論文の概要: Context-Aware Generative AI for Automated Telecom Test Script Generation
- arxiv url: http://arxiv.org/abs/2606.21151v1
- Date: Fri, 19 Jun 2026 06:44:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 07:58:00.925042
- Title: Context-Aware Generative AI for Automated Telecom Test Script Generation
- Title（参考訳）: 自動テレコムテストスクリプト生成のためのコンテキスト認識型生成AI
- Authors: Gautam Prasad, Chandramohan T. N., Joy Bose,
- Abstract要約: 既存のソリューションは、システムのスナップショットに対して静的テストスイートを生成する。
コード、構成、トポロジ、キーパフォーマンスインジケータ(KPI)が進化するにつれて、これらのテストはすぐに時代遅れになるか、ライブシステムと不一致になる。
本稿では,自動テレコムテストスクリプト生成のためのコンテキスト認識型生成AIフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0024792470319550896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated test generation for telecom software systems and networks has advanced significantly with the adoption of machine learning and rule-based approaches. However, most existing solutions generate static test suites against a snapshot of the system; as code, configurations, topologies, and key performance indicators (KPIs) evolve, these tests quickly become outdated or misaligned with the live system. There is currently no widely adopted solution that continuously detects fine-grained changes and selectively adapts only the affected tests without regenerating entire test suites. This paper presents a context-aware generative AI framework for automated telecom test script generation that treats testing as a continuously adapting process driven by the current state of the system rather than a static artifact. The central contribution is delta-conditioned test generation over a live knowledge graph: our approach employs a continuously updated knowledge graph (KG) as a single source of truth, a delta engine for fine-grained change detection, and a KG-guided generative AI agent, operating via the Model Context Protocol (MCP), to create, update, or retire test cases automatically. We further integrate Retrieval-Augmented Generation (RAG) to enrich reasoning with telecom-domain knowledge and historical artifacts. We demonstrate applicability across software-system and telecom-network use cases, including a Python-based KPI monitoring application managed in GitLab, and show how the framework reduces manual effort, improves test relevance, and accelerates test cycles.
- Abstract（参考訳）: テレコムソフトウェアシステムとネットワークの自動テスト生成は、機械学習とルールベースのアプローチを採用することで大幅に進歩した。
しかし、既存のほとんどのソリューションは、システムのスナップショットに対して静的テストスイートを生成する。コード、設定、トポロジ、キーパフォーマンスインジケータ(KPI)が進化するにつれて、これらのテストはすぐに時代遅れになるか、ライブシステムと不一致になる。
現在、詳細な変更を継続的に検出し、テストスイート全体を再生することなく、影響を受けるテストのみを選択的に適応する、広く採用されているソリューションはありません。
本稿では,テストが静的アーティファクトではなく,システムの現在の状態によって駆動される継続的適応プロセスとして扱う,自動テレコムテストスクリプト生成のためのコンテキスト認識型生成AIフレームワークを提案する。
私たちのアプローチでは、継続的に更新された知識グラフ(KG)を真実のソースとして、きめ細かい変更検出のためのデルタエンジンと、モデルコンテキストプロトコル(MCP)を介して動作するKG誘導型生成AIエージェントを使用して、テストケースを自動生成、更新、または廃止する。
