TREX: Automating LLM Fine-tuning via Agent-Driven Tree-based Exploration
Shanghai AI Laboratory(上海人工智能实验室)
TREX通过代理驱动的树形探索自动化LLM训练全流程,包括需求分析、文献调研、策略制定和模型训练,提升微调效率与性能。
2026-04-22 cs.AI cs.CL
Automating Domain-Driven Design: Experience with a Prompting Framework
Chair of Software Engineering Technical University of Munich Heilbronn, Germany;Engineering Team FTAPI Software GmbH Munich, Germany
本文提出一个提示框架,通过结构化大语言模型交互自动化领域驱动设计的核心活动,通过案例研究验证其在真实需求下的有效性,发现后期步骤易积累误差,LLM能增强但无法替代架构专业知识。
2026-03-27 cs.AI cs.SE
Automating Requirements Traceability: Two Decades of Learning from KDD
本文总结了我们使用数据中的知识发现(KDD)方法进行自动化需求跟踪的经验,并讨论了我们的见解。
2018-07-30 cs.SE
ChaosEater: Fully Automating Chaos Engineering with Large Language Models
NTT Corporation(NTT公司)
针对混沌工程中实验定义与系统改进需人工操作的问题,提出ChaosEater系统,利用大语言模型自动化整个CE周期操作,在Kubernetes系统案例中验证其能以低成本稳定完成周期且获定性认可。
2025-04-16 cs.AI cs.CL cs.DC
AI-Driven Test Case Generation from Natural Language Requirements: A Survey of Techniques and Research Gaps
School of Electrical Engineering and Computer Science(电气工程与计算机科学学院)
综述AI、NLP和LLM从自然语言需求生成测试用例的技术,指出当前方法无法同时满足自动化、歧义处理等六个质量维度,提出四个研究方向。
2026-06-16 cs.AI cs.SE
AutoScrum: Automating Project Planning Using Large Language Models
Swedish Embedded Consulting Group Research(瑞典嵌入式咨询集团研究部)
本文提出 AutoScrum,借助大型语言模型和“语言程序”自动化项目规划,提供基于 scrum 的完整规划流程与快捷任务生成两种方法。
2023-06-05 cs.AI cs.CL
ControlAgent: Automating Control System Design via Novel Integration of LLM Agents and Domain Expertise
University of Illinois at Urbana–Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California, San Diego(加利福尼亚大学圣迭戈分校);University of Michigan(密歇根大学)
本文提出 ControlAgent,通过协作式 LLM 智能体、Python 计算智能体及反馈机制融合控制领域知识,实现需求驱动的端到端控制器自动设计,并构建含 500 个任务的 ControlEval 验证其优于传统基线。
2024-10-17 cs.AI cs.CL cs.LG
CleanAgent: Automating Data Standardization with LLM-based Agents
Simon Fraser University(西蒙弗雷泽大学)
针对数据标准化中 Pandas 复杂性及 LLM 需持续交互的问题,提出集成声明式 Python 库 Dataprep.Clean 与 LLM 智能体的 CleanAgent 框架,实现仅需一次需求输入的免手动数据标准化,并开发 Web 应用验证其实用性。
2025-06-02 cs.AI cs.LG cs.MA
LLMREI: Automating Requirements Elicitation Interviews with LLMs
本文提出LLMREI聊天机器人,利用零样本与最少到最多提示方法自动化需求获取访谈,在33次模拟访谈中验证其错误率与人类相当、能提取大部分需求并生成上下文相关问题,旨在提升大规模利益相关者访谈的可扩展性。
2025-07-03 cs.SE
