Empirical Assessment of Generating Adversarial Configurations for Software Product Lines

Titre traduit de la contribution: Evaluation empirique de générations de configurations malignes pour les lignes de produits logicielles

Paul Temple, Gilles Perrouin, Mathieu Acher, Battista Biggio, Jean-Marc Jézéquel, Fabio Roli

Résultats de recherche: Contribution à un journal/une revueArticleRevue par des pairs

81 Téléchargements (Pure)

Résumé

Software product line (SPL) engineering allows the derivation ofproducts tailored to stakeholders’ needs through the setting of a large numberof configuration options.Unfortunately, options and their interactions create a huge configurationspace which is either intractable or too costly to explore exhaustively. Insteadof covering all products, machine learning (ML) approximates the set of ac-ceptable products (e.g.,successful builds, passing tests) out of a training set (asample of configurations). However, ML techniques can make prediction errorsyielding non-acceptable products wasting time, energy and other resources.We applyadversarial machine learning techniquesto the world of SPLs andcraft new configurations faking to be acceptable configurations but that arenot and vice-versa. It allows to diagnose prediction errors and take appropriateactions. We develop two adversarial configuration generators on top of state-of-the-art attack algorithms and capable of synthesizing configurations thatare both adversarial and conform to logical constraints.We empirically assess our generators within two case studies: an industrialvideo synthesizer (MOTIV) and an industry-strength, open-source Web-appconfigurator (JHipster). For the two cases, our attacks yield (up to) a 100%misclassification rate without sacrificing the logical validity of adversarial con-figurations. This work lays the foundations of a quality assurance frameworkfor ML-based SPLs.
Titre traduit de la contributionEvaluation empirique de générations de configurations malignes pour les lignes de produits logicielles
langue originaleAnglais
Numéro d'article6
Pages (de - à)1-49
journalEmpirical Software Engineering
Volume26
Numéro de publication1
Les DOIs
Etat de la publicationPublié - janv. 2021

mots-clés

  • ligne de produits logiciels
  • systèmes configurables
  • variabilité logicielle
  • test logiciel
  • machine learning
  • assurance qualité

Empreinte digitale

Examiner les sujets de recherche de « Evaluation empirique de générations de configurations malignes pour les lignes de produits logicielles ». Ensemble, ils forment une empreinte digitale unique.

Contient cette citation