دانلود ترجمه مقاله اولویت بندی مورد آزمون بر اساس مدل به وسیله قانون کاوی همبستگی (اسپرینگر ۲۰۱۸)

 

 

این مقاله انگلیسی ISI در نشریه الزویر در سال ۲۰۱۸ منتشر شده که ۱۷ صفحه می باشد، ترجمه فارسی آن نیز ۲۶ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

اولویت بندی مورد آزمون بر اساس مدل به وسیله نمودارهای رفتاری UML و قانون کاوی همبستگی

عنوان انگلیسی مقاله:

Model based test case prioritization using UML behavioural diagrams and association rule mining

 

 

مشخصات مقاله انگلیسی 
نشریه اسپرینگر – Springer
سال انتشار ۲۰۱۸
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش
تعداد صفحات مقاله انگلیسی ۱۷ صفحه
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله طراحی و تولید نرم افزار – مهندسی نرم افزار
چاپ شده در مجله (ژورنال) International Journal of System Assurance Engineering and Management
کلمات کلیدی کاوش قانون ارتباط – تست رگرسیون – اولویت بندی مورد تست – UML – ارزش تست حساسیت کسب و کار
کلمات کلیدی انگلیسی Association rule mining – Regression testing – Test case prioritization – UML – Business criticality test value
نویسندگان Prateeva Mahali – Durga Prasad Mohapatra
شناسه شاپا یا ISSN ۰۹۷۵-۶۸۰۹
شناسه دیجیتال – doi https://doi.org/10.1007/s13198-018-0736-7
لینک سایت مرجع https://link.springer.com/article/10.1007/s13198-018-0736-7
ایمپکت فاکتور (IF) مجله ۲٫۰۱۸ در سال ۲۰۲۱
شاخص H_index مجله ۲۸ در سال ۲۰۲۲
شاخص SJR مجله ۰٫۴۳۰ در سال ۲۰۲۱
شاخص Q یا Quartile (چارک) Q2 در سال ۲۰۲۱
بیس نیست
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
فرضیه ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۲۴۹۲

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله ورد تایپ شده با قابلیت ویرایش و pdf
وضعیت ترجمه ترجمه شده و آماده دانلود
کیفیت ترجمه عالی (مناسب استفاده دانشگاهی و پژوهشی)
تعداد صفحات ترجمه ۲۶ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن به صورت انگلیسی درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱- مقدمه

۲- مفاهیم پایه ای

۳- کارهای مرتبط

۴- چارچوب پیشنهادی

۵- مطالعه موردی: سیستم مدیریت بیمارستان

۶- مقایسه با کارهای مرتبط

۷- نتیجه گیری و کار آتی

منابع

 

بخشی از ترجمه

چکیده

در چرخه تولید نرم افزار، حداکثر تلاش در مرحله نگهداری صرف می شود. این به دلیل تست مجدد است که در این مرحله انجام می شود تا اطمینان حاصل شود که هر تغییری در سیستم تحت تست (SUT) انجام می شود مانع از کار افتادن عناصر بدون تغییر SUT نمی شود. این تست مجدد بخشی از تست رگرسیون است که در مرحله نگهداری انجام می شود. اما در روش تست مجدد تمامی موارد تست قدیمی مجدداً اجرا می شوند که منجر به افزایش هزینه و زمان تست می شوند. بنابراین، تکنیک اولویت بندی مورد تست به طور گسترده برای غلبه بر این مساله یعنی پایین نگه داشتن هزینه و زمان تست مورد استفاده قرار می گیرد. تکنیک های اولویت بندی مورد تست، موارد تست را برای تست رگرسیون به ترتیبی زمان بندی می کنند که سبب بهبود نرخ تشخیص خطا، درصد پوشش دهی و غیره شود. برای بهبود نرخ تشخیص خطا، ما روشی را برای اولویت بندی موارد تست با استفاده از چندین تابع اصلاح شده و کاوش قانون ارتباط پیشنهاد می دهیم. از آنجایی که ما در حال انجام تست مبتنی بر مدل هستیم، دیاگرام های رفتاری زبان مدل سازی یکپارچه (UML) همانند دیاگرام فعالیت و دیاگرام توالی برای مدل سازی سیستم مورد استفاده قرار می گیرند. گراف توالی فعالیت (ASG) با در نظر گرفتن ویژگی های مرکب دیاگرام های فعالیت و توالی تولید می شود. سپس سناریوهای تست با گردش در گراف تولید می شوند. نودهای تحت تاثیر قرار گرفته و نودهای تغییر یافته مربوطه با استفاده از الگوریتم برش رو به جلو کشف می شوند. جزئیات مربوط به نودهای تغییر یافته و نودهای تحت تاثیر مربوطه در مخزن پروژه ذخیره می شوند. سپس کاوش قانون ارتباط (ARM) به داده های تاریخی اعمال می شود تا الگوی مکرر را تولید کنند. در نهایت، موارد تست براساس ارزش تست حساسیت کسب و کار (BCTV) و الگوی مکرر اولویت بندی می شوند. ما همچنین اثربخشی روش پیشنهادی را با تعیین درصد تشخیص خطا تایید کرده ایم.

