[논문 리뷰] Testing Storage-System Correctness: Challenges, Fuzzing Limitations, and AI-Augmented Opportunities

Ying Wang, Jiahui Chen외 1명|arXiv (Cornell University)|2026. 02. 02.

Software System Performance and Reliability인용 수 0

한 줄 요약

이 논문은 저장 시스템의 올바름 테스트를 조사하며, 결함 모델을 개략하고, 계층 간 기존 기법을 평가하며, 퍼징의 한계를 검토하고, 의미 인식 검증을 위한 AI 보강 기회를 탐색한다.

ABSTRACT

Storage systems are fundamental to modern computing infrastructures, yet ensuring their correctness remains challenging in practice. Despite decades of research on system testing, many storage-system failures (including durability, ordering, recovery, and consistency violations) remain difficult to expose systematically. This difficulty stems not primarily from insufficient testing tooling, but from intrinsic properties of storage-system execution, including nondeterministic interleavings, long-horizon state evolution, and correctness semantics that span multiple layers and execution phases. This survey adopts a storage-centric view of system testing and organizes existing techniques according to the execution properties and failure mechanisms they target. We review a broad spectrum of approaches, ranging from concurrency testing and long-running workloads to crash-consistency analysis, hardware-level semantic validation, and distributed fault injection, and analyze their fundamental strengths and limitations. Within this framework, we examine fuzzing as an automated testing paradigm, highlighting systematic mismatches between conventional fuzzing assumptions and storage-system semantics, and discuss how recent artificial intelligence advances may complement fuzzing through state-aware and semantic guidance. Overall, this survey provides a unified perspective on storage-system correctness testing and outlines key challenges

연구 동기 및 목표

• 현대 저장 시스템 아키텍처와 올바름 테스트를 복잡하게 만드는 실패 모델을 특성화한다.
• 고장 클래스 및 기본 가정에 따른 기존 저장 시스템 테스트 기법을 체계화한다.
• 퍼징이 저장 시스템 의미론과 어떻게 정합하는지 분석하고 한계를 식별한다.
• AI 기반 방법이 상태 인식 및 의미론적 지침을 검증에 제공할 수 있는 방법을 논의한다.
• 향후 의미 인식 테스트를 안내하는 통일된 저장 중심 프레임워크를 개요한다.

제안 방법

• 실행 특성과 대상 실패 메커니즘에 따라 테스트 기법을 조직한다.
• 다섯 가지 광범위한 실패 클래스를 검사한다: 시간적/원천, 상태 진화, 충돌-일관성/복구, 하드웨어/영구성 모델, 분산 동기화/복제 일관성.
• 저장 시스템 요구사항과의 정합성을 평가하기 위해 퍼징 파이프라인을 분해하고 격차를 식별한다.
• AI 보강 테스트를 상태 진화, 이력, 의미론적 올바름을 추론하는 메커니즘으로 논의한다.
• 저장 시스템 올바름 테스트에 대한 통일된 관점을 제공하고 향후 의미 인식 검증 방향을 개요한다.

Figure 1 . Multi-Layer Structure of Modern Storage Systems.

실험 결과

연구 질문

• RQ1 다층 아키텍처 전반에서 저장 시스템 올바름 테스트를 어렵게 만드는 실패 모드는 무엇인가?
• RQ2 기존 테스트 기법은 장기적-수평, 교차 계층 및 복구 시간 실패를 노출하는 데 얼마나 효과적인가?
• RQ3 퍼징은 저장 시스템 테스트에서 어디에 위치하고 기본적인 한계는 무엇인가?
• RQ4 AI를 활용해 저장 시스템의 상태를 인식하고 의미론적으로 검증하는 것을 어떻게 향상시킬 수 있는가?
• RQ5 미래 방향은 저장 스택을 위한 통합적이고 의미 인식 테스트 프레임워크를 가능하게 하는가?

주요 결과

• 저장 시스템 올바름 테스트는 비결정적 상호작용, 장기간에 걸친 상태 진화, 그리고 교차 계층 의미론으로 인해 어렵다.
• 기존 기법은 여러 실패 클래스를 다루지만, 의미론적 가이드, 장기적 시나리오 커버리지 및 확장성 측면에서 한계가 있다.
• 퍼징은 저장 의미론과 일치하지 않는 가정에 의존하는 경우가 많아 결함의 노출이 불완전해진다.
• AI-보강 접근은 상태 인식 및 의미 가이던스를 제공해 검증을 향상시킬 수 있으며, 깊은 상태와 다단계 실패의 커버리지를 개선할 수 있다.
• 저장 중심 관점은 서로 다른 기법을 하나로 묶고 향후 의미 인식 검증의 도전과 기회를 강조한다.

Figure 2 . Four fundamental dimensions of storage-system testing complexity.