特許ウォッチ

公開番号2025106212
公報種別公開特許公報(A)
公開日2025-07-15
出願番号2024221243
出願日2024-12-18
発明の名称テストケースの1つまたは複数の属性を予測するための方法およびシステム
出願人コンチネンタル・オートモーティヴ・テクノロジーズ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング,Continental Automotive Technologies GmbH,ナンヤンテクノロジカルユニヴァーシティ,NANYANG TECHNOLOGICAL UNIVERSITY
代理人園田・小林弁理士法人
主分類G06F 11/36 20250101AFI20250708BHJP(計算;計数)
要約【課題】テストケースの1つまたは複数の属性を予測するためのコンピュータ実装方法、コンピューティングシステム、コンピュータプログラム、機械可読記憶媒体及びデータキャリア信号を提供する。
【解決手段】方法は、テストケースライブラリから複数のテストケースを受け取ることを含む。各テストケースは、テストケースの1つまたは複数の実行可能なテストステップのテキスト記述を含む。方法はまた、複数のテストケースを表すコーパスレベルグラフを生成することと、テストケースを使用したソフトウェア、ハードウェアおよび/またはシステムテストのテストレポートに影響を及ぼす各テストケースの1つまたは複数の属性を予測するために、コーパスレベルグラフを訓練済みの時系列グラフニューラルネットワークに供給することと、を含む。
【選択図】図1
特許請求の範囲【請求項１】
業界用のハードウェア製品および／またはソフトウェア製品のテストを自動化するためのコンピュータ実装方法であって、前記方法は、
１つまたは複数のプロセッサによって、テストケースライブラリに記憶されそれから取出し可能な複数のテストケースを受け取ること（１０８）であって、各テストケースが、前記テストケースの１つまたは複数の実行可能なテストステップのテキスト記述を含む、テストケースを受け取ること（１０８）と、
前記１つまたは複数のプロセッサによって、前記複数のテストケースを表すコーパスレベルグラフを生成すること（１１６）と、
生成された前記コーパスレベルグラフを訓練済みの時系列グラフニューラルネットワークに供給すること（１２４）と
を含み、
前記方法は、
前記時系列グラフニューラルネットワークによって、テストレポートに影響を及ぼす各テストケースの少なくとも１つのテスト結果の１つまたは複数の属性を予測する結果を含む前記テストレポートを生成すること
をさらに含み、
前記テストレポートに含まれる前記少なくとも１つのテスト結果は、故障率テスト結果、テスト網羅率、テスト浸透度、影響を受けたモジュール／構成要素、テスト期間、および／またはテストタイプからなる群から選択される、コンピュータ実装方法。
続きを表示（約 2,400 文字）【請求項２】
前記コーパスレベルグラフは、
各々が前記テキスト記述内の１つまたは複数の単語を表す、複数の単語ノード（２０８）と、
各々がテストステップを表す、複数のテストステップノード（２１６）と、
単語ノードをそれらの関連するテストステップノードに接続する複数の無向エッジ（２２４）と、
テストステップノードによって表される実行可能なテストステップ間の順序付けを指定する順序付け関係を課す前記テストステップノードを接続する複数の有向エッジ（２３２）と
を含む、請求項１に記載のコンピュータ実装方法。
【請求項３】
単語ノードによって表される前記１つまたは複数の単語は、トークン化および／またはテキストクリーニングを使用して、前記テキスト記述から識別される、請求項２に記載のコンピュータ実装方法。
【請求項４】
前記複数のテストケースを表すコーパスレベルグラフを生成することは、
前記複数のテストケースの各テストケースについてのテストケースグラフを生成すること（４０８）であって、
前記テストケースの各テストステップについてのテストステップグラフを構築すること（４２４）であって、各テストステップグラフは、無向エッジを有する複数の単語ノードに接続されたテストステップノードを含む、テストステップグラフを構築すること（４２４）、および
前記テストケースグラフを生成するために各テストケースの前記テストステップグラフを接続すること（４４０）であって、前記テストステップグラフの前記テストステップノードは、前記順序付け関係に基づいて有向エッジで接続され、２つ以上の実行可能なテストステップに共通の単語ノードがマージされる、前記テストステップグラフを接続すること（４４０）
を含む、テストケースグラフを生成すること（４０８）と、
前記コーパスレベルグラフを生成するために前記テストケースグラフを接続すること（４６４）であって、２つ以上のテストケースに共通するテストステップノードがマージされる、前記テストケースグラフを接続すること（４６４）と