Automating Customer Needs Analysis: A Comparative Study of Large Language Models in the Travel Industry
University of Pisa(比萨大学)
本研究比较了多种大语言模型在旅游客户需求提取中的表现,发现开源模型Mistral 7B能以更低成本达到与大型闭源模型相当的性能。
2025-04-09 cs.AI cs.CL cs.HC
ThreatModeling-LLM: Automating Threat Modeling using Large Language Models for Banking System
CSIRO’s Data61(CSIRO的数据61)
针对银行系统威胁建模依赖专家、效率低且缺乏领域数据等问题,提出 ThreatModeling-LLM 框架,通过 TMT 数据集、CoT/OPRO 提示优化与 LoRA 微调提升威胁识别和缓解生成能力。
2025-05-14 cs.AI cs.CR
Automating Database-Native Function Code Synthesis with LLMs
Shanghai Jiao Tong University(上海交通大学);Tsinghua University(清华大学);National University of Singapore(新加坡国立大学)
本文提出DBCooker系统,通过多模块协同解决数据库原生函数合成难题,实现更高精度的自动代码生成,实验显示在SQLite、PostgreSQL和DuckDB上准确率提升34.55%。
2026-04-02 cs.AI cs.CL cs.DB
Cluster-Aware Dual-Level Test Specification Generation for Large-Scale Automotive Software Requirements
CairoMotive Cairo, Egypt(开罗动力埃及)
提出一种“先聚类后总结”流水线,通过嵌入、降维、聚类、多级摘要和双层测试生成,解决大规模需求下LLM处理依赖缺失和上下文窗口限制问题,提升集成测试覆盖率并高效扩展。
2026-06-17 cs.AI cs.SE
Technique to Baseline QE Artefact Generation Aligned to Quality Metrics
IBM Research(IBM研究院);IBM Consulting(IBM咨询)
本文提出了一种基于质量指标的QE人工生成技术,结合LLM生成、反向生成和评分技术,通过实验验证其在不同输入质量下的有效性。
2025-11-18 cs.AI cs.SE
Automating Business Intelligence Requirements with Generative AI and Semantic Search
针对商业智能(BI)系统需求获取的挑战,本文提出AI驱动系统AutoBIR,结合语义搜索与大型语言模型(LLMs),通过对话界面自动化BI需求规范,生成分析代码、测试报告等,优化数据驱动决策流程。
2024-12-10 cs.SE
Context-Aware Visual Prompting: Automating Geospatial Web Dashboards with Large Language Models and Agent Self-Validation for Decision Support
Computational Urban Sciences Group, Oak Ridge National Laboratory(计算城市科学组,橡树岭国家实验室);Materials Science and Technology Division, Oak Ridge National Laboratory(材料科学与技术 division,橡树岭国家实验室);Industrial and Systems Engineering, The University of Tennessee, Knoxville(工业与系统工程,田纳西大学, Knoxville)
本文提出基于大语言模型和代理自我验证的地理空间看板自动化框架,通过上下文感知视觉提示提升风险分析和决策支持的可视化能力。
2025-10-10 cs.AI cs.HC
From Intention To Implementation: Automating Biomedical Research via LLMs
School of Informatics, National Institute for Data Science in Health and Medicine, Xiamen University, Xiamen(信息学院、医学数据科学国家研究院、厦门大学、厦门);School of Medicine, Xiamen University, Xiamen(医学院、厦门大学、厦门);Microsoft Research Asia, Beijing(微软亚洲研究院、北京);College of Computing, Georgia Institute of Technology, Atlanta(计算学院、佐治亚理工学院、亚特兰大);Zhongguancun Academy, Beijing(中关村学院、北京)
