論文の概要: DBcover: A White-box SQL Test Generation Framework for Coverage Improvement

• arxiv url: http://arxiv.org/abs/2608.25573v1
• Date: Wed, 26 Aug 2026 09:36:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.702981
• Title: DBcover: A White-box SQL Test Generation Framework for Coverage Improvement
• Title（参考訳）: DBcover: カバレッジ改善のためのホワイトボックスSQLテスト生成フレームワーク
• Abstract要約: データベース管理システム(RDBMS)は、信頼性と堅牢性を重要視する、現代の集中型アプリケーションのバックボーンである。 RDBMSテストにおいて高い堅牢性を実現するために,文脈推論に基づくDBcoverを提案する。 DBcoverはエンタープライズRDBMS KingbaseESで有効であり、クローズドソースシステムに適用可能であることを実証している。
• 参考スコア（独自算出の注目度）: 16.270220616941277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relational Database Management Systems (RDBMSs) are the backbone of modern data-intensive applications, making reliability and robustness critical. However, achieving high coverage in RDBMS testing remains challenging because of large codebases and complex execution logic. Traditional fuzzing relies on random SQL generation and cannot capture the correspondence between SQL inputs and internal execution paths, while symbolic execution suffers from prohibitive cost and scalability limitations. We propose DBcover, an LLM-driven white-box SQL test generation framework based on contextual reasoning. DBcover uses lightweight dynamic analysis to extract SQL-to-path correspondence and call graphs as global context, and collects source-level information around target functions as local context. These contexts are organized in a unified knowledge graph for efficient retrieval and reuse. DBcover then performs two-phase test generation: it first selects a semantically relevant seed whose execution path is close to the uncovered target, and then guides the LLM with global and local context to generate SQL test cases that trigger previously uncovered code regions. Experiments show that DBcover achieves 80.1% and 82.3% coverage on PostgreSQL and MySQL, and is also effective on the enterprise RDBMS KingbaseES, demonstrating its practical applicability to closed-source systems.
• Abstract（参考訳）: リレーショナルデータベース管理システム(RDBMS)は、現代のデータ集約型アプリケーションのバックボーンであり、信頼性と堅牢性を重要視している。 しかし、大規模なコードベースと複雑な実行ロジックのため、RDBMSテストで高いカバレッジを達成することは依然として困難である。 従来のファジィングはランダムなSQL生成に依存しており、SQL入力と内部実行パスの対応を捉えることはできない。 文脈推論に基づくLLM駆動のWhite-box SQLテスト生成フレームワークであるDBcoverを提案する。 DBcoverは軽量な動的解析を使用して、SQL-to-path対応を抽出し、グラフをグローバルコンテキストとして呼び出し、ターゲット関数に関するソースレベル情報をローカルコンテキストとして収集する。 これらのコンテキストは、効率的な検索と再利用のための統合知識グラフとして整理される。 次にDBcoverは、2フェーズのテスト生成を実行する。まず、実行パスが未発見のターゲットに近いセマンティックな関連シードを選択し、次にグローバルとローカルのコンテキストでLLMをガイドして、これまで発見されていなかったコードリージョンをトリガーするSQLテストケースを生成する。 実験によると、DBcoverはPostgreSQLとMySQLの80.1%と82.3%のカバレッジを達成しており、エンタープライズRDBMS KingbaseESでも有効であり、クローズドソースシステムへの実用性を示している。