を含む、請求項２に記載のコンピュータ実装方法。
【請求項５】
前記テストケースは、１つまたは複数の前提条件のテキスト記述をさらに含み、前記コーパスレベルグラフは、１つまたは複数の前提条件ノード（３０８）をさらに含み、各前提条件ノードは、前提条件を表し、無向エッジによって１つまたは複数の単語ノードに接続され、２つ以上の前提条件ノードが存在する場合、前記前提条件ノードは、前記前提条件ノードによって表される前記前提条件間の順序付けを指定する順序付け関係を課す有向エッジによって接続され、前記最後に順序付けられた前提条件ノードは、有向エッジによって前記テストケースの最初に順序付けられたテストステップノードに接続される、請求項２に記載のコンピュータ実装方法。
【請求項６】
前記テストケースは、期待される結果のテキスト記述をさらに含み、前記コーパスレベルグラフは、１つまたは複数の期待される結果ノード（３３２）をさらに含み、各期待される結果ノードは、期待される結果を表し、無向エッジによって１つまたは複数の単語ノードに接続され、２つ以上の期待される結果ノードが存在する場合、前記期待される結果ノードは、前記期待される結果ノードによって表される前記期待される結果間の順序付けを指定する順序付け関係を課す有向エッジによって接続され、前記最初に順序付けられた期待される結果ノードは、有向エッジによって前記テストケースの最後に順序付けられたテストステップノードに接続される、請求項２に記載のコンピュータ実装方法。
【請求項７】
各テストケースを、その予測される１つまたは複数の属性に関連付けること（１３２）と、
予測される１つまたは複数の属性を有する前記テストケースに基づいて、ソフトウェア、ハードウェア、および／またはシステムをテストするためのテストプランを生成すること（１４０）と、
テスト結果を生成するために前記テストプランの１つまたは複数のテストケースを実行すること（１４８）と、
前記生成されたテスト結果に基づいて、前記ソフトウェア、前記ハードウェア、および／または前記システムにおける１つまたは複数の不具合を識別すること（１５６）と
をさらに含み、
前記テストプランの前記１つまたは複数のテストケースを実行することは、好ましくは、車両上の前記ソフトウェア、前記ハードウェア、および／または前記システムをテストすることと、１つまたは複数の車両構成要素から受信した信号を使用してテスト結果を生成することとを含む、請求項１に記載のコンピュータ実装方法。
【請求項８】
前記１つまたは複数のテストプランを実行することは、好ましくは１つまたは複数の自動化スクリプトを使用して、自動的に実行される、請求項７に記載のコンピュータ実装方法。
【請求項９】
１つまたは複数のプロセッサと、前記１つまたは複数のプロセッサによる実行のための１つまたは複数のプログラムを記憶するメモリとを備えるコンピューティングシステムであって、前記１つまたは複数のプログラムは、請求項１から８のいずれか一項に記載のコンピュータ実装方法を実行するための命令を含む、コンピューティングシステム。
【請求項１０】
前記コンピューティングシステムは、車両に接続され、１つまたは複数の車両構成要素から信号を受信するように設定される、請求項９に記載のコンピューティングシステム。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示は、概して、ソフトウェア、ハードウェア、および／またはシステムテストに関し、より具体的には、テストレポートを生成することによる、ソフトウェア、ハードウェア、および／またはシステムテストのテストケースの１つまたは複数の属性の表現および予測に関する。
続きを表示（約 2,700 文字）【０００２】
関連出願の相互参照
本出願は、２０２３年１２月１９日に出願された「ＭｅｔｈｏｄａｎｄＳｙｓｔｅｍｆｏｒＰｒｅｄｉｃｔｉｎｇＯｎｅｏｒＭｏｒｅＡｔｔｒｉｂｕｔｅｓｏｆＴｅｓｔＣａｓｅｓ」と題するＧＢ２３１９４５７．４の利益を主張するものであり、その全体が参照により本明細書に組み込まれる。
【背景技術】
【０００３】
ソフトウェアベースのテストの分野では、分類、回帰、クラスタリング、および強化学習のような機械学習技法が、テストケースの優先順位付けのために提案されてきた。しかしながら、そのような技法は、通常、ソフトウェアテストのためにソースコードへのアクセスを必要とする。システムテストでは、ソースコードへのアクセスは通常許可されず、提案されたソリューションをソフトウェアテストからシステムテストに直接転送するための簡単な方法はない。既存の方法は、システムテスト中に存在し得るハードウェア構成要素間の挙動および相互作用も考慮しない。
【０００４】
システムテストの場合、現在の方法は、テストケースを作成または設計するためにテストマネージャに依拠し、したがって、テストマネージャの直観および経験に大きく依拠する。また、テストマネージャの意思決定プロセスをガイドし、生成されたテストプランの品質を保証することができるアプローチが欠如している。
