面向软件产品线质量保障的对抗性配置方法
软件工程
2019-09-17 v1 机器学习
摘要
软件产品线（SPL）工程师投入大量精力，通过设定大量可能的配置选项，确保产品可被接受并良好契合客户需求。遗憾的是，选项及其相互作用产生了巨大的配置空间，难以穷尽探索。机器学习技术正日益被用于从少量配置训练样本中近似可接受产品的集合，而非测试所有产品。机器学习（ML）技术可通过学习到的约束精炼软件产品线，并事先防止派生出不可接受的产品。在本文中，我们利用对抗性ML技术生成对抗性配置，以欺骗ML分类器，并精准定位从工业视频生成器派生的产品（视频）的错误分类。我们的攻击产生了（高达）100%的误分类率，并使准确率下降5%。我们讨论了这些结果对SPL质量保障的影响。
引用
@article{arxiv.1909.07283,
title = {Towards Quality Assurance of Software Product Lines with Adversarial Configurations},
author = {Paul Temple and Mathieu Acher and Gilles Perrouin and Battista Biggio and Jean-marc Jezequel and Fabio Roli},
journal= {arXiv preprint arXiv:1909.07283},
year = {2019}
}
备注
This is a preview version of a paper accepted and presented at SPLC'19 that took place in Paris from 9th to 13th of September 2019. Some minor changes might appear compared to the one from the proceedings of the conference