Discover Artificial Intelligence· 2026Q1
Büyük ölçekli web yazılım sistemlerinde yapay zeka ile birleştirilmiş dinamik sembolik yürütme ve test kapsamı iyileştirmesinin uygulanması
Application of dynamic symbolic execution and test coverage enhancement combined with artificial intelligence in large-scale web software systems
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Aktör-Kritik ağları ve müfredat öğrenmeyi kullanan YZ güdümlü bir yaklaşım, büyük ölçekli web sistemlerinde yol keşfini (216-225 yol) ve test kapsamını (%73,4-%74,9) önemli ölçüde artırarak %79,8 çözüm başarısı ve %88 güvenlik açığı tespiti sağlıyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- PPO tabanlı bir Aktör-Kritik çift ağ modeli, DSE'de yol seçimi olasılığını ve durum değeri değerlendirmesini optimize eder.
- Müfredat öğrenme ve genelleştirilmiş avantaj tahmin/budama mekanizması, yol önceliğini ve derinliğini dinamik olarak ayarlar.
- Anahtar dal öncelikli çözüm stratejisi, kısıtlama çözme verimliliğini artırır.
- Kapsam artışını ödül olarak kullanan çevrimiçi model güncellemeleri, yol keşif stratejilerini dinamik olarak iyileştirir.
- Deneyler, yol keşfinde (216-225 yol), test kapsam (%73,4-%74,9), %79,8 çözüm başarısı ve %88 güvenlik açığı tespitinde iyileşmeler göstermektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Aiming at the bottleneck problems of path explosion and low efficiency of constraint solving faced by dynamic symbolic execution (DSE) in large-scale Web software systems, this paper applies a DSE and test coverage enhancement method combined with artificial intelligence (AI). Firstly, an Actor-Critic dual network model is constructed based on the PPO (Proximal Policy Optimization) algorithm. The Actor network outputs the probability distribution of path selection, and the Critic network evaluates the value of path state. Secondly, the path priority sorting strategy is updated through the generalized advantage estimation and pruning mechanism, and the path depth threshold is gradually increased by combining curriculum learning. The key branch priority solving strategy is applied to optimize the efficiency of constraint solving. Finally, after each round of symbolic execution, the coverage increment is used as a reward signal to update the model parameters online and dynamically optimize the path exploration strategy. Experimental results show that this method significantly improves the efficiency of path exploration (the number of paths reaches 225 and 216, respectively) and test coverage (74.9% and 73.4%) on large-scale Web systems, with an average solution success rate of 79.8% and an average vulnerability detection rate of 88%. It has good vulnerability detection capabilities and resource adaptability, and provides an efficient and scalable new paradigm for automated testing of complex systems.
Yazarların özeti; kaynağından alınmıştır. Discover Artificial Intelligence, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yazılım
SoftwareComputer Science