Resumen: Modernizar los sistemas de software heredado es una tarea crítica pero desafiante, a menudo obstaculizada por la falta de documentación y comprensión de la compleja lógica de decisión del sistema original. Enfoques tradicionales como la clonación de comportamiento simplemente replicar el comportamiento de entrada-salida sin capturar la intención subyacente. Este documento propone una tubería novedosa para extraer automáticamente la lógica de decisión interpretable de los sistemas heredados tratados como cajas negras. El enfoque utiliza un agente de aprendizaje de refuerzo (RL) para explorar el espacio de entrada e identificar límites de decisión críticos mediante acciones recompensas que causan cambios significativos en la salida del sistema. Estas transiciones de estado contrafactual, donde cambia la salida, se recopilan y se agrupan usando K-means. Los árboles de decisión se capacitan en estos grupos para extraer reglas legibles por humanos que se aproximan a la lógica de decisión del sistema cerca de los límites identificados. Demostré la efectividad de la tubería en tres sistemas heredados ficticios con una complejidad variable, incluida la lógica de rango basado en umbral, combinado y condicional y no lineal. Los resultados muestran que el agente RL enfoca con éxito la exploración en regiones límite relevantes, y las reglas extraídas reflejan con precisión la lógica central de los sistemas ficticios subyacentes, proporcionando una base prometedora para generar especificaciones y casos de prueba durante la migración heredada.
Publicado Originalme en export.arxiv.org El 1 de julio de 2025.
Ver Fuente Original