本文提出BioResearcher,首个端到端多智能体系统,通过模块化架构和分层学习自动化生物医学干实验全流程,在八个新研究目标上实现63.07%平均执行成功率,并引入LLM审阅器和新评估指标以提升方案质量。
2025-06-05 cs.AI cs.CL cs.MA
Evaluating LLM-Based Goal Extraction in Requirements Engineering: Prompting Strategies and Their Limitations
Department of Control and Computer Engineering(控制与计算机工程系)
本文探讨了通过三个阶段自动提取功能目标以实现目标导向的需求工程,提出基于工程提示的LLM链,实验表明反馈循环机制在零样本学习中表现更优,但提示策略仍是性能限制因素。
2026-08-05 cs.AI cs.CL cs.SE
Vision to Specification: Automating the Transition from Conceptual Features to Functional Requirements
针对软件开发中抽象特征转功能需求需大量人工的问题,提出EasyFR方法,通过Key2Temp模型构建可变SRL模板引导PLM生成需求,实验表明其性能优于GPT4等先进NLG方法。
2025-05-18 cs.SE
A Fuzzy-Based Optimization Method for Integrating Value Dependencies into Software Requirement Selection
软件需求选择的目标是在不影响预算的前提下,找到一个价值最高的需求子集。但是需求的值可能取决于最优子集中其他需求的存在或不存在。现有的需求选择方法,但是,不考虑价值的重复性,从而增加了价值损失的风险。为了解决这个问题,我们提出了依赖性感知的需求选择(DARS)的方法有两个主要组成部分:(一)基于模糊的技术,用于识别和建模的价值依赖关系,和(ii)一个可编程模型,考虑到价值的依赖关系,在软件需求选择。我们进一步提出了一种替代的优化模型,用于难以量化值依赖关系的情况。DARS的可扩展性及其在降低价值损失风险方面的有效性通过详尽的模拟得到了证明。
2020-03-10 cs.SE
Spec2Control: Automating PLC/DCS Control-Logic Engineering from Natural Language Requirements with LLMs - A Multi-Plant Evaluation
ABB Corporate Research Center(ABB企业研究中心)
本研究提出高度自动化的LLM工作流Spec2Control,可直接从自然语言需求生成DCS图形化控制逻辑,实验验证其准确率和人力节省效率优异,已推进工业应用落地并开源供验证。
2025-10-06 cs.SE
Automating System Test Case Classification and Prioritization for Use Case-Driven Testing in Product Lines
在许多软件开发环境中,产品线工程(PLE)是一个至关重要的实践,在这些环境中,软件系统是复杂的,并为具有不同需求的多个客户开发。同时,许多开发过程都是用例驱动的,这强烈地影响了他们的需求工程和系统测试实践。在本文中,我们提出,应用,并评估一个自动化的系统测试用例分类和优先级的方法,专门针对系统测试的用例驱动的开发的产品系列的背景下。我们的方法提供:(i)自动化支持对产品族中的新产品、与先前产品相关联的相关且有效的系统测试用例进行分类,以及(ii)使用诸如产品族中的需求的故障倾向性和需求波动性的多个风险因素来自动化系统测试用例的优先级排序。我们的评估是在汽车领域的工业产品系列的背景下进行的。结果提供了经验证据,我们提出了一个实用的和有益的方法来分类和优先级的工业产品线的系统测试用例。
2020-06-17 cs.SE
SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs
University of California San Diego(加州大学圣地亚哥分校);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Peking University(北京大学);University of California, Los Angeles(加州大学洛杉矶分校);California Institute of Technology(加州理工学院);ETH Zurich(苏黎世联邦理工学院)
