Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
시스템의 변화를 실시간으로 감지하여 통신 테스트 스크립트를 자동으로 업데이트하는 문맥 인식 생성형 AI 프레임워크를 제안합니다. 지식 그래프와 MCP, RAG를 결합하여 정적인 테스트의 한계를 극복하고 지속적으로 적응하는 테스트 프로세스를 구축합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기통신 소프트웨어 시스템 및 네트워크를 위한 자동화된 테스트 생성은 머신러닝 (Machine Learning) 및 규칙 기반 (Rule-based) 접근 방식의 채택으로 크게 발전했습니다. 그러나 기존 솔루션의 대부분은 시스템의 스냅샷을 대상으로 정적인 테스트 스위트 (Test Suites)를 생성합니다. 코드, 설정, 토폴로지 (Topologies) 및 핵심 성과 지표 (KPIs)가 진화함에 따라, 이러한 테스트들은 빠르게 구식이 되거나 실제 시스템과 일치하지 않게 됩니다. 현재 전체 테스트 스위트를 다시 생성하지 않고도 미세한 변화를 지속적으로 감지하고 영향을 받는 테스트만을 선택적으로 조정하는 널리 채택된 솔루션은 없습니다. 본 논문은 테스트를 정적인 산출물이 아닌 시스템의 현재 상태에 의해 구동되는 지속적으로 적응하는 프로세스로 취급하는, 자동화된 통신 테스트 스크립트 생성을 위한 문맥 인식 생성형 AI (Context-Aware Generative AI) 프레임워크를 제시합니다. 핵심 기여는 라이브 지식 그래프 (Knowledge Graph, KG) 상에서의 델타 조건부 테스트 생성 (Delta-conditioned test generation)입니다. 우리의 접근 방식은 단일 진실 공급원 (Single source of truth)으로서 지속적으로 업데이트되는 지식 그래프 (KG)를 사용하고, 미세한 변화 감지를 위한 델타 엔진 (Delta engine), 그리고 모델 컨텍스트 프로토콜 (Model Context Protocol, MCP)을 통해 작동하여 테스트 케이스를 자동으로 생성, 업데이트 또는 폐기하는 KG 가이드 생성형 AI 에이전트를 활용합니다. 나아가 우리는 통신 도메인 지식 및 과거 산출물로 추론을 풍부하게 하기 위해 검색 증강 생성 (Retrieval-Augmented Generation, RAG)을 통합합니다. 우리는 GitLab에서 관리되는 Python 기반 KPI 모니터링 애플리케이션을 포함하여 소프트웨어 시스템 및 통신 네트워크 사용 사례 전반에 걸친 적용 가능성을 입증하며, 이 프레임워크가 어떻게 수동 노력을 줄이고, 테스트 관련성을 개선하며, 테스트 사이클을 가속화하는지 보여줍니다.