AI+RTESTING_um método de seleção e de priorização para apoiar o teste de regressão utilizando aprendizado de máquina

Página do item simplificado
dc.contributor.advisorLenz, Alexandre Rafael
dc.contributor.authorCristo, Thamires Asenate Botelho de
dc.contributor.refereeJorge, Eduardo Manuel de Freitas
dc.contributor.refereeSouza, Mônica Massa de
dc.date.accessioned2024-10-01T18:47:49Z
dc.date.available2024-10-01T18:47:49Z
dc.date.issued2017-07-07
dc.description.abstractO teste de regressão é fundamental para testar alterações efetuadas durante a fase de manutenção do software e verificar se estas não introduziram defeitos em partes que antes funcionavam corretamente. Devido ao custo e ao tempo despendido para esta atividade, metodologias têm sido propostas para reduzir os esforços e aumentar a eficácia de sua execução. As técnicas de Aprendizado de Máquina podem ser utilizadas para associar as informações coletadas na atividade de teste para identificar casos de teste que possuam comportamentos semelhantes e gerar regras de classificação que podem ser aplicadas para seleção e priorização de casos de teste. A seleção e a priorização de casos de teste podem reduzir significativamente o tempo do teste de regressão e aumentar a probabilidade de detectar erros mais rapidamente. Diante disso, este trabalho tem como objetivo implementar um método de seleção e de priorização, com o propósito de reduzir o tempo gasto na atividade de teste de regressão de métodos implementados na linguagem Java, garantindo a cobertura dos critérios de teste. As ferramentas Jabuti (teste estrutural) e Mujava (teste baseado em erros) foram integradas para que os dados de execução sejam agrupados e submetidos a algoritmos de agrupamento, acionados a partir da API da ferramenta Weka integrada ao projeto com o propósito de encontrar comportamentos semelhantes entre os casos de teste e posteriormente aplicar um algoritmo de classificação, a fim de gerar regras a serem utilizadas na seleção e priorização do conjunto de casos de teste. Os resultados obtidos com os experimentos realizados na fase de validação demonstram que mesmo selecionando apenas 60% dos casos de teste do conjunto original, a redução na cobertura dos critérios de teste permaneceu elevada. No entanto, para obtenção de resultados mais precisos, sugere-se a integração ao processo automatizado da metodologia, a reexecução dos novos conjuntos de casos de teste obtidos no processo de validação
dc.description.abstract2Regression testing is essential for testing changes made during the software maintenance phase and checking that they have not introduced defects into parts that previously worked correctly. Due to the cost and time spent on this activity, methodologies have been proposed to reduce the effort and increase the effectiveness of its execution. Machine Learning techniques can be used to associate the information collected in the testing activity to identify test cases that have similar behaviours and generate classification rules that can be applied to select and prioritize test cases. Selecting and prioritizing test cases can significantly reduce regression testing time and increase the likelihood of detecting errors more quickly. In view of this, the aim of this work is to implement a selection and prioritization method, with the aim of reducing the time spent on regression testing methods implemented in the Java language, while guaranteeing coverage of the test criteria. The Jabuti (structural testing) and Mujava (error-based testing) tools have been integrated so that the execution data can be grouped and submitted to grouping algorithms, triggered from the API of the Weka tool integrated into the project with the aim of finding similar behaviours between the test cases and then applying a classification algorithm in order to generate rules to be used in the selection and prioritization of the set of test cases. The results obtained from the experiments carried out in the validation phase show that even when selecting only 60% of the test cases from the original set, the reduction in coverage of the test criteria remained high. However, in order to obtain more accurate results, it is suggested that the new sets of test cases obtained in the validation process be integrated into the automated process of the methodology.
dc.format.mimetypeapplication/pdf
dc.identifier.citationCRISTO, Thamires Asenate Botelho de. AI+RTESTING - um método de seleção e de priorização para apoiar o teste de regressão utilizando aprendizado de máquina. Orientador: Alexandre Rafael Lenz. 2017. 97 f. Trabalho de conclusão de curso (Bacharelado em Sistemas de Informação) - Departamento de Ciências Exatas e da Terra, Campus I, Universidade do Estado da Bahia. Salvador- BA, 2017.
dc.identifier.urihttps://saberaberto.uneb.br/handle/20.500.11896/6389
dc.language.isopor
dc.publisherUniversidade do Estado da Bahia
dc.publisher.programGraduação
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/
dc.rights2Attribution 3.0 Brazilen
dc.subject.keywordsTeste de Software
dc.subject.keywordsTeste de regressão
dc.subject.keywordsAprendizado de Máquina
dc.titleAI+RTESTING_um método de seleção e de priorização para apoiar o teste de regressão utilizando aprendizado de máquina
dc.title.alternativeAI+RTESTING_ a selection and prioritization method to support regression testing using machine learning
dc.typeinfo:eu-repo/semantics/bachelorThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
AI+RTESTING_um método de seleção_Thamires Cristo.pdf
Tamanho:
1.04 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
462 B
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Bacharelado em Sistemas de Informação - DCET1