针对现有LLM评估忽略工具使用代价的问题,提出SimulCost基准,通过单轮和多轮参数调优任务比较LLM与传统扫描方法在准确性和计算代价上的表现,发现LLM在高精度任务中初始猜测不可靠且多轮模式效率更低。
2026-08-18 cs.AI cs.DC cs.LG
Modeling and Selection of Interdependent Software Requirements using Fuzzy Graphs
软件需求选择就是要找到一组最优的需求,使软件的发布具有最高的价值,同时使成本保持在预算之内。然而,软件需求之间与价值相关的依赖关系可能会影响最优集的价值。此外,与价值相关的依赖性可能具有不同的强度。因此,在需求选择过程中,考虑与价值相关的依赖关系的存在和强度是很重要的。然而,现有的选择模型,要么假设软件需求是独立的,或者他们忽略了需求依赖关系的强度。本文提出了一个成本-价值优化模型,考虑价值相关的需求依赖的价值选择的需求(最优集)的影响。我们已经利用模糊图的代数结构建模价值相关的需求依赖关系和他们的优势。通过对一个实际软件项目的仿真研究,验证了该方法的有效性和实用性。
2020-03-03 cs.SE
FedAgentBench: Towards Automating Real-world Federated Medical Image Analysis with Server-Client LLM Agents
Department of Engineering Science, University of Oxford(工程科学系,牛津大学)
该研究提出由服务器与医院客户端 LLM 智能体协同驱动的联邦学习框架及 FedAgentBench 基准,覆盖40种算法、201个数据集和6类医学影像场景,评估24个模型的自主编排能力。
2025-09-28 cs.AI cs.CV cs.DC
An Integer Programming Model for Embedding Social Values into Software Requirement Selection
现有的软件需求选择方法主要集中在优化软件产品的经济价值,而忽略了其社会价值及其对社会的长期影响。然而,社会价值观也很重要,需要在软件需求选择中加以考虑。此外,社会价值的软件需求可能会改变存在或不存在的其他需求,由于这些需求之间的价值依赖。这些依赖关系是不精确的,很难在软件项目中指定。本文提出了一种将社会价值观和社会价值观之间的依赖关系整合到软件需求选择中的可重用程序设计(IP)模型。我们进一步,占社会价值观的不精确性和它们之间的依赖关系,使用模糊图的代数结构。
2020-03-09 cs.SE
Why feature dependencies challenge the requirements engineering of automotive systems: An empirical study
汽车软件系统中的功能依赖和功能交互是错误和缺陷行为的主要来源。为了克服这些问题,存在许多方法,专注于在系统设计的早期阶段对这些功能依赖性进行建模。然而,只有很少的实证研究,报告在工业软件系统中的这种依赖性的程度,以及如何在工业发展的背景下考虑它们。在本文中,我们分析了一个真正的汽车软件系统的功能架构,旨在评估未来车辆的功能之间的相互作用的程度,意识和重要性。我们的研究结果表明,在功能架构中,至少有85%的分析车辆功能相互依赖。它们还表明,当开发人员仅在架构级别上建模时,他们并不知道大量的这些依赖关系。因此,开发人员提到需要更精确的功能交互规范,例如,进行全面的影响分析。这些结果挑战了目前的开发方法,并强调需要一个广泛的建模功能及其依赖关系的需求工程。
2017-08-29 cs.SE
Dependency-Aware Software Requirements Selection using Fuzzy Graphs and Integer Programming
软件需求选择的目标是在满足项目约束条件的前提下,找到一个最优的需求子集。但是需求的值可能取决于最优子集中其他需求的存在或不存在。然而,这种价值取向是不精确的,难以捕捉。在本文中,我们提出了一种基于整数规划和模糊图的方法来考虑值的依赖性和它们的不精确性在软件需求选择。所提出的方法,称为依赖性感知软件需求选择(DARS),由三个部分组成:(i)用于从用户偏好识别值依赖性的自动化技术,(ii)基于模糊图的建模技术,其允许捕获值依赖性的不精确性,以及(iii)一种考虑用户偏好和从这些偏好中识别的价值依赖性以降低软件项目中价值损失的风险的线性规划(ILP)模型。我们的工作是通过研究一个现实世界的软件项目进行验证。结果表明,我们提出的方法减少了软件项目中的价值损失,并可扩展到大的需求集。
2020-03-11 cs.SE
A Methodology for Automating Assurance Case Generation
Institute for Software Integrated Systems Vanderbilt University(范德堡大学软件集成系统研究所);Raytheon BBN Technologies(雷神BBN技术公司)
