دانلود ترجمه مقاله به حداقل رساندن سوئیت های تست در خطوط تولید نرم افزار – ACM 2013

به حداقل رساندن سوئیت های تست در خطوط تولید نرم افزار با الگوریتم های ژنتیکی بر اساس وزن

Minimizing Test Suites in Software Product Lines Using Weight-based Genetic Algorithms

چکیده

مقدمه

زمینه

مجموعه آزمایش بر اساس FM و CFM

توضیحات GA های مبتنی بر وزن انتخاب شده

توضیح مشکل و تابع تناسب

توضیح مشکل

تعاریف و کارکرد های سه هدف

قابلیت تشخیص خطا (FDC)

تابع تناسب

مطالعات موردی و ارزیابی تجربی

مطالعات موردی

مطالعه موردی صنعتی

ارزیابی تجربی

سوالات تحقیق

تنظیمات آزمایش

آزمون های آماری

نتایج و تجزیه و تحلیل

تهدیدات مربوط به اعتبار

مطالعات مرتبط

نتیجه گیری و مطالعات آینده

چکیده

هدف تکنیک های به حداقل رساندن آزمون، شناسایی و حذف آزمون های اضافی از مجموعه های آزمون برای کاهش تعداد کل آزمون های اجرایی، و بنابراین بهبود کارآیی آزمون می باشد. در مورد خط محصول نرم افزار، می توانیم در انتخاب و به حداقل رساندن موارد آزمون برای آزمایش یک محصول خاص با مدل سازی خط محصول، برای صرفه جویی در هزینه تلاش کنیم. با این حال، به حداقل رساندن مجموعه آزمون برای یک محصول مستلزم بررسی دو مسئله بالقوه است: 1) مجموعه آزمون حداقل شده، در مقایسه با مجموعه اصلی، نمی تواند شامل همه الزامات آزمون باشد؛ 2) ممکن است مجموعه آزمون حداقل شده، قابلیت تشخیص خطای کم تری نسبت به مجموعه اصلی داشته باشد. در این مطالعه، از الگوریتم های ژنتیک مبتنی بر وزن (GAs) در به حداقل رساندن مجموعه آزمون برای آزمایش یک محصول استفاده می شود، در حالی که قابلیت تشخیص خطا و پوشش آزمایش مجموعه آزمون اصلی حفظ می شوند. چالش اصلی، تعریف یک تابع تناسب مناسب است که می تواند پوشش معیارهای آزمایش پیچیده را حفظ کند (به عنوان مثال، معیار آزمایش تعامل ترکیبی). بر اساس تابع تناسب تعریف شده، سه GAs مبتنی بر وزن متفاوت به صورت تجربی در یک مطالعه موردی صنعتی ارائه شده توسط شرکت سیستم های سیسکو در نروژ ارزیابی شده اند. علاوه بر این، نتایج اعمال سه GA مبتنی بر وزن در پنج مطالعه موردی از ادبیات ارائه شده اند. بر اساس این مطالعات موردی، نتیجه می گیریم که در میان سه GA مبتنی بر وزن، GA با وزن تصادفی (RWGA) نسبت به سایر موارد، به عملکرد بهتری دست یافته است.

نتیجه گیری و مطالعات آینده

در این مقاله، استفاده از GA های مبتنی بر وزن برای به حداقل رساندن مجموعه آزمون و آزمایش یک محصول و در عین حال دستیابی به پوشش جفت ویژگی بالا و قابلیت تشخیص خطا در چارچوب خط محصول نرم افزار پیشنهاد شده است. به طور رسمی، ما سه هدف را تعریف کردیم (درصد به حداقل رساندن آزمون (TMP)، پوشش جفت ویژگی (FPC) و قابلیت تشخیص خطا (FDC))، و پس از آن برای هدایت سه الگوریتم ژنتیک مبتنی بر وزن متفاوت (GA)، تعریف تابع تناسب (بر اساس اهداف) ارائه شده است: الگوریتم ژنتیک مبتنی بر وزن (WBGA)، الگوریتم ژنتیک مبتنی بر وزن برای بهینه سازی چند منظوره (WBGA-MO)، الگوریتم ژنتیک با وزن تصادفی. ما تابع تناسب را بر اساس یک مطالعه موردی صنعتی و پنج مطالعه موردی دیگر در ادبیات با استفاده از سه GA مبتنی بر وزن ارزیابی کردیم. با توجه به مجموعه ای از آستانه ها، سه GA مبتنی بر وزن و جست و جوی تصادفی (RS) ارزیابی شدند و مقایسه در میان آن ها انجام شد.

Abstract

Test minimization techniques aim at identifying and eliminating redundant test cases from test suites in order to reduce the total number of test cases to execute, thereby improving the efficiency of testing. In the context of software product line, we can save effort and cost in the selection and minimization of test cases for testing a specific product by modeling the product line. However, minimizing the test suite for a product requires addressing two potential issues: 1) the minimized test suite may not cover all test requirements compared with the original suite; 2) the minimized test suite may have less fault revealing capability than the original suite. In this paper, we apply weight-based Genetic Algorithms (GAs) to minimize the test suite for testing a product, while preserving fault detection capability and testing coverage of the original test suite. The challenge behind is to define an appropriate fitness function, which is able to preserve the coverage of complex testing criteria (e.g., Combinatorial Interaction Testing criterion). Based on the defined fitness function, we have empirically evaluated three different weightbased GAs on an industrial case study provided by Cisco Systems, Inc. Norway. We also presented our results of applying the three weight-based GAs on five existing case studies from the literature. Based on these case studies, we conclude that among the three weight-based GAs, Random-Weighted GA (RWGA) achieved significantly better performance than the other ones.

7- CONCLUSION AND FUTURE WORK

In this paper, we proposed an application of weight-based GAs to minimize the test suite for testing a product at the same time achieving high feature pairwise coverage and fault detection capability in the context of software product line. We formally defined three objectives (i.e., Test Minimization Percentage (TMP), Feature Pairwise Coverage (FPC) and Fault Detection Capability (FDC)), followed by the definition of a fitness function (based on the objectives) to guide three different weight-based Genetic Algorithms (GAs): Weight–Based Genetic Algorithm (WBGA), Weight-Based Genetic Algorithm for Multi-objective Optimization (WBGA-MO), Random-Weighted Genetic Algorithm (RWGA). We evaluated our fitness function based on an industrial case study and five other case studies from the literature using the three weight-based GAs. Given a set of thresholds, these three weightbased GAs and Random Search (RS) were evaluated and a comparison among them was conducted.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

به حداقل رساندن سوئیت های تست در خطوط تولید نرم افزار با الگوریتم های ژنتیکی بر اساس وزن

Minimizing Test Suites in Software Product Lines Using Weight-based Genetic Algorithms