심층 강화학습 (Deep Reinforcement Learning, DRL) 에이전트는 자율 주행 및 로봇 제어와 같은 도전적인 의사 결정 문제를 해결하기 위해 다양한 영역에서 널리 채택되어 왔습니다. 이러한 응용 분야 중 상당수가 안전 및 보안에 매우 중요하기 때문에, DRL 에이전트에 대한 엄격한 테스트는 필수적입니다. 기존의 테스트 방법들은 일반적으로 실패를 탐지하기 위해 보상 신호 (reward signals)에 의존합니다. 그러나 표준 운영 조건에서 성능이 최적 수준에 도달한 잘 훈련된 에이전트의 경우, 보상 신호가 일반적으로 높게 유지되므로 현재의 방법으로는 치명적인 실패를 찾아내는 데 효과적이지 않습니다. 이러한 문제를 해결하기 위해, 우리는 필요한 테스트 횟수를 줄이면서 실패 탐지 능력을 향상시키기 위해 작업 유도 실패 통찰력 (task-induced failure insights)을 활용하는 새로운 실패 기반 방법을 제안합니다. DRL 에이전트는 본질적으로 인간이 정의한 작업 (tasks)을 바탕으로 설계되었기 때문에, 작업 난이도에 대한 가치 있는 단서를 제공합니다. 직관적으로, DRL 에이전트는 더 어려운 작업에 직면했을 때 실패할 가능성이 더 높습니다. 따라서 PRT는 이러한 작업들을 우선시합니다. 이러한 토대 위에, 우리는 생성된 테스트 케이스의 다양성을 유지하면서도 표적화된 우선순위 지정이 가능한 블랙박스 (black-box) 방식의 실패 기반 테스트 방법인 Prior Random Testing을 제안합니다. 작업 유도 실패 통찰력에 따라, PRT는 입력 도메인의 실패하기 쉬운 영역에 우선순위를 부여함으로써 효율적인 실패 탐지를 용이하게 합니다. PRT는 널리 사용되는 4가지 벤치마크에서 평가되었으며, 퍼징 (fuzzing), 탐색 기반 (search-based) 및 생성 기반 (generative-based) 방법을 포함한 다양한 최신 기술 (state-of-the-art) 방법들과 비교되었습니다. PRT는 첫 번째 실패를 찾는 비용과 테스트 케이스의 다양성 측면 모두에서 최상위 성능을 기록했습니다. 특히, 무작위 테스트 (random testing)와 비교했을 때 PRT는 더 나은 다양성을 달성하였으며 테스트 비용을 50% 이상 절감했습니다.