Building secure and reliable software is an essential and challenging endeavor that requires extensive testing. Due to development teams' time and resource constraints, testing falls short, and necessary tests are even skipped altogether. Feedback-based fuzzing is the most practical dynamic testing method to find bugs and security vulnerabilities in software. In this talk, I'll provide an overview of fuzzing and show how we can leverage large language models to generate the test harnesses needed for fuzzing automatically. This enables an automated and scalable testing strategy for modern software.

Target Audience: Developers, testers, engineering managers, CTOs
Prerequisites: Basic knowledge of Java
Level: Basic

Extended Abstract:
Dynamic testing methods, including feedback-based fuzzing, are the most effective approach for finding software bugs and security vulnerabilities. Fuzzing has uncovered thousands of bugs and vulnerabilities in both open-source and enterprise software. The self-learning aspect of feedback-based fuzzing makes it suitable to integrate into the development process to provide quick feedback to developers, thus enabling them to fix them quickly. Despite this incredible track record, one barrier has been left hindering the broad adoption of dynamic white-box testing: The manual engineering effort required to identify relevant interfaces and develop the corresponding test harnesses. In this talk, I'll provide an overview of feedback-based fuzzing and show how it can automatically uncover functional and security issues. I will also discuss the self-learning aspect of automatically generating test cases that explore the program and maximize code coverage. Next, I'll address the overhead of writing test harnesses for fuzzing and show how we can leverage the code generation capabilities of large language models to automate this step. This opens the door to building an automated and scalable testing strategy for our software. I'll demonstrate the discussed approach in a live demo.

Was wäre, wenn wir heute schon menschliche Intelligenz in der Qualitätssicherung und im Testdesign nutzen würden? Oft zeigt sich, dass noch viel zu viel aus dem Bauch und ad hoc durchgeführt wird. Da hilft es dann auch nichts, diese Ergebnisse aus dem Testdesign zu automatisieren. Können uns Sprachmodelle wie ChatCPT helfen. Wie? Auf was müssen wir achten? All diese Punkte werde ich in meinem Vortag beleuchten und mit Live-Beispielen untermalen. Der Vortrag wird durch ein Miro-Projekt unterstützt, sodass die Teilnehmer auch schon während des Vortrags dort aktiv sein können und natürlich auch noch lange danach.

Zielpublikum: Tester:innen, Testmanger:innen, Requirements Engineers
Voraussetzungen: Keine speziellen, Spaß an Neuem, Interesse an Qualitätssicherung
Schwierigkeitsgrad: Basic

When we explain our neurodivergent brains and how they work to colleagues and friends, we often get compared with Artificial Intelligence - no joke! But one of us is barely using AI tools and one of us loves them! We will play a game with the audience to finally know if you are Team Human or Team AI. In addition, we will share with you our assessment approach to help you determine if you have any weaknesses that ChatGPT can help you with. You will know if you are the type to use the tool and what to consider to use it effectively.

Target Audience: Everyone
Prerequisites: None
Level: Basic

Extended Abstract:
Using ChatGPT in different ways is not the only way we are diverse. However, we both found our way into the testing community. Tugba has a lot of technical expertise and feels the best in a SDET role whereas Viviane prefers roles with communication and processes such as quality architect or quality coach. To prepare our speech we are going to give us each several tasks from our daily doing. Tugba will solve them using "her buddy" ChatGPT and Viviane will face them without it. We will show you how we each came to our solution and present to you our results. And then we need you to judge! After each presented task we will ask for your preference. And we will clarify the ultimate question: Are you team AI or team human? As an additional benefit we will give some insights how to effectively use ChatGPT in your daily doing and where it might be better to use the intelligence without the artificial aspect.

Continuous Testing ist der wichtigste Prozess, durch den DevOps erst erfolgreich wird. Dabei handelt es sich um einen Prozess, der automatisiert und kontinuierlich die Veränderungen des Codes überprüft, um sowohl funktionale als nicht-funktionale Anforderungen zu validieren. Das Ziel ist es, proaktiv Fehler zu finden und frühzeitig in der Entwicklung zu beheben. Aber wie sieht es bei Last- und Performancetests im wirklichen Leben aus?

Zielpublikum: Erfahrene Softwaretester, Testanalysten, Testautomatisierer, Testmanager, Test Consultants, Tool-Verantwortliche, Mobile Tester
Voraussetzungen: Keine
Schwierigkeitsgrad: Advanced

Extended Abstract:
Continuous Testing ist der wichtigste Prozess, durch den DevOps erst erfolgreich wird. Dabei handelt es sich um einen Prozess, der automatisiert und kontinuierlich die Veränderungen des Codes überprüft, um sowohl funktionale als nicht-funktionale Anforderungen zu validieren. Das Ziel ist es, proaktiv Fehler zu finden und frühzeitig in der Entwicklung zu beheben. Aber wie sieht es bei Last- und Performancetests im wirklichen Leben aus? In diesem Vortrag werden folgende Aspekte beleuchtet:

• Last- und Performancetests im Continuous-Delivery-Umfeld
• Best Practices beim Testen webbasierter Oberflächen
• Best Practices für die Entwicklung dedizierter Performance-Pipelines
• Die Rolle von Open Source beim Continuous Testing
• Die Schritte zum Continuous Testing
• Continuous Performance Testing/Last- und Performancetests zum Anfassen – Live Demo (Azure, GitHub)

Fazit: Damit Continuous Performance Testing erfolgreich sein kann, werden die richtigen Tools und qualifizierte Experten (ISTQB Performance Tester) benötigt. Continuous Performance Testing ist weit mehr als Automatisierung!

CI/CD gilt in der Software-Entwicklung als unverzichtbar, auch die Automobilzulieferer haben diesen Trend entdeckt. Sie wollen Produkte von der Stange anbieten, aber OEMs wollen Alleinstellungsmerkmale. Wie kommt man in dieser Multiprojektlandschaft zu effizientem CI/CD? Die Versuchung ist groß, Jenkins Pipelines zu erstellen und 24 h Nightly Builds zu etablieren. Aber wer hat Lust, am nächsten Morgen Fehler zu analysieren, die weder nachvollziehbar noch reproduzierbar sind? Wir nicht! Unser Weg zum Glück führt über sauberes Dependency Handling mit CMake und nachvollziehbaren Tests in Python hin zu schnellen Builds mit reproduzierbaren Ergebnissen.

Zielpublikum: Spezielle Vorkenntnisse sind nicht erforderlich. Das Thema betrifft CI/CD-Anfänger und -Experten gleichermaßen. Wir möchten die Hochs und Tiefs unserer CI/CD-Reise in der Automobilindustrie darstellen.
Voraussetzungen: Für die verwendeten Beispiele können Kenntnisse in Jenkins Pipelines und Python hilfreich sein, sind aber nicht notwendig.
Schwierigkeitsgrad: Basic