Generación segura de datos de casos de prueba multipartitos a través de redes generativas adversarias

Área de la Ciencia:

• Ingeniería de Software
• Inteligencia Artificial
• Privacidad de Datos

Sus antecedentes:

• Los desafíos en la generación de datos de casos de prueba de software incluyen baja calidad y dificultades de síntesis.
• Los datos distribuidos entre organizaciones y las preocupaciones de privacidad dificultan la agregación centralizada de datos.
• Los entornos de aprendizaje federado son necesarios para el manejo seguro de datos entre organizaciones.

Objetivo del estudio:

• Proponer un método basado en Redes Generativas Adversarias (GAN) para la generación de datos de casos de prueba federados y que preserven la privacidad.
• Abordar los desafíos de calidad, síntesis y privacidad de los datos en las pruebas de software distribuidas.

Principales métodos:

• Un enfoque basado en GAN que utiliza un marco de aprendizaje profundo de gramática de protocolo.
• Mecanismos codificador-decodificador de casos de prueba y un generador de caracteres de muestra impulsado por GAN.
• Entrenamiento local del generador y discriminador con agregación segura de parámetros del modelo en un entorno federado.

Principales resultados:

• El método propuesto genera datos de casos de prueba diversos y de alta calidad preservando la privacidad.
• Los datos generados muestran una cobertura y efectividad superiores en comparación con los métodos tradicionales.
• Mejora significativamente la eficiencia y calidad de las pruebas de software.

Conclusiones:

• El marco ofrece una solución escalable para generar datos de prueba en entornos federados.
• Aborda eficazmente los requisitos de soberanía de datos en entornos interorganizacionales.
• Facilita la identificación de vulnerabilidades latentes en la infraestructura crítica.