【０００５】
テストプランを自動的に生成するための既存の方法は、進化的アルゴリズムおよびサポートベクターマシンの使用を含む。進化的アルゴリズム（ｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍ：ＥＡ）を使用する既存の方法は、テストケースのヒューリスティックな性能に基づく信念モデルを利用して、使用するテストケースと、各テストケースが実行されるべきサイクル数とを推奨することによって、テストプランを生成する。しかしながら、そのような方法は、以前の性能履歴を伴わない新しいテストケース、または展開後の訓練フェーズ中には一度も見られなかったテストケースに対処することができず、そのような方法のテストケースおよびテストプランの評価は、以前には見られなかったテストケースに一般化することができない。サポートベクターマシン（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ：ＳＶＭ）を使用する既存の方法は、テストケースを重要または重要でないとして分類するために、ＳＶＭを使用する前にテストケース記述およびメタデータに自然言語処理（ｎａｔｕｒａｌｌａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇ：ＮＬＰ）技法を適用する。しかしながら、そのような方法は、テストケース記述が常に利用可能であることを前提とするが、これは、常に適用可能であるとは限らない。加えて、そのような方法はまた、テストケース記述が業界全体で一貫していることを前提とするが、これは、テストケース記述が通常は非経験的であり、ユーザごとに異なり得るので、当てはまらない場合がある。
【発明の概要】
【０００６】
本開示の目的は、独立請求項の主題を提供することによって、ハードウェア、ソフトウェア、および／またはシステムテストのテストレポートに影響を及ぼすテストケースの属性を、そのようなテストケースを使用して予測する方法を提供することである。
【０００７】
本開示の目的は、独立請求項の主題によって解決され、さらなる実施形態は、従属請求項に組み込まれる。
【０００８】
方法に関する本開示のすべての実施形態は、説明されるステップの順序で実行される場合があるが、これは、方法のステップの唯一で必須の順序である必要はないことに留意されたい。本明細書で提示される方法は、以下で反対のことが明示的に述べられない限り、それぞれの方法の実施形態から逸脱することなく、開示されたステップとは別の順序で実行することができる。
【０００９】
上記の技術的問題を解決するために、本開示は、コンピュータ実装方法を提供する。このコンピュータ実装方法は、
テストケースライブラリから複数のテストケースを受け取ることであって、各テストケースは、テストケースの１つまたは複数の実行可能なテストステップのテキスト記述を含む、テストケースを受け取ることと、
複数のテストケースを表すコーパスレベルグラフを生成することと、
テストケースを使用したソフトウェア、ハードウェア、および／またはシステムテストのテストレポートに影響を及ぼす各テストケースの１つまたは複数の属性を予測するために、コーパスレベルグラフを訓練済みの時系列グラフニューラルネットワークに供給することと
を含む。
【００１０】
本開示のコンピュータ実装方法は、開示された方法が、以前の性能履歴がなくとも、またテストケースを実行しなくとも、テストケースを使用したソフトウェア、ハードウェア、および／またはシステムテストのテストレポートに影響を及ぼすテストケースの属性を予測することができるので、既知の方法よりも有利である。予測は、ノードおよびエッジを使用してテストケースの異なる構成要素、特性、および属性の複雑な相互作用および関係（時間的関係を含む）に関する情報を表し、それらを保存するコーパスレベルグラフを使用し、それによって、他の方法を使用しては困難であり得るパターン、傾向、および洞察を潜在的に明らかにする。コーパスレベルグラフは、データ内の関係および経路の容易な視覚化に起因してより高い解釈性を有するため、従来の表形式データ構造よりも有利なグラフ構造データである。グラフ構造データはまた、エンティティが互いにどのように接続されているかを示すことによって機械にコンテキスト情報を提供し、従来の表形式データと比較して機械学習モデルを訓練することを容易にするので、有利である。加えて、訓練済みの時系列グラフニューラルネットワークの使用は、訓練済みの時系列グラフニューラルネットワークがコーパスレベルグラフに存在する時間的関係を考慮するので、属性のより正確な予測を可能にし得る。訓練済みの時系列グラフニューラルネットワークは、単語の順序とは無関係であるため、本開示における順次処理にも有利である。
（【００１１】以降は省略されています）

関連特許