针对大规模汽车软件需求的集群感知双级测试规范生成

随着项目规模扩大到数千个要求，生成满足 Automotive SPICE SWE.6 要求的测试规范变得越来越具有挑战性和耗时。由于此手动过程通常需要花费数周的工程工作时间，因此自动化变得至关重要。然而，标准 大语言模型 (LLM) 方法在规模上遇到了困难：单独处理需求会丢弃重要的需求间依赖关系，同时提供整个语料库超出上下文窗口限制，导致不完整的集成覆盖和冗余测试用例。本文提出了一种新颖的“聚类然后汇总”管道，通过三个阶段解决这些限制。使用句子 Transformer 嵌入需求，并使用 UMAP 降维和 HDBSCAN 基于密度的聚类进行分组。该分组利用由归一化 Silhouette 和 Calinski-Harabasz 分数相结合的质量标准驱动的自动最小簇大小选择。然后，多级映射缩减摘要算法将每个集群提炼为简洁的、符合领域的描述，同时保留定量阈值和安全完整性级别。该管道利用派生的集群拓扑来生成两个级别的测试规范：单独的需求验证和验证跨需求功能行为的集群级集成测试。附近集群上下文机制在每次 LLM 调用期间提供有界跨功能感知，检索增强生成将所有输出置于 ISO 26262 和 ASPICE 标准中。对不同规模的汽车需求数据集的评估表明，与基线方法相比，集群感知方法提高了集成测试覆盖率并保持了摘要保真度，同时有效地扩展到数千个需求。