安全案例已成为各种网络物理系统领域安全认证的组成部分,包括汽车,航空,医疗设备和军事。这些系统的认证程序非常严格,需要强有力的安全保证论据和大量证据支持。尽管有严格的要求,目前的做法仍然依赖于脆弱的手工方法,没有系统的方法或对合理论点的彻底考虑。此外,严格的认证要求和不断增加的系统复杂性使得临时的手动保证案例生成(ACG)效率低下、耗时且昂贵。为了改善目前的实践状态,我们引入了一个结构化的ACG工具,它使用系统设计工件,积累的证据和开发人员的专业知识来构建一个安全案例,并以自动化的方式进行评估。我们还说明了ACG工具的远程控制汽车试验台的案例研究的适用性。
2020-03-11 cs.RO cs.SE
Dependency-Aware Release Planning for Software Projects using Fuzzy Graphs and Integer Programming
软件发布计划(SRP)是在遵守预算的情况下,为软件找到具有最高价值的需求子集。然而,需求的价值可能在不同程度上取决于选择或忽略其他需求。然而,现有的SRP模型要么完全忽略了价值相关的依赖关系,要么忽略了这些依赖关系的优势,即使他们考虑到了这些优势。本文提出了一种考虑软件需求间正、负相关依赖强度差异的软件发布规划模型。为了捕捉与值相关依赖的强度相关的不精确性,我们利用了模糊图的代数结构。我们进一步,贡献了一个可扩展的技术,自动识别的价值相关的依赖关系的基础上,用户偏好的软件需求。通过仿真验证了工作的有效性。
2020-03-03 cs.SE
Automating Dependency Updates in Practice: An Exploratory Study on GitHub Dependabot
本文通过数据分析和开发者调查评估 GitHub Dependabot 的依赖更新效果,发现其虽能减少技术滞后且接受度高,但存在兼容性评分不足、通知疲劳和弃用问题,并据此提出理想依赖管理机器人应具备可配置性、自主性、透明性和自适应能力四个特征。
2023-05-25 cs.HC cs.SE
Lessons from the Use of Natural Language Inference (NLI) in Requirements Engineering Tasks
University of Hawaii at Manoa(夏威夷大学马诺阿分校);Global Cybersecurity Institute, Rochester Institute of Technology(罗切斯特理工学院全球网络安全研究院)
本文评估NLI用于需求分类、缺陷识别和冲突检测,经传统学习与零样本实验证明其优于经典NLP及LLM聊天机器人方法。
2024-04-24 cs.CL cs.LG cs.SE
RepoLaunch: Automating Build and Management of Code Repositories across Languages and Platforms
Microsoft(微软)
RepoLaunch通过自动化依赖解析、编译和测试结果提取,提升了多语言多平台代码仓库的构建效率,其构建成功率达78%,并展示了全自动SWE数据集创建流程。
2026-11-17 cs.LG cs.MA cs.SE
Multi-Objective Service Composition in Ubiquitous Environments with Service Dependencies
服务组合是普适计算中广泛使用的一种方法,它能够基于普适环境中可用的基本(硬件和软件)服务来完成用户所需的复杂任务。为了确保用户体验到最佳的服务质量(QoS),他们的质量需求,服务组合必须是QoS感知。建立QoS感知的服务组合需要有效的服务选择,考虑到用户的QoS要求。为此目的的一个挑战性问题是考虑全局QoS要求下的服务选择(即,由用户对整个任务施加的要求),这具有高计算成本。当我们考虑到无处不在的环境的动态性、有限的计算资源和时效性约束时,这一挑战就更加相关了。为了应对上述挑战,我们提出了QASSA,一个有效的服务选择算法,提供了适当的理由QoS感知的服务组合在无处不在的环境。QASSA将全局QoS需求下的服务选择问题描述为一个基于集合的优化问题,并结合局部和全局选择技术来解决这个问题。特别是,它引入了一种新的方式,使用集群技术,使细粒度的管理QoS目标之间的权衡。QASSA进一步考虑:(i)服务之间的依赖关系,(ii)运行时的适应性,以及(iii)集中式和分布式设计方式。使用真实的QoS数据进行的实验研究的结果来说明QASSA的及时性和最优性。
2016-11-28 cs.SE
Why just FRET when you can Refactor? Retuning FRETISH Requirements
