Model learning

Dit onderzoek maakt deel uit van het TiCToC-project (Testing In times of Continuous Change). TiCToC integreert model based testing met automata learning. Bij MBT maken we handmatig een model van het systeem. Dat is lastig, vooral voor legacy-systemen waar specificaties ontbreken, incompleet of onjuist zijn.

Model learning is een aanpak waarbij een model wordt afgeleid uit logbestanden of andere observaties van het systeem. Het probeert een model te construeren dat overeenkomt met het waargenomen gedrag. Model learning is een actief onderzoeksgebied aan de universiteiten van Twente en Nijmegen. Een van de leidende tools is LearnLib.

De LearnLib-aanpak heeft een aantal serieuze beperkingen. We zijn daarom ook geïnteresseerd in andere benaderingen, zoals Test based modeling van Tim Willemsen. De geleerde modellen verschillen daarnaast van die van Axini: wij gebruiken Symbolic Transition Systems met data en tijd. Deze hebben prettige compositionele eigenschappen om grotere modellen te bouwen uit kleinere (sequentieel of parallel). LearnLib leert vooral Mealy machines en Finite Automata, die deze eigenschappen niet delen.

Bovendien hebben huidige technieken moeite met systemen die non-deterministisch gedrag vertonen, wat veel complexe real-world systemen doen. We denken dat LLMs (large language models) een interessante kandidaat zijn voor model learning, gezien hun vermogen om met natuurlijke taal én gestructureerde data zoals logbestanden om te gaan.