| 研究課題/領域番号 |
22K11979
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60050:ソフトウェア関連
|
|---|
| 研究機関 | 慶應義塾大学 |
|---|
研究代表者 |
高田 眞吾 慶應義塾大学, 理工学部(矢上), 教授 (60273843)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
3,770千円 (直接経費: 2,900千円、間接経費: 870千円)
2024年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2023年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2022年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | ソフトウェアテスト / 機械学習 / Android / モバイルアプリケーション |
|---|
| 研究開始時の研究の概要 |
スマートフォンが広く普及している現在，国民は誰もがモバイルアプリケーションを利用している．アプリが実際に使われる前に，きちんと動くかを確認するテストが行われている．近年，機械学習（特に深層学習）に基づくテスト手法が着目され，よい結果を示している．しかし，ソフトウェアをどの程度テストしたかを表すカバレッジが高くはない．本研究では，研究代表者が過去に作成した機械学習に基づくAndroidアプリケーションテスト支援環境を検証し，カバレッジがあがらない原因を調査した上で，そのテスト支援環境を改良または新たに構築する．
|
| 研究実績の概要 |
本研究では，機械学習を利用したテスト支援環境におけるカバレッジの向上を目的としている．2023年度は主に二つの観点から研究を行った．
(1) 2022年度に引き続き，カバレッジ向上を阻害している原因の調査を継続した．調査は本研究課題開始以前に作成したAndroidテスト支援環境も対象に行ったが，2022年度に提案・実装した環境を中心に行った．調査の結果として，2022年度に提案した手法の一部は，カバレッジ向上に寄与しているものの，対象アプリケーションによっては逆効果になるケースもあった．この問題は特に仮想UI部品の追加で起きた．仮想UI部品は，アプリケーションを解析する際，画面遷移に明示的に紐づけられない場合に追加しカバレッジ向上を図った方策である．また，以前から問題となっていた，URLなど特定の文字列入力の扱いなども確認した．さらに，カバレッジが高くなるレートにも着目し，すぐに頭打ちとなったケースもあれば，長い時間少しずつカバレッジが高くなるケースもあった．これらの問題の解決方法は現在検討中である．
(2) カバレッジを全体的に向上させるのも重要だが，特にプログラム中のどの部分が重要かを知るために，バグ予測手法を提案した．提案手法はコードの文脈を考慮し，コード内のパターンや依存関係をとらえるために，Java言語に特化した大規模言語モデルJavaBERT，およびCNNとBiLSTMの2種類の機械学習モデルを組み合わせた．これを用いることにより，特にカバレッジを向上させないといけない部分を明確にし，その部分のカバレッジを重点的に向上させ，テストを行うことを考えている．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本研究計画では，テスト支援環境の問題の調査，および明らかになった問題を解決する手法の提案・実装・評価が骨子である．これまでにいくつかの問題を明らかにし，その解決手法を提案・実装・評価している．そして，今のところ国際会議で2本発表しており，「おおむね順調に進展している」と考える．
|
| 今後の研究の推進方策 |
2024年度は，主にこれまでに明らかになった問題を解決する手法の検討，実装，評価を中心に行う．また，これらの手法を一つのテスト支援環境に統合することを目指す．
|