软件系统的形式化验证依赖于形式化它应该遵守的需求,这可能是具有挑战性的。在从自然语言形式化需求时,我们有依赖关系,导致许多需求之间的信息重复,这意味着对一个需求的更改会导致多个地方的更新。我们建议适应美国宇航局的正式需求获取工具(FRET),我们的工具的选择代码重构。重构是重组软件以改善其内部结构而不改变其外部行为的过程;它也可以应用于需求,通过减少重复使其更易于管理。FRET自动将需求(用其输入语言Fretish编写)转换为时态逻辑,这使我们能够正式验证重构是否保留了需求的潜在含义。在本文中,我们提出了四个重构Fretish要求,并解释其效用。我们描述了应用这些重构的民用飞机发动机软件控制器的要求,解耦的依赖性的重复,并分析这是如何改变的要求的数量和重复的数量。我们评估我们的方法,使用现场,一个工具,检查等价的时序逻辑规范。
2022-02-11 cs.SE
Analysis of Library Dependency Networks of Package Managers Used in iOS Development
本文首次分析了Swift生态系统中CocoaPods、Carthage和Swift PM的库依赖网络演化,发现Swift PM日益普及导致其他包管理器增长放缓,且总依赖数量呈增长趋势但平均数量相对较低。
2023-05-18 cs.SE
QualiTagger: Automating software quality detection in issue trackers
University of Oslo(奥斯陆大学);Rey Juan Carlos University(雷伊·胡安·卡洛斯大学);Visma Software International(Visma软件国际公司)
针对现有软件质量识别方法实践适用性差、验证数据集有限的问题,本研究提出QualiTagger,结合Transformer模型与GitHub海量数据集识别问题追踪器中质量属性文本,评估显示其在学生实验及工业安全标签识别中有效。
2025-04-15 cs.LG cs.SE
A Tool for Test Case Scenarios Generation Using Large Language Models
本文提出一个基于Web的工具,利用LLM智能体和提示工程,从史诗与用户故事中自动生成测试用例场景,以应对需求演变下高效测试的挑战。
2024-06-11 cs.SE
Towards Practical Requirement Analysis and Verification: A Case Study on Software IP Components in Aerospace Embedded Systems
本文以中国空间技术研究院的五个真实航空航天嵌入式软件IP组件为案例,提出利用大语言模型自动将自然语言需求转换为时序逻辑规范,并结合三种验证技术实现形式化验证,从而降低对领域专家和人工的依赖。
2024-03-31 cs.SE
Agents4PLC: Automating Closed-loop PLC Code Generation and Verification in Industrial Control Systems using LLM-based Agents
本文提出 Agents4PLC 框架,结合 LLM 多智能体、RAG 与思维链策略,实现工业控制系统中 PLC 代码的自动化生成与代码级验证,并构建了相关基准,评估证明其优于现有方法。
2024-12-25 cs.SE
Static Code Analysis of Multilanguage Software Systems
使用静态代码分析来识别多语言软件系统的依赖调用图是具有挑战性的。开发当今系统所使用的不同语言通常具有不同的词法、语法和语义规则,这使得彻底的分析变得困难。此外,它们在组件内部和组件之间提供不同的模块化和依赖机制。最后,它们促进和--或要求各种框架提供不同的服务集,这些服务集引入了隐藏的依赖关系,这些依赖关系是当前静态代码分析方法所看不到的。在本文中,我们确定了五个重要的挑战,静态代码分析必须克服多语言系统,我们提出了要求,以处理它们。然后,我们提出了这些需求的解决方案来处理JEE应用程序,它将服务器端Java源代码与许多客户端Web方言(例如,JSP,JSF),同时依赖于框架(例如,Web和EJB容器)创建隐藏的依赖关系。最后,我们通过开发一套工具来分析JEE应用程序,构建依赖调用图,并将这些工具应用于两个示例JEE应用程序,来评估我们的解决方案的实现。我们的评估表明,我们的工具可以解决所确定的挑战,并提高召回识别多语言的依赖关系相比,标准的JEE静态代码分析,因此,间接提出的要求是有用的,以建立多语言的静态代码分析。
2019-06-03 cs.SE
Bridging Natural Language and Formal Specification--Automated Translation of Software Requirements to LTL via Hierarchical Semantics Decomposition Using LLMs
School of Computer Science and Technology, Xidian University(西安电子科技大学计算机科学与技术学院);Guangzhou Institute of Technology of Xidian University(西安电子科技大学广州研究院);China Academy of Space Technology(中国空间技术研究院)
