Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPR |
Texto Completo: | https://hdl.handle.net/1884/24259 |
Resumo: | Orientadora : Profª Drª Silvia Regina Vergilio |
id |
UFPR_f953b0e25e1aa04a01b006f69e89a41f |
---|---|
oai_identifier_str |
oai:acervodigital.ufpr.br:1884/24259 |
network_acronym_str |
UFPR |
network_name_str |
Repositório Institucional da UFPR |
repository_id_str |
308 |
spelling |
Vergilio, Silvia Regina, 1966-Ramirez Pozo, Aurora Trinidad, 1959-Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaLenz, Alexandre Rafael2022-12-08T19:25:49Z2022-12-08T19:25:49Z2009https://hdl.handle.net/1884/24259Orientadora : Profª Drª Silvia Regina VergilioCo-Orientadora: Profa. Dra. Aurora PozoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciencias Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 31/08/2009Bibliografia: fls. 132-136Resumo: Independentemente do tipo de manutenção realizada, o teste de regressão é indispensável para testar as modificações e as novas funcionalidades do software. Ele também é responsável por verifícar se as funcionalidades existentes não foram negativamente afetadas pela modificação. Muitas técnicas têm sido propostas para reduzir os esforços e aumentar a eficácia dos testes de regressão. Dentre elas, algumas utilizando Aprendizado de Máquina (AM). Entretanto, a maioria dos trabalhos existentes não relacionam as informações coletadas durante o teste provenientes da aplicação de diferentes técnicas e critérios de teste. Esses critérios são considerados complementares porque podem revelar diferentes tipos de defeitos, e considerar essa complementariedade pode auxiliar o teste de regressão, reduzindo os esforços gastos nesta atividade. Dada essa perspectiva, este trabalho tem como objetivo explorar técnicas de AM, como de agrupamento, para relacionar informações como, por exemplo: dados de entrada, saída produzida, elementos cobertos por critérios estruturais, defeitos revelados, e etc. Com estas informações os dados são agrupados em classes funcionais. Os resultados assim obtidos são então submetidos a um algoritmo de classícação, para geração de regras a serem utilizadas na seleção e priorização de dados de teste. Uma ferramenta, chamada RITA (Relating information from Testing Activity), foi implementada para dar suporte à abordagem proposta. Ela foi utilizada em experimentos, cujos resultados mostram a aplicabilidade da abordagem e uma redução de custo do teste de regressão.Abstract: Regression testing activities are necessary to test the modifications and the eventual new features of the modifed software. They are also required to check whether the existent features were not adversely afected by the introduced modifications. Many works have proposed techniques to reduce the eforts and to increase the efectiveness of the regression testing activities. Some of them are based on Machine Learning. However, most of the existent works do not relate information from the application of diferent test techniques and criteria. These criteria are considered complementary because they can reveal diferent kind of faults, and to use this characteristic can reduce the efort spent in the regression testing activities. Considering this fact, this work explores the use of Machine Learning techiniques in the regression testing. An approach is introduced, that uses clustering techniques to relate test information like: inputs, produced output, coverage elements required by structural criteria, revealed faults, and etc. With this information, the input data are grouped in functional classes and the obtained results are submitted to classifiers to generate rules to be used for selection and prioritization of teste data. A tool, named RITA (Relating Information from Testing Activity) was implemented to support the approach. By using RITA an evaluation experiment was conducted and the obtained results show the applicability of the introduced approach and that it contributes to reduce the regression test costs.136f. : il. [algumas color.], grafs., tabs.application/pdfDisponível em formato digitalTesesMineração de dados (Computação)Software - TestesEngenharia de softwareCiencia da computaçãoUtilizando técnicas de aprendizado de máquina para apoiar o teste de regressãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALDissertacao Alexandre Rafael Lenz.pdfapplication/pdf1508136https://acervodigital.ufpr.br/bitstream/1884/24259/1/Dissertacao%20Alexandre%20Rafael%20Lenz.pdf6da9eddfd627f84fd671cd0ae7960991MD51open accessTEXTDissertacao Alexandre Rafael Lenz.pdf.txtExtracted Texttext/plain266999https://acervodigital.ufpr.br/bitstream/1884/24259/2/Dissertacao%20Alexandre%20Rafael%20Lenz.pdf.txt1ef38fd4e9f93722e090b7ac18a9991bMD52open accessTHUMBNAILDissertacao Alexandre Rafael Lenz.pdf.jpgGenerated Thumbnailimage/jpeg1199https://acervodigital.ufpr.br/bitstream/1884/24259/3/Dissertacao%20Alexandre%20Rafael%20Lenz.pdf.jpge0d01c7121eb23ceebdc16652f16aae5MD53open access1884/242592022-12-08 16:25:49.174open accessoai:acervodigital.ufpr.br:1884/24259Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082022-12-08T19:25:49Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false |
dc.title.pt_BR.fl_str_mv |
Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão |
title |
Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão |
spellingShingle |
Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão Lenz, Alexandre Rafael Teses Mineração de dados (Computação) Software - Testes Engenharia de software Ciencia da computação |
title_short |
Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão |
title_full |
Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão |
title_fullStr |
Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão |
title_full_unstemmed |
Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão |
title_sort |
Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão |
author |
Lenz, Alexandre Rafael |
author_facet |
Lenz, Alexandre Rafael |
author_role |
author |
dc.contributor.other.pt_BR.fl_str_mv |
Vergilio, Silvia Regina, 1966- Ramirez Pozo, Aurora Trinidad, 1959- Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática |
dc.contributor.author.fl_str_mv |
Lenz, Alexandre Rafael |
dc.subject.por.fl_str_mv |
Teses Mineração de dados (Computação) Software - Testes Engenharia de software Ciencia da computação |
topic |
Teses Mineração de dados (Computação) Software - Testes Engenharia de software Ciencia da computação |
description |
Orientadora : Profª Drª Silvia Regina Vergilio |
publishDate |
2009 |
dc.date.issued.fl_str_mv |
2009 |
dc.date.accessioned.fl_str_mv |
2022-12-08T19:25:49Z |
dc.date.available.fl_str_mv |
2022-12-08T19:25:49Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/1884/24259 |
url |
https://hdl.handle.net/1884/24259 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.pt_BR.fl_str_mv |
Disponível em formato digital |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
136f. : il. [algumas color.], grafs., tabs. application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPR instname:Universidade Federal do Paraná (UFPR) instacron:UFPR |
instname_str |
Universidade Federal do Paraná (UFPR) |
instacron_str |
UFPR |
institution |
UFPR |
reponame_str |
Repositório Institucional da UFPR |
collection |
Repositório Institucional da UFPR |
bitstream.url.fl_str_mv |
https://acervodigital.ufpr.br/bitstream/1884/24259/1/Dissertacao%20Alexandre%20Rafael%20Lenz.pdf https://acervodigital.ufpr.br/bitstream/1884/24259/2/Dissertacao%20Alexandre%20Rafael%20Lenz.pdf.txt https://acervodigital.ufpr.br/bitstream/1884/24259/3/Dissertacao%20Alexandre%20Rafael%20Lenz.pdf.jpg |
bitstream.checksum.fl_str_mv |
6da9eddfd627f84fd671cd0ae7960991 1ef38fd4e9f93722e090b7ac18a9991b e0d01c7121eb23ceebdc16652f16aae5 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1801860253209329664 |