معیار توقف پویا برای ایجاد داده های آزمون مبتنی بر جستجو برای تست مسیر

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

معیار توقف پویا برای ایجاد داده های آزمون مبتنی بر جستجو برای تست مسیر

عنوان لاتین

Dynamic stopping criteria for search-based test data generation for path testing

متن: الگوریتم های تکامل در تولید داده های آزمون برای تست پوشش مسیر موفق بوده اند. با این حال در این روش، در مجموعه مسیرهای هدف ممکن است برخی از آنها غیر عملی باشند. پیدا کردن داده های آزمون برای پوشش آن مسیرها غیر ممکن است. به جای جستجوی نامحدود، یا تا زمانی که به حد ثابتی از تولید برسد، متوقف کردن جستجو زمانی مطلوب خواهد بود که مسیرهای امکان پذیر پوشش داده شده و تمام مسیرهای باقی مانده هدف غیرعملی باشند. هدف: هدف ایجاد معیارهایی برای متوقف کردن فرآیند تولید داده های آزمون تکاملی است، موقعی که ارزش ادامه دادن نداشته و سطح اعتماد تست به خطر نیافتاده باشد. روش: با توجه به مدل های رشد قابلیت اطمینان نرم افزار بصورت آنالوگ، این مقاله روشی پیشنهاد داده و ارزیابی می کند که در آن، زمانی که ادامه جستجو برای داده های آزمون جهت پوشش مسیرهای هدف پوشش داده نشده ارزش نداشته باشد، تعیین شود. طرح روش، پارامترهای کلیدی آن، و اینکه چگونه می توان از آن به عنوان مبنایی برای تصمیم گیری های مختلف در اتمام اولیه جستجو استفاده کرد، خواهیم آورد. بیست و یک برنامه آزمون تست مسیر SBSE برای ارزیابی روش استفاده می شود. نتایج: در مقایسه با جستجو برای تعداد استاندارد تولیدها، به طور متوسط از 30-75٪ محاسبات در برنامه های تست برای مسیرهای غیرعملی اجتناب شد و هیچ مسیر عملی با توجه به اتمام زودهنگام آن نادیده گرفته نشد. محاسبات اضافی در برنامه های بدون مسیر غیر عملی قابل اغماض بود. نتیجه گیری: این روش موثر و کارآمد است. و از نیاز به مشخص کردن محدودیت در تعداد نسل برای جستجو جلوگیری می کند. و می تواند به غلبه بر مشکلات ناشی از مسیرهای غیر ممکن در تولید داده های آزمون مبتنی بر جستجو در آزمایش مسیر کمک کند.

Context: Evolutionary algorithms have proved to be successful for generating test data for path coverage testing. However in this approach, the set of target paths to be covered may include some that are infeasible. It is impossible to find test data to cover those paths. Rather than searching indefinitely, or until a fixed limit of generations is reached, it would be desirable to stop searching as soon it seems likely that feasible paths have been covered and all remaining un-covered target paths are infeasible. Objective: The objective is to develop criteria to halt the evolutionary test data generation process as soon as it seems not worth continuing, without compromising testing confidence level. Method: Drawing on software reliability growth models as an analogy, this paper proposes and evaluates a method for determining when it is no longer worthwhile to continue searching for test data to cover uncovered target paths. We outline the method, its key parameters, and how it can be used as the basis for different decision rules for early termination of a search. Twenty-one test programs from the SBSE path testing literature are used to evaluate the method. Results: Compared to searching for a standard number of generations, an average of 30–75% of total computation was avoided in test programs with infeasible paths, and no feasible paths were missed due to early termination. The extra computation in programs with no infeasible paths was negligible. Conclusions: The method is effective and efficient. It avoids the need to specify a limit on the number of generations for searching. It can help to overcome problems caused by infeasible paths in search-based test data generation for path testing