我々はさらに、テレコムドメイン知識と歴史的アーティファクトとの推論を充実させるために、レトリーバル拡張世代(RAG)を統合する。
GitLabで管理されているPythonベースのKPI監視アプリケーションを含む、ソフトウェアシステムと通信ネットワークのユースケースに適用性を示し、このフレームワークが手作業の削減、テスト関連性の向上、テストサイクルの高速化について示す。
関連論文リスト
- WebTestBench: Evaluating Computer-Use Agents towards End-to-End Automated Web Testing [57.7131457251794]
エンドツーエンドの自動Webテストを評価するベンチマークであるWebTestBenchを紹介します。
テストプロセスを2つのカスケードサブタスク、チェックリストの生成と欠陥検出に分解し、WebTesterを提案する。
以上の結果から,現在のコンピュータ利用エージェント能力と産業レベルの展開要求との間に大きなギャップがあることが判明した。
論文 参考訳（メタデータ） (2026-03-26T09:27:29Z) - TTCS: Test-Time Curriculum Synthesis for Self-Evolving [47.826209735956716]
テストタイムトレーニングは、大きな言語モデルの推論能力を改善するための有望な方法を提供する。
テスト時間トレーニングフレームワークTTCSを提案する。
TTCSは,挑戦的な数学ベンチマークにおける推論能力を一貫して強化することを示す。
論文 参考訳（メタデータ） (2026-01-30T06:38:02Z) - The Rise of Agentic Testing: Multi-Agent Systems for Robust Software Quality Assurance [0.0]
現在のAIベースのテストジェネレータは、実行意識のフィードバックがないため、無効、冗長、あるいは実行不可能なテストを生成する。
本稿では,テスト生成エージェント,実行・分析エージェント,レビュー・最適化エージェントが協調してテストの生成,実行,解析,精査を行う,クローズドループの自己修正システムを提案する。
論文 参考訳（メタデータ） (2026-01-05T18:20:14Z) - ATGen: Adversarial Reinforcement Learning for Test Case Generation [78.48498301767079]
大きな言語モデル(LLM)はコード生成に優れていますが、その出力には微妙なバグが伴います。
既存のテスト生成方法は静的データセットに依存している。
我々は,対戦型強化学習を通じてテストケースジェネレータを訓練するフレームワークであるATGenを紹介する。
論文 参考訳（メタデータ） (2025-10-16T12:49:25Z) - EvoTest: Evolutionary Test-Time Learning for Self-Improving Agentic Systems [59.66823584073748]
現在のAIエージェントの基本的な制限は、テスト時に複雑なスキルをその場で学べないことだ。
EvoTestは,エージェントの微調整や勾配を伴わずにエージェントを改良する,進化的テストタイム学習フレームワークである。
論文 参考訳（メタデータ） (2025-10-15T07:16:28Z) - Breaking Barriers in Software Testing: The Power of AI-Driven Automation [0.0]
本稿では、自然言語処理(NLP)、強化学習(RL)、予測モデルを用いたテストケース生成と検証を自動化するAI駆動フレームワークを提案する。
ケーススタディでは、欠陥の検出、テストの労力の削減、リリースサイクルの高速化が測定可能な向上を示している。
論文 参考訳（メタデータ） (2025-08-22T01:04:50Z) - AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。
以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
論文 参考訳（メタデータ） (2024-11-02T13:24:30Z) - Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。
我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
論文 参考訳（メタデータ） (2024-03-11T17:28:46Z) - Nirikshak: A Clustering Based Autonomous API Testing Framework [0.0]
Nirikshakは、REST APIテストのための自立テストフレームワークである。
REST APIテスト手順の実行において、レベル2の自律性を達成する。
Nirikshakはコミュニティ向けのオープンソースソフトウェアとしてhttps://github.com/yashmahalwal/nirikshakで公開されている。
論文 参考訳（メタデータ） (2021-12-15T18:05:27Z) - Data Driven Testing of Cyber Physical Systems [12.93632948681342]
そこで本研究では,CPSの故障防止テストケースを自動生成する手法を提案する。
スマートな建物を管理するアプリケーションから収集されたデータは、環境のモデルを学ぶために使われてきた。
論文 参考訳（メタデータ） (2021-02-23T04:55:10Z) - Reinforcement Learning for Test Case Prioritization [0.24366811507669126]
本稿では,強化学習をテスト戦略に応用する最近の研究について述べる。
我々は、金融機関から抽出された新たなデータに基づいて、新しい環境に適応する能力をテストする。
また,記憶表現のモデルとして決定木(DT)近似器を用いた影響についても検討した。
論文 参考訳（メタデータ） (2020-12-18T11:08:20Z)
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。