グラフニューラルネットワークベースのコード依存関係グラフと実行トレースを使用した突然変異を認識した回帰テスト順序付け

科学分野:

• ソフトウェア工学
• 人工知能
• 機械学習

背景:

• 回帰テストはソフトウェア品質にとって重要ですが、テストの効率的な優先順位付けには課題があります。
• 既存のテスト優先順位付け方法は、フォールト検出、実行コスト、およびカバレッジのバランスをとるのに苦労することがよくあります。
• 突然変異テストは効果的ですが、計算コストが高くなる可能性があり、洗練された優先順位付け戦略が必要です。

研究 の 目的:

• グラフニューラルネットワーク（GNN）を使用した新しい突然変異を認識したテスト優先順位付けシステムを開発すること。
• 静的プログラム構造、動的実行トレース、および突然変異カバレッジを統合することにより、回帰テストを強化すること。
• テスト優先順位付けにおいて、フォールト検出、実行コスト、および突然変異カバレッジの優れたバランスを達成すること。

主な方法:

• プログラム依存関係グラフと呼び出しグラフをランタイム特性と組み合わせたハイブリッドグラフ表現の構築。
• テストケース内の高次の依存関係を埋め込むためのGNNバリエーション（GCN、GAT、GraphSAGE）の使用。
• フォールト検出、実行コスト、および突然変異カバレッジに基づいてテストケースをランク付けするための多目的最適化関数の利用。

主要な成果:

• 平均APFD（検出された障害の平均パーセンテージ）88.9%を達成し、従来のベースライン（74.5%）およびMLベースライン（82.7%）を大幅に上回りました。
• 実行オーバーヘッドはわずか16.1秒で、突然変異スコアは84.6%を達成しました。
• 統計的有意性（Wilcoxon符号順位検定、p < 0.05）により、パフォーマンス向上の堅牢性が確認されました。

結論:

• 提案されたGNNベースの突然変異を認識したテスト優先順位付けシステムは、最新の回帰テストのためのスケーラブルで正確な、突然変異駆動型のパラダイムを提供します。
• アブレーションスタディが示すように、効果的なテスト優先順位付けには、実行トレースと突然変異特性の統合が不可欠です。
• GNN埋め込みは、フォールト関連のテストケースをクラスタリングすることにより、解釈可能な優先順位付けを提供します。