文献

J-GLOBAL ID：201902290160107143   整理番号：19A1676800

継続統合試験最適化に向けた強化学習インセンティブ機構【JST・京大機械翻訳】

Reward of Reinforcement Learning of Test Optimization for Continuous Integration

著者 (4件)： He Liuliu (北京化工大学信息科学与技術学院,北京,100029) ,  Yang Yang (北京化工大学信息科学与技術学院,北京,100029) ,  Li Zheng (北京化工大学信息科学与技術学院,北京,100029) ,  Zhao Ruilian (北京化工大学信息科学与技術学院,北京,100029)
資料名： Ruanjian Xuebao  (Ruanjian Xuebao)
巻： 30  号： 5  ページ： 1438-1449  発行年： 2019年 
JST資料番号： C2542A  ISSN： 1000-9825  CODEN： RUXUEW  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： テストケースセットの変化,試験時間の制限,および高速フィードバックなどの要求は,継続的統合環境の下でテストされ,従来の試験最適化方法は適用できない。強化学習は機械学習の重要なブランチであり、その性質は逐次意思決定問題を解決し、継続的な統合テスト最適化に用いることができる。しかし,強化学習に基づく既存の方法では,インセンティブ関数の計算は,テストケースの現在の統合周期における実行情報のみを含む。インセンティブ関数設計とインセンティブ戦略の2つの方面から研究を展開した。インセンティブ関数の設計において、テストケースの完全履歴実行情報を用いて、現在の実行情報を代替し、テストケースの履歴故障総数と歴史的故障分布情報を総合的に考慮し、2種類のインセンティブ関数を提案した。インセンティブ戦略において、現在の実行シーケンスに対するテストケース全体のインセンティブと故障テストケースに対する部分的インセンティブの2つの戦略を提案した。3つの工業グレードの試験プログラムで実験研究を行った。(1)既存の方法と比較して,完全履歴に基づく情報インセンティブ関数に基づく強化学習方法は,継続的統合試験シーケンスの誤り訂正能力を大幅に向上させることができた。(2)テストケースの履歴故障分布は,潜在的故障のテストケースを発見するのに役立ち,強化学習インセンティブ関数の設計においてより重要であった。(3)全体のインセンティブと部分的インセンティブの2つのインセンティブ戦略は,試験プログラムの多くの因子によって影響され,実際の状況に従って選択する必要がある。(4)履歴情報を含むインセンティブ関数は時間消費を増加させるが,試験効率には影響しない。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *強化学習 ,  高速度 ,  意思決定 ,  最適化手法 ,  機械学習 ,  *最適化 ,  故障 ,  フィードバック ,  誤り訂正能力
準シソーラス用語： テストプログラム ,  テストケース , 【Automatic Indexing@JST】

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (6件)： 継続 ,  統合 ,  試験 ,  最適化 ,  強化学習 ,  インセンティブ