関連論文リスト

• PExA: Parallel Exploration Agent for Complex Text-to-SQL [7.282500754945626]
  LLMベースのテキスト・トゥ・テキストのエージェントはレイテンシー・パフォーマンスのトレードオフに悩まされることが多い。 ソフトウェアテストカバレッジのレンズ内でテキストからテキストへの生成を再構成する。 我々は、テキストからテキストへの最新ベンチマークであるSpider 2.0で、70.2%の精度で新しい最先端ベンチマークを達成し、我々のフレームワークを検証した。
  論文  参考訳（メタデータ） (2026-04-24T18:12:14Z)
• Bridging Global Intent with Local Details: A Hierarchical Representation Approach for Semantic Validation in Text-to-SQL [30.78817492504152]
  HEROは、グローバルな意図と局所的な詳細を統合する階層的な表現アプローチである。 我々はNested Message Passing Neural Network (NMPNN) を用いて、関係スキーマ誘導セマンティクスにおける固有情報をキャプチャする。 提案手法は既存の最先端手法よりも優れており,AUPRCの9.40%,AUROCの12.35%が意味的不整合を識別している。 きめ細かいセマンティックエラーを検出し、よりきめ細かいフィードバックで大きな言語モデルを提供し、最終的にはデータクエリプラットフォームの信頼性と解釈性を高めます。
  論文  参考訳（メタデータ） (2025-12-28T02:25:33Z)
• Companion Agents: A Table-Information Mining Paradigm for Text-to-SQL [8.159121916366727]
  BIRDのような大規模テキスト・ツー・キュレートのベンチマークは通常、利用可能な外部知識だけでなく、完全で正確なデータベースアノテーションを前提としている。 このミスマッチはドメイン・オブ・ザ・ドメイン・テキスト・トゥ・アーティファクトシステムの現実的な適用性を著しく制限する。 本稿では,関係データベースに内在する固有できめ細かな情報を活用するデータベース中心の手法を提案する。
  論文  参考訳（メタデータ） (2025-12-17T07:11:55Z)
• Text-to-SQL as Dual-State Reasoning: Integrating Adaptive Context and Progressive Generation [54.53145282349042]
  DSR-sourced, textbfDual-textbfS textbfReasoning frameworkを導入する。 ポストトレーニングやインコンテキストの例がなければ、DSR-sourcedは競合性能を達成し、スパイダー2.0-Snowで35.28%、BIRD開発で68.32%に達する。
  論文  参考訳（メタデータ） (2025-11-26T13:52:50Z)
• From Queries to Insights: Agentic LLM Pipelines for Spatio-Temporal Text-to-SQL [8.496933324334167]
  本研究では,MistralをベースとしたRellama-sqlcoder-8bによるオーケストレーションにより,簡単なテキストからActまでのベースライン(Rellama-sqlcoder-8b)を提案する。 ニューヨークと東京のチェックインで35の自然言語クエリを評価し,空間的・時間的マルチデータセット推論について検討した。 このエージェントは、データセット 91.4% 対 28.6% よりもかなり精度が高く、地図によるユーザビリティを高め、自然言語の要約を構造化する。
  論文  参考訳（メタデータ） (2025-10-29T22:18:57Z)
• SQLord: A Robust Enterprise Text-to-SQL Solution via Reverse Data Generation and Workflow Decomposition [8.468281360094181]
  オープンソースのデータセットでトレーニングされた既存のフレームワークは、複雑なビジネスロジックに苦労する。 評価手法は、実際のシナリオでは不十分なアノテートされたデータ環境を必要とすることが多い。 これらの課題に対処するエンタープライズレベルのNL2フレームワークであるSQLordを提案する。 これは、世界最大のB2Beコマースプラットフォーム上で、複数のシナリオにまたがってうまく適用されている。
  論文  参考訳（メタデータ） (2025-07-14T08:16:55Z)
• RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
  本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。 ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。 提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
  論文  参考訳（メタデータ） (2024-10-31T16:22:26Z)
• Text-to-SQL Empowered by Large Language Models: A Benchmark Evaluation [76.76046657162306]
  大規模言語モデル(LLM)はテキスト・ツー・タスクの新しいパラダイムとして登場した。 大規模言語モデル(LLM)はテキスト・ツー・タスクの新しいパラダイムとして登場した。
  論文  参考訳（メタデータ） (2023-08-29T14:59:54Z)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• UNITE: A Unified Benchmark for Text-to-SQL Evaluation [72.72040379293718]
  テキスト・ツー・ドメイン・システムのためのUNIfiedベンチマークを導入する。 公開されているテキストからドメインへのデータセットと29Kデータベースで構成されている。 広く使われているSpiderベンチマークと比較すると、SQLパターンの3倍の増加が紹介されている。
  論文  参考訳（メタデータ） (2023-05-25T17:19:52Z)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)

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。