本文提出Req2LTL框架,通过层次中间表示OnionL将自然语言需求转换为LTL,实现88.4%的语义准确性和100%的语法正确性。
2025-12-19 cs.SE
Towards Energy-aware Requirements Dependency Classification: Knowledge-Graph vs. Vector-Retrieval Augmented Inference with SLMs
University of Calgary(卡尔加里大学)
本文研究了在SLM中通过知识图谱与向量检索增强推理以提高需求冲突检测的效率和可持续性,评估了不同方法在能耗、延迟和碳排放方面的表现。
2026-03-25 cs.SE
Using Large Language Models for Natural Language Processing Tasks in Requirements Engineering: A Systematic Guideline
针对需求工程领域研究者和从业者难以选择与适配大语言模型的问题,本章提供LLM基础知识及面向NLP4RE任务的系统性实用指南,助力相关研究与应用发展。
2024-05-15 cs.SE
Integrating Inter-Object Scenarios with Intra-object Statecharts for Developing Reactive Systems
在所有的软件开发项目中,工程师都面临着将需求层转换为设计层,然后转换为实现代码层,然后验证结果的正确性的挑战。有许多方法、语言和工具可以促进这一过程,包括在需求、设计和实现层之间进行多次来回的“改进之旅”,方法是把重点放在使所涉及的工件正规化和使整个过程中的各种任务自动化。在本文中,我们介绍了一种新颖的和独特的开发环境,它集成了基于XML的编程(SBP)通过LSC语言和面向对象的,可视化的Statecharts形式主义,反应式系统的发展。LSC的目标是直接从需求规范创建模型和系统,Statecharts主要用于指定最终组件的行为。我们的集成使语义丰富的联合执行,共享和接口的对象和事件,并可用于创建,然后逐步增强可测试的模型,从早期的需求启发,通过详细的设计。在某些情况下,它可以用于生成最终的系统代码。我们描述的集成和语义的技术细节,并讨论其意义,为未来的开发方法。
2020-10-07 cs.SE
Can We Trust Tests To Automate Dependency Updates? A Case Study of Java Projects
开发人员越来越多地使用Dependabot等服务来自动更新依赖关系。然而,最近的研究表明,开发人员认为这些服务是不可靠的,因为他们严重依赖于测试覆盖率来检测更新中的冲突。为了了解依赖测试的流行程度,我们计算了521个经过良好测试的Java项目中直接和间接使用依赖的测试覆盖率。我们发现测试只覆盖了58%的直接依赖调用和20%的传递依赖调用。通过创建1,122,420个人工更新,其中包含262个项目中所有依赖项使用的简单故障,我们测量了测试套件在检测依赖项中的语义故障方面的有效性;我们发现测试平均只能检测到47%的直接人工故障和35%的间接人工故障。为了提高可靠性,我们研究了使用变更影响分析作为减少假阴性的一种手段;平均而言,我们的工具可以发现74%的直接依赖关系中的注入错误和64%的传递依赖关系,几乎是测试套件的两倍。然后,我们将我们的工具应用于22个真实世界的依赖更新,其中它确定了三个语义冲突的情况和五个未使用的依赖关系的情况。我们的研究结果表明,静态和动态分析相结合,应该是未来的依赖更新系统的要求。
2021-09-24 cs.SE
Dependency-Aware Software Release Planning through Mining User Preferences
考虑用户偏好是优化软件发布价值的决定性因素。这是因为用户对软件功能的偏好指定了这些功能的价值,从而决定了发布的价值。然而,软件的某些功能可能会鼓励或阻止用户更喜欢(选择或使用)其他功能。因此,软件功能的价值可能会受到其他功能的积极或消极影响。这种影响被称为与值相关的特征(需求)依赖性。价值相关的依赖关系需要考虑在软件发布计划,因为它们影响的最佳子集的功能选择的发布计划模型的价值。因此,我们提出了考虑价值相关的功能依赖关系,在软件发布规划,通过挖掘用户的喜好,软件功能。我们已经证明了所提出的方法的有效性和实用性,通过研究一个现实世界的软件项目。
2017-02-18 cs.SE
Structural Validation of LLM-Generated Microservice Decompositions Using Source-Code Dependencies
