論文の概要: Detecting HTTP Status Code Misuses in REST APIs via Static and Dynamic Analysis
- arxiv url: http://arxiv.org/abs/2609.12770v1
- Date: Fri, 11 Sep 2026 12:24:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.739605
- Title: Detecting HTTP Status Code Misuses in REST APIs via Static and Dynamic Analysis
- Title（参考訳）: 静的および動的解析によるREST APIのHTTPステータスコードの誤用検出
- Abstract要約: 我々は2,625の現実世界のREST API仕様を調査し、関連するステータスコードを特定し、30のユースケースルールを導出します。
次に、OpenAPI仕様やAPIの振る舞いにおいて、そのようなルール違反を特定するツールを実装します。
評価の結果、REST APIではステータスコードの誤用が頻繁で体系的であり、静的なアプローチと動的アプローチの両方がさまざまな誤用を検出していることがわかった。
- 参考スコア（独自算出の注目度）: 6.313931079988986
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: REST APIs are widely used on the web for client-server communications. As REST is based on HTTP, server responses contain status codes to indicate the outcome of requests (e.g., 200 OK for a success and 404 Not Found for an unavailable resource). While HTTP status codes are standardized, their semantics are not enforced in REST, leading to many misuses in practice (e.g., using 500 Internal Server Error to describe a client error). Such misuses may have nefarious consequences, such as reducing interoperability, misleading API clients, or causing false positives in testing tools. In this paper, we present a combined static and dynamic analysis approach for detecting HTTP status code misuses in REST APIs. We first study 2,625 real-world REST API specifications to identify relevant status codes and derive a set of 30 usage rules based on HTTP standards and REST API principles. We then implement tools to identify such rule violations in OpenAPI specifications (static analysis) and in API behavior (dynamic analysis). Our evaluation finds that status code misuses are frequent and systematic in REST APIs, with both static and dynamic approaches detecting various misuses. We highlight that both approaches may be used in a complementary manner, and also provide insight for REST API testers and users alike.
- Abstract（参考訳）: REST APIは、クライアントとサーバの通信に広く使われている。
RESTはHTTPをベースとしているため、サーバレスポンスには、リクエストの結果を示すステータスコードが含まれている(例えば、成功には200 OK、未使用のリソースには404 Not Found)。
HTTPステータスコードは標準化されているが、それらのセマンティクスはRESTでは強制されていない。
このような誤用は、相互運用性の低減、APIクライアントの誤解を招くこと、テストツールに偽陽性を引き起こすことなど、悲惨な結果をもたらす可能性がある。
本稿では,REST APIにおけるHTTPステータスコードの誤用を検出するための静的解析と動的解析を組み合わせたアプローチを提案する。
私たちはまず、2,625の現実世界のREST API仕様を調査し、関連するステータスコードを特定し、HTTP標準とREST API原則に基づいた30のユースケースルールを導出します。
次に、OpenAPI仕様(静的解析)およびAPIの振る舞い(動的解析)において、そのようなルール違反を特定するツールを実装します。
評価の結果、REST APIではステータスコードの誤用が頻繁で体系的であり、静的なアプローチと動的アプローチの両方がさまざまな誤用を検出していることがわかった。
両アプローチが相補的な方法で使用される場合もあれば,REST APIテスタやユーザに対する洞察も提供できる点を強調します。
関連論文リスト
- RESTCov: A Tool for Structural Coverage Analysis of REST APIs [0.6445605125467572]
RESTCovは、OpenAPI仕様から構造化REST APIカバレッジを計算するツールである。
機械可読結果と人間可読HTMLレポートの両方を生成する。
論文 参考訳（メタデータ） (2026-08-28T09:23:36Z) - Validating HTTP Semantics in REST APIs With Constructed Call Sequence Scenarios [3.345985238464945]
