АВТОМАТИЧНЕ ГЕНЕРУВАННЯ ТЕСТ-КЕЙСІВ НА ОСНОВІ МОДЕЛЕЙ ПОВЕДІНКИ СИСТЕМИ ІЗ ЗАСТОСУВАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПІДВИЩЕННЯ ЯКОСТІ ПРОГРАМНИХ ПРОДУКТІВ
DOI:
https://doi.org/10.31471/1993-9965-2024-2(57)-78-85Ключові слова:
моделі поведінки системи, тест-кейси, автоматизація тестування, графи, генерація тестових сценаріїв, покриття кодуАнотація
Ефективне тестування програмного забезпечення дозволяє значно підвищити його якість і зменшити витрати на різних етапах його життєвого циклу. У статті досліджено можливості автоматизації процесу генерування тест-кейсів на основі моделей поведінки програмних систем із застосуванням методів штучного інтелекту (ШІ) для підвищення якості, надійності та функціональності програмних продуктів. Розглянуто основні підходи до моделювання поведінки систем, зокрема діаграми станів, діаграми переходів та автоматні моделі, що є основою для створення тестових сценаріїв. Детально проаналізовано принципи автоматичного генерування тест-кейсів із використанням алгоритмів машинного навчання, нейронних мереж та евристичних методів. Запропоновано комплексний підхід до оптимізації покриття тестами, що дозволяє не лише зменшити кількість надлишкових тестів, а й підвищити ефективність процесу тестування шляхом адаптації сценаріїв до змін у програмному забезпеченні. Окрему увагу приділено оцінці ефективності запропонованих підходів на основі емпіричних досліджень та порівняльного аналізу з традиційними методами тестування. Результати дослідження підтверджують, що застосування методів ШІ значно скорочує час розробки тестів, покращує виявлення дефектів та забезпечує глибше покриття коду, що є критично важливим для сучасних складних і динамічних програмних систем. Практична значущість дослідження полягає у можливості впровадження запропонованих методів у реальних проєктах для підвищення якості та безпеки програмних продуктів, а також у зменшенні витрат на тестування та підтримку програмного забезпечення.
Завантаження
Посилання
Ajorloo S., Jamarani A., Kashfi M., Kashani M. H., Najafizadeh A. A systematic review of machine learning methods in software testing. Applied Soft Computing. 2024. Vol. 162. P. 358. https://doi.org/10.1016/j.asoc.2024.111805
Broy M., Jonsson B., Katoen J.-P., Leucker M., Pretschner A. Model-based testing of reactive systems: Advanced lectures. Springer-Verlag. 2005. P. 238. https://link.springer.com/book/10.1007/b137241
Utting M., Legeard B. Practical Model-Based Testing: A Tools Approach. Morgan Kaufmann. 2007. P. 298. https://doi.org/10.1016/B978-0-12-372501-1.X5000-5
Farshchi M., Schneider J-G, Weber I., Grundy J. Metric selection and anomaly detec-tion for cloud operations using log and metric correlation analysis. Journal of Systems and Software, 2018. Vol. 137. P. 531-549 https://doi.org/10.1016/j.jss.2017.03.012
Cornelissen B., Zaidman A., van Deursen A., Moonen L., Koschke R. A System-atic Survey of Program Comprehension through Dynamic Analysis. IEEE Transactions on Software Engineering. 2009. Vol. 35, No. 5, P. 684-702. https://doi.org/10.1109/TSE.2009.28
Alexandre Rafael Lenz, Aurora Pozo, Silvia Regina Vergilio. Linking software testing results with a machine learning approach. Engi-neering Applications of Artificial Intelligence. 2013. Vol. 26. Iss. 5–6. P. 1631-1640. https://doi.org/10.1016/j.engappai.2013.01.008
Beizer B. Software Testing Tech-niques. Dreamtech, 2003. P. 550.
AI and Test Automation: Driving Inno-vation in Software Testing. URL: https://eleks.com/research/ai-test-automation
Software Testing Using AI. URL: https://www.softserveinc.com/en-us/blog/software-testing-using-ai
The Future of Software Quality Assurance. Stephan Goericke Ed. Springer. 2020. 272 p. https://link.springer.com/book/10.1007/978-3-030-29509-7
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторські права....