 

۲- مفاهیم پایه ای
     بیشتر محصولات نرم افزاری توسط مشتریان مورد قبول واقع نمی شوند چرا که آن ها نمی توانند نیازهای کاربر را مرتفعه کنند. پس از تحویل نرم افزار، شرکت تولید کننده بازخورد کاربران را به منظور ارتقاء خصوصیت محصول جمع آوری می کند. سپس اصلاح محصول به ازای هر بازخورد جمع آوری شده در محصول موجود در طی مرحله نگهدای انجام می شود. این اصلاح شامل افزودن کارکردها، تغییر در کارکردهای موجود و بررسی مجدد عملکرد کارکرد در محیط جدید است (Mall 2014). محصول اصلاح شده مجدداً توسط TCهای موجود تست می شود تا اطمینان حاصل شود که اصلاحات بر محصول موجود تاثیرگذار نیستند. نوع فرآیند تست مجدد، تست رگرسیون نامیده می شود. تست رگرسیون شامل سه تکنیک است: انتخاب مورد تست، به حداقل رساندن مجموعه تست و اولویت بندی تست (Chauhan 2016; Mall 2014). تکنیک انتخاب مورد تست مجموعه ای از موارد تست را انتخاب می کند و تکنیک به حداقل رساندن مجموعه تست به طور مداوم موارد تست اضافی را حذف می کند تا اندازه مجموعه تست را کاهش دهد. تکنیک اول زمان تست و تکنیک دوم هزینه تست را کاهش می دهد. اما تکنیک اولویت بندی مورد تست هم زمان تست و هم هزینه آن را با اولویت بندی موارد تست کاهش می دهد تا کارکرد مورد هدف همانند نرخ تشخیص اولیه، حداکثر پوشش دهی مسیر و پوشش دهی خطر را به حداکثر برساند.

 

     اولویت بندی مورد تست در تست مبتنی بر کد و تست مبتنی بر مدل قابل انجام است. در CBT، سورس کد سیستم یا خطوط کد به عنوان ورودی برای تولید TCها پذیرفته می شوند و آن موارد تست مجدداً برای فرآیند اولویت بندی مورد استفاده قرار می گیرند. به طور مشابه، در تست مبتنی بر مدل، سیستم به عنوان ورودی برای توسعه TCها مورد استفاده قرار می گیرد و TCها برای فرآیند اولویت بندی پذیرفته می شوند. توسعه دهندگان نرم افزار در بیشتر شرکت ها دیاگرام های زبان مدل سازی یکپارچه (UML) را برای طراحی مدل سیستم ترجیح می دهند چرا که دیاگرام های UML به آسانی قابل مشاهده، طراحی و مستندسازی هستند.

 

     ما در این کار دیاگرام توالی UML و دیاگرام فعالیت را به عنوان ورودی در نظر گرفته ایم. در اینجا TCها از سوی گراف وابستگی مدل به نام ASG توسعه داده می شوند که با ترکیب هر دو دیاگرام توسعه داده می شوند. سپس نودهای اصلاح شده و نودهای متاثر مرتبط با استفاده از یک الگوریتم جمع آوری می شوند. الگوهای تکراری نودهای متاثیر با استفاده از تکنیک کاوش داده ها به نام کاوش قانون ارتباط (ARM) تولید می شوند. در نتیجه BCV تمامی نودها در الگوی تکراری وجود دارد و BCTV تمامی TCهای تولید شده در نظر گرفته می شوند. در نهایت اولویت بندی مورد تست با کمک BCTV انجام می شود.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا