面向软件产品线的对抗配置
机器学习
2018-05-31 v1 软件工程
机器学习
摘要
确保软件产品线（SPL）所有 supposedly 有效的配置都能产生格式良好且可接受的产品是一项挑战，因为大多数时候枚举并测试SPL的所有个体产品是不切实际的。机器学习分类器近来被用于预测与未见配置相关联的产品的可接受性。对于某些配置，其特征值的微小改变可能使其根据用户需求从可接受变为不可接受，或反之。在本文中，我们提出利用这些特定配置及其在特征空间中的位置来改进分类器，从而改进SPL的工程化。从变异模型出发，我们提议使用对抗机器学习（Adversarial Machine Learning）技术，通过修改已知配置的特征值来从中生成新的对抗配置。使用一个工业视频生成器，我们展示了对抗配置如何不仅能改进分类器，还能改进变异模型、变异实现和测试预言。
引用
@article{arxiv.1805.12021,
title = {Towards Adversarial Configurations for Software Product Lines},
author = {Paul Temple and Mathieu Acher and Battista Biggio and Jean-Marc Jézéquel and Fabio Roli},
journal= {arXiv preprint arXiv:1805.12021},
year = {2018}
}