Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão

Detalhes bibliográficos
Ano de defesa: 2009
Autor(a) principal: Lenz, Alexandre Rafael
Orientador(a): Vergilio, Silvia Regina, 1966-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Mineração de dados (Computação)
Software - Testes
Engenharia de software
Ciência da computação
Link de acesso: 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
spelling Ramirez Pozo, Aurora Trinidad, 1959-Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaVergilio, Silvia Regina, 1966-Lenz, Alexandre Rafael2024-11-11T20:01:22Z2024-11-11T20:01:22Z2009https://hdl.handle.net/1884/24259Orientadora: Profª Drª Silvia Regina VergilioCoorientadora: Profa. Dra. Aurora PozoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências 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 digitalMineração de dados (Computação)Software - TestesEngenharia de softwareCiência 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 access1884/242592024-11-11 17:01:22.855open accessoai:acervodigital.ufpr.br:1884/24259Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082024-11-11T20:01:22Repositório 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
Mineração de dados (Computação)
Software - Testes
Engenharia de software
Ciência 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 Ramirez Pozo, Aurora Trinidad, 1959-
Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Vergilio, Silvia Regina, 1966-
dc.contributor.author.fl_str_mv Lenz, Alexandre Rafael
contributor_str_mv Vergilio, Silvia Regina, 1966-
dc.subject.por.fl_str_mv Mineração de dados (Computação)
Software - Testes
Engenharia de software
Ciência da computação
topic Mineração de dados (Computação)
Software - Testes
Engenharia de software
Ciência da computação
description Orientadora: Profª Drª Silvia Regina Vergilio
publishDate 2009
dc.date.issued.fl_str_mv 2009
dc.date.accessioned.fl_str_mv 2024-11-11T20:01:22Z
dc.date.available.fl_str_mv 2024-11-11T20:01:22Z
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 informacaodigital@ufpr.br
_version_ 1847526176738770944

Registros relacionados