Today’s enterprise software systems are much more complicated than the past. Increasing numbers of dependent applications, heterogeneous technologies, and wide usage of Service-Oriented Architectures (SOA), where numerous services communicate with each other, makes testing of such systems challenging. For testing these software systems, the concept of service virtualization is gaining popularity. Service virtualization is an automated technique to mimic the behavior of a given real service. Services can be classified as stateless or stateful services. Many services are stateful in nature, yet virtualization of stateful services is harder than virtualization of stateless services. In this work, we introduce two novel stateful service virtualization approaches. We employ classification-based and sequence-to-sequence-based machine learning algorithms in developing our solutions. Classification is a supervised learning method where the task is assigning given inputs to corresponding classes. A sequence-to-sequence model is a deep neural network architecture where the input and the output are sequences. We demonstrate the validity of our approaches on three datasets. Our evaluation shows that we obtain 75 % to 81 % accuracy on subject datasets with classification based method. Our deep neural network-based solution achieves even better accuracy results ranging from 89 to 97 % on subject datasets. Our evaluation on training times of the mentioned techniques show that classification based technique significantly outperforms other methods.

中文翻译：

---

通过机器学习虚拟化有状态服务

今天的企业软件系统比过去复杂得多。越来越多的依赖应用程序、异构技术以及面向服务架构 (SOA) 的广泛使用（其中众多服务相互通信）使得对此类系统的测试具有挑战性。为了测试这些软件系统，服务虚拟化的概念越来越流行。服务虚拟化是一种模拟给定真实服务行为的自动化技术。服务可以分为无状态或有状态服务。许多服务本质上是有状态的，但是有状态服务的虚拟化比无状态服务的虚拟化更难。在这项工作中，我们介绍了两种新颖的有状态服务虚拟化方法。我们采用基于分类和基于序列到序列的机器学习算法来开发我们的解决方案。分类是一种监督学习方法，其中任务是将给定的输入分配给相应的类。序列到序列模型是一种深度神经网络架构，其中输入和输出都是序列。我们证明了我们的方法在三个数据集上的有效性。我们的评估表明，我们使用基于分类的方法在主题数据集上获得了 75% 到 81% 的准确率。我们基于深度神经网络的解决方案在主题数据集上实现了更好的准确度结果，范围从 89% 到 97%。我们对上述技术的训练时间的评估表明，基于分类的技术明显优于其他方法。分类是一种监督学习方法，其中任务是将给定的输入分配给相应的类。序列到序列模型是一种深度神经网络架构，其中输入和输出都是序列。我们证明了我们的方法在三个数据集上的有效性。我们的评估表明，我们使用基于分类的方法在主题数据集上获得了 75% 到 81% 的准确率。我们基于深度神经网络的解决方案在主题数据集上实现了更好的准确度结果，范围从 89% 到 97%。我们对上述技术的训练时间的评估表明，基于分类的技术明显优于其他方法。分类是一种监督学习方法，其中任务是将给定的输入分配给相应的类。序列到序列模型是一种深度神经网络架构，其中输入和输出都是序列。我们证明了我们的方法在三个数据集上的有效性。我们的评估表明，我们使用基于分类的方法在主题数据集上获得了 75% 到 81% 的准确率。我们基于深度神经网络的解决方案在主题数据集上实现了更好的准确度结果，范围从 89% 到 97%。我们对上述技术的训练时间的评估表明，基于分类的技术明显优于其他方法。我们证明了我们的方法在三个数据集上的有效性。我们的评估表明，我们使用基于分类的方法在主题数据集上获得了 75% 到 81% 的准确率。我们基于深度神经网络的解决方案在主题数据集上实现了更好的准确度结果，范围从 89% 到 97%。我们对上述技术的训练时间的评估表明，基于分类的技术明显优于其他方法。我们证明了我们的方法在三个数据集上的有效性。我们的评估表明，我们使用基于分类的方法在主题数据集上获得了 75% 到 81% 的准确率。我们基于深度神经网络的解决方案在主题数据集上实现了更好的准确度结果，范围从 89% 到 97%。我们对上述技术的训练时间的评估表明，基于分类的技术明显优于其他方法。