HTTPの仕様に従って失敗すると、混乱とREST APIの使用が難しくなります。
私たちは、HTTPセマンティクスレベルの障害を検出するために、9つの新しいオラクルで最先端のファズーEvoMasterを拡張します。
論文 参考訳（メタデータ） (2026-08-17T08:16:31Z) - Multi-Agent LLM-based Metamorphic Testing for REST APIs [1.7616042687330637]
LLMベースのマルチエージェントワークフローを使用して、REST APIのメタモルフィックテストをサポートするツールサポートのアプローチであるARMetaを紹介します。
RESTインターフェースを公開する2つの公開Webアプリケーション上でARMetaを評価し、そのパフォーマンスをシナリオベースのテストベースラインと比較する。
論文 参考訳（メタデータ） (2026-05-27T11:24:46Z) - AutoRestTest: A Tool for Automated REST API Testing Using LLMs and MARL [46.65963514391019]
AutoRestTestは、Semantic Property Dependency Graph(SPDG)とMARL(Multi-Agent Reinforcement Learning)と大規模言語モデル(LLM)を統合して、効果的なREST APIテストを可能にする新しいツールである。
論文 参考訳（メタデータ） (2025-01-15T05:54:33Z) - LlamaRestTest: Effective REST API Testing with Small Language Models [50.058600784556816]
LlamaRestTestは、2つのLLM(Large Language Models)を使って現実的なテストインプットを生成する新しいアプローチである。
私たちは、GPTを使った仕様強化ツールであるRESTGPTなど、最先端のREST APIテストツールに対して、これを評価しています。
私たちの研究は、REST APIテストにおいて、小さな言語モデルは、大きな言語モデルと同様に、あるいは、より良く機能することができることを示しています。
論文 参考訳（メタデータ） (2025-01-15T05:51:20Z) - APIRL: Deep Reinforcement Learning for REST API Fuzzing [3.053989095162017]
APIRLは、REST APIをテストするための、完全に自動化された深層強化学習ツールである。
APIRLは、現実世界のREST APIの最先端よりも、はるかに多くのバグを見つけることができます。
論文 参考訳（メタデータ） (2024-12-20T15:40:51Z) - A Multi-Agent Approach for REST API Testing with Semantic Graphs and LLM-Driven Inputs [46.65963514391019]
私たちは、REST APIテストに依存性組み込みのマルチエージェントアプローチを採用する最初のブラックボックスツールであるAutoRestTestを紹介します。
このアプローチでは、REST APIテストを分離可能な問題として扱い、4人のエージェントがAPI探索を最適化するために協力します。
12の現実世界のRESTサービス上でのAutoRestTestの評価は、主要な4つのブラックボックスREST APIテストツールよりも優れています。
論文 参考訳（メタデータ） (2024-11-11T16:20:27Z) - A Systematic Evaluation of Large Code Models in API Suggestion: When, Which, and How [53.65636914757381]
API提案は、現代のソフトウェア開発において重要なタスクである。
大規模コードモデル(LCM)の最近の進歩は、API提案タスクにおいて有望であることを示している。
論文 参考訳（メタデータ） (2024-09-20T03:12:35Z) - You Can REST Now: Automated REST API Documentation and Testing via LLM-Assisted Request Mutations [8.158964648211002]
RESTSpecITは、ドキュメントを推論し、REST APIのブラックボックステストを実行する最初の自動化アプローチです。
当社のアプローチでは,最先端のツールに比べて最小限のユーザ入力が必要になります。
我々は,DeepSeek V3, GPT-4.1, GPT-3.5の3つの最先端LCMを用いてツールの品質を評価する。
論文 参考訳（メタデータ） (2024-02-07T18:55:41Z) - Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。
評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
論文 参考訳（メタデータ） (2023-12-01T19:53:23Z) - Exploring Behaviours of RESTful APIs in an Industrial Setting [0.43012765978447565]
これらのAPIが示す振る舞いの例を生成するために,REST APIに共通する一連の動作特性を提案する。
これらの例は、APIの理解を深めるために(i)、自動テストケースのソースとして(ii)の両方に使用することができます。
提案手法は,システム理解と実践者によるテスト生成の源泉として考えられる例を生成することができる。
論文 参考訳（メタデータ） (2023-10-26T11:33:11Z) - Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。
現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。
我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
論文 参考訳（メタデータ） (2023-09-08T20:27:05Z)
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。