生成敵対的ネットワークによるセキュアなマルチパーティテストケースデータ生成

科学分野:

• ソフトウェア工学
• 人工知能
• データプライバシー

背景:

• ソフトウェアテストケースデータ生成における課題には、品質の低さや合成の難しさがあります。
• 組織間の分散データとプライバシーの懸念は、中央集権的なデータ集約を妨げます。
• フェデレーテッド学習環境は、安全な組織間データ処理に必要です。

研究 の 目的:

• プライバシーを保護するフェデレーテッドテストケースデータ生成のための生成敵対ネットワーク（GAN）ベースの手法を提案すること。
• 分散ソフトウェアテストにおけるデータ品質、合成、プライバシーの課題に対処すること。

主な方法:

• プロトコル文法深層学習フレームワークを利用したGANベースのアプローチ。
• テストケースエンコーダー・デコーダーメカニズムとGAN駆動のサンプル文字ジェネレーター。
• フェデレーテッド設定におけるモデルパラメータの安全な集約による、ジェネレーターとディスクリミネーターのローカルトレーニング。

主要な成果:

• 提案手法は、プライバシーを保護しながら高品質で多様なテストケースデータを生成します。
• 生成されたデータは、従来のメソッドと比較して優れたカバレッジと有効性を示します。
• ソフトウェアテストの効率と品質を大幅に向上させます。

結論:

• このフレームワークは、フェデレーテッド環境でのテストデータ生成のためのスケーラブルなソリューションを提供します。
• 組織間の設定におけるデータ主権の要件に効果的に対処します。
• 重要インフラにおける潜在的な脆弱性の特定を容易にします。