本文提出了一种基于Transformer模型的方法,通过生成准确和有用的assert语句来支持开发人员编写单元测试用例,经实验证明,该模型在准确性和覆盖率上都具有较大的提升。
Sep, 2020
本研究旨在探讨人工智能技术在软件测试活动和方面中的影响,以及AI在软件测试领域未来的一些关键贡献和应用面临的挑战。
Jan, 2022
利用遗传编程技术开发出一种新的自动化软件测试框架,生成可以重复生成输入值的微程序,从而快速高效地探索软件元件的输入参数范围,同时可应用于多种软件系统。
Feb, 2023
使用基于机器学习和人工智能的方法来生成Angular框架的前端组件代码,重点关注自动化代码生成、开发效率提升、软件质量提高等研究问题。
May, 2023
TestLab是一款智能自动化软件测试框架,它使用人工智能来收集一组测试方法并将其自动化,以允许对软件系统进行连续的多层级测试,包括从开发人员到最终用户的不同层次,增强了传统自动化软件测试,可以通过源代码分析自动生成测试用例,旨在加速软件开发周期并减少漏洞
Jun, 2023
使用Transformer-based代码模型,提出完全自动化的测试框架,能够生成可编译和可读的单元测试,可以补充搜索-based测试生成的测试,并且能够覆盖开发人员编写测试中未覆盖的代码行。
Aug, 2023
通过生成AI,我们评估了不同领域测试数据生成任务的三种水平上大型语言模型(LLMs)的能力,结果表明LLMs可以成功地在各种领域和三个集成性水平上生成逼真的测试数据生成器。
Jan, 2024
软件测试从手动到自动化方法的演变在质量保证实践中产生了重大影响,BugBlitz-AI是一种基于人工智能的验证工具包,旨在通过自动化结果分析和错误报告生成来增强端到端的测试自动化,提高产品质量和快速上市时间。
May, 2024
本研究针对现有单元测试生成方法在复杂真实软件开发情境下的局限,提出了一种新的测试生成与评估方案。我们的系统\textsc{AgoneTest}专注于类级测试代码的自动生成,并自动化了从测试生成到评估的全过程。研究显示,该系统能够有效提升测试质量,并为多种 Java 项目生成高效的测试套件。
Aug, 2024
本研究解决了传统软件测试劳动密集的问题,提出利用人工智能和机器学习技术来自动化复杂任务,从而提升测试效率和准确性。通过文献回顾与工具分析,发现AI与ML能够显著提高缺陷检测的准确性,并通过案例研究展现其在实际应用中的有效性,最终推动软件质量的提升。
Sep, 2024