーラブルコンピューティングシステムのための特性ベーステストの運用
• Authors: Yaoxuan Wu, Ingrid Lee, Ahmad Humayun, Muhammad Ali Gulzar, Miryung Kim,
• Abstract要約: 我々は Apache Spark 用のプロパティベースのテストエンジンである DiscPBT について紹介する。 DiscPBTは、有効なワークロードスケルトンと入力データを合成するための再利用可能なジェネレータを提供する。 PySparkに対する我々の評価は、DiscPBTがCometFuzzよりも1.2$times$高いブランチカバレッジと1153$times$大きなプラン多様性を達成したことを示している。
• 参考スコア（独自算出の注目度）: 10.320090898376495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While fuzzing effectively catches crashes, its shallow oracles often miss semantic drifts and optimization-related errors in data-intensive scalable computing (DISC) frameworks. Property-based testing (PBT) addresses this limitation by checking general semantic invariants across diverse workloads and inputs, rather than relying on specific expected outputs. However, systematically operationalizing PBT for DISC systems remains difficult because it requires both reusable property definitions and effective instantiation into valid workloads and data. We present DiscPBT, a property-based testing engine for Apache Spark. DiscPBT introduces eight reusable meta-properties for DISC semantic testing, spanning equivalence rewriting, data decomposition, computation decomposition, and operator-local semantic relations. To operationalize these meta-properties, DiscPBT provides reusable generators for synthesizing valid workload skeletons and input data, together with an instantiation framework that realizes each meta-property in schema-compatible contexts through compatible operators, expressions, and UDFs. Our evaluation on PySpark shows that DiscPBT achieves 1.2$\times$ higher branch coverage and 1153$\times$ greater plan diversity than CometFuzz. Across 66 concrete properties, DiscPBT reveals cross-version semantic drift as well as subtle corner-case pitfalls involving NaN and empty inputs, that are not captured by crash-based fuzzing alone. These results demonstrate the value of systematic PBT for uncovering semantic issues in DISC frameworks.
• Abstract（参考訳）: ファジィングはクラッシュを効果的にキャッチするが、その浅いオラクルはデータ集約型スケーラブルコンピューティング(DISC)フレームワークにおけるセマンティックドリフトや最適化関連のエラーを見逃すことが多い。 プロパティベースのテスト(PBT)は、特定の期待される出力に頼るのではなく、さまざまなワークロードやインプットにまたがる一般的なセマンティック不変性をチェックすることで、この制限に対処する。 しかし、再利用可能なプロパティ定義と有効なワークロードとデータへの効率的なインスタンス化の両方を必要とするため、 DisC システムのための PBT を体系的に運用することは依然として困難である。 我々は Apache Spark 用のプロパティベースのテストエンジンである DiscPBT について紹介する。 DiscPBTは、disCセマンティックテストのための再利用可能な8つのメタプロパティ、同値書き換え、データ分解、計算分解、演算子ローカルセマンティックリレーションを導入している。 これらのメタプロパティを運用するために、DiscPBTは、有効なワークロードスケルトンと入力データを合成するための再利用可能なジェネレータと、互換性のある演算子、式、UDFを通じてスキーマ互換のコンテキストでそれぞれのメタプロパティを実現するインスタンス化フレームワークを提供する。 PySparkに対する我々の評価は、DiscPBTがCometFuzzよりも1.2$\times$高いブランチカバレッジと1153$\times$大きなプラン多様性を達成したことを示している。 66の具体的な特性の中で、ディスクPBTはクロスバージョンセマンティックドリフトと、NaNと空の入力を含む微妙なコーナーケースの落とし穴を、クラッシュベースのファジリングだけでは捉えられない。 これらの結果は,disCフレームワークにおける意味的問題を明らかにする上で,体系的PBTの価値を示すものである。

関連論文リスト

• Causal Parametric Drift Simulation: A Digital Twin Framework for Classifier Robustness Evaluation [0.0]
  動的環境における機械学習の分類器は、コンセプトドリフトに直面している。 構造因果モデルを用いて既存のドリフト検出を補完するフレームワークをDigital Twinsとして提案する。 我々の手法であるCausal Parametric Drift Simulation, stress-tests classifications to identify vulnerabilities before deployment。
  論文  参考訳（メタデータ） (2026-05-10T17:28:49Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Generating Highly Structured Test Inputs Leveraging Constraint-Guided Graph Refinement [4.121384394709256]
  本研究では,グラフベース表現を用いて,構造化ドメインに対するテスト入力を統一できるかどうかを検討する。 我々は,8つのAIシステムにおける入力妥当性とセマンティックな保存性を高めるために,このアプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2025-07-28T18:54:04Z)
• Label-shift robust federated feature screening for high-dimensional classification [14.252760098879186]
  本稿では,既存のスクリーニング手法を統一する汎用フレームワークを提案し,ラベルシフト型ロバストな機能スクリーニング(LR-FFS)を提案する。 この枠組みに基づいて、LR-FFSは条件分布関数と期待値を活用し、計算負荷を加えることなくラベルシフトに対処する。 LR-FFSの各種クライアント環境における優れた性能を示す実験結果と理論的解析を行った。
  論文  参考訳（メタデータ） (2025-05-31T04:14:49Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。