TEP-GNN：使用图神经网络的功能测试执行时间精确预测
软件工程
2022-08-26 v1 人工智能
摘要
在实际执行或基准测试之前预测生产代码的性能已知极具挑战性。在本文中，我们提出一种称为 TEP-GNN 的预测模型，其表明对于预测单元测试执行时间这一特殊情况，高精度的性能预测是可能的。TEP-GNN 使用 FA-AST（即流增强 AST）作为基于图的代码表示方法，并利用强大的图神经网络（GNN）深度学习模型预测测试执行时间。我们使用四个真实 Java 开源程序，基于从项目公共仓库挖掘的 922 个测试文件评估 TEP-GNN。我们发现我们的方法达到了 0.789 的高 Pearson 相关系数，显著优于基线深度学习模型。然而，我们也发现训练好的模型泛化到未见过项目仍需更多工作。我们的工作表明 FA-AST 与 GNN 是预测绝对性能值的可行方法，并作为能够在执行前预测任意代码性能的重要中间步骤。
引用
@article{arxiv.2208.11947,
title = {TEP-GNN: Accurate Execution Time Prediction of Functional Tests using Graph Neural Networks},
author = {Hazem Peter Samoaa and Antonio Longa and Mazen Mohamad and Morteza Haghir Chehreghani and Philipp Leitner},
journal= {arXiv preprint arXiv:2208.11947},
year = {2022}
}