Federal University of Campina Grande - UFCG(坎皮纳格兰德联邦大学);Federal Institute of Pernambuco - IFPE(伯南布哥联邦学院);Instituto Federal da Paraíba - IFPB(帕拉伊巴联邦学院)
本文提出基于静态依赖分析的自动验证流程,评估OpenAI o3生成的微服务分解的结构一致性,发现零样本与少样本提示的结构一致性相当,且需控制映射覆盖率以避免方法学偏差。
2026-07-31 cs.SE
Dependency-Guided Repository-Level C-to-Rust Translation with Reinforcement Alignment
Southeast University(东南大学);The Chinese University of Hong Kong(香港中文大学);Zhejiang University(浙江大学);Peking University(北京大学);Huawei(华为)
提出DepTrans框架,通过强化对齐语法训练和依赖引导迭代精炼,实现仓库级C到Rust的高效翻译,编译成功率和计算准确性分别提升22.8和17.3个百分点。
2026-06-02 cs.SE
Improved management of issue dependencies in issue trackers of large collaborative projects
问题跟踪器(如Jira)已成为软件工程中管理问题(如需求、开发任务和软件错误)的流行协作工具。然而,问题跟踪器本质上专注于单个问题的生命周期,尽管问题具有并表达了对构成大型复杂协作项目中问题依赖网络的其他问题的依赖性。本研究的目的是开发支持性的解决方案,以改善管理的依赖问题的问题跟踪。本研究遵循设计科学的方法,包括引出缺陷,构建和评估解决方案和系统。这项研究是在Qt公司的Jira的背景下进行的,Jira是一个活跃使用的、近20年历史的问题跟踪器,有超过10万个问题。缺点在于用户如何使用问题跟踪器来处理大型、协作和长期项目中的问题信息。该解决方案的基础是将问题和依赖项作为单独的对象,并自动构建问题图。依赖性检测通过提出缺失的依赖性来补充问题图,而一致性检查和诊断则识别冲突的问题优先级和发布分配。Jira的插件和基于服务的系统架构实现了系统实现的功能和质量问题。我们展示了如何在复杂的使用环境和大型数据集中采用问题跟踪器的智能支持技术。该解决方案考虑了综合和整体的系统视图、实际适用性和实用性以及问题数据的实际特征,例如固有的不完整性。
2022-11-15 cs.SE
SLO-ML: A Language for Service Level Objective Modelling in Multi-cloud Applications
云建模语言(CML)旨在帮助客户应对云市场中的服务多样性。虽然许多CML已经在文献中提出,他们缺乏实际的支持,自动选择服务的基础上,客户的应用程序的特定服务水平的目标。我们提出了SLO-ML,一种新的和生成的CML捕获服务水平的要求,随后,选择服务,以满足客户的要求,并生成部署代码适合这些服务。我们提出了SLO-ML的架构设计和实现部署操作的相关代理。我们使用混合方法严格评估SLO-ML。首先,我们利用一组研究人员和开发人员使用现实世界的云应用程序的实验案例研究。我们还通过一套详尽的经验可扩展性测试来评估开销。通过表达获得的生产力和经验丰富的可用性水平,我们强调了SLO-ML在实现以用户为中心的云代理方面的巨大潜力。我们还讨论了随着应用程序需求的增长而出现的限制。
2020-01-29 cs.DC cs.SE
Automatic Detection of Causality in Requirement Artifacts: the CiRA Approach
系统行为通常由需求中的因果关系表示(例如,如果事件1,则事件2)。自动提取这种嵌入的因果知识,不仅支持推理的需求依赖关系,但也是各种自动化的工程任务,如无缝的测试用例的推导。然而,从自然语言中提取因果关系仍然是一个开放的研究挑战,因为现有的方法无法以合理的性能提取因果关系。我们将从需求中提取因果关系理解为两步问题:首先,我们需要检测需求是否具有因果属性。其次,我们需要理解和提取它们的因果关系。然而,目前我们缺乏关于需求中因果关系的形式和复杂性的知识,这对于开发解决这两个问题的合适方法是必要的。我们进行了一个探索性的案例研究,14,983句来自53个需求文档,来自18个不同的领域,揭示了需求中因果关系的形式和复杂性。基于我们的研究结果,我们开发了一种工具支持的因果关系检测方法(CiRA)。这是从NL要求中提取因果关系的第一步。我们报告的案例研究和由此产生的工具支持的因果关系检测方法的要求。我们的案例研究证实,除其他事项外,因果关系实际上是一种广泛使用的语言模式来描述系统行为,因为大约三分之一的分析句子是因果关系。我们进一步证明,我们的工具CiRA在真实数据上实现了82%的宏观F1分数,并且它优于相关方法,在宏观召回率和宏观精度方面的平均增益分别为11.06%和11.43%。最后,我们公开了我们的开放数据集以及我们的工具,以促进在RE社区的因果关系的自动检测的话语。
2021-01-26 cs.SE