امین رضایی

photo_2016-09-27_11-57-01

مقطع: کارشناسي ارشد
شروع دوره: مهرماه 1390
پايان دوره: بهمن‌ماه 1392

عنوان پايان‌نامه: روشی جدید جهت انتخاب بهینه‌ی موارد آزمون بر اساس ماشین حالت UML

چکيده‌ي پايا‌ن‌نامه:
آزمون یکی از فعالیت‌های اصلی و مهم در فرآیند تولید نرم‌افزار و نیز اصلی‌ترین روش جهت ارزیابی کیفیت نرم‌افزار تولیدی است. انجام آزمون به صورت دستی و سنتی دارای معایبی چون پیچیدگی زیاد، زمان‌بر بودن و مستعد خطا بودن است. بنابراین، خودکارسازی آزمون و تولید بهینه‌ی موارد آزمون با قدرت کشف خطای بالا و در زمان مناسب، بسیار مهم می‌باشد. آزمون مبتنی بر مدل، رویکرد جدیدی است که برای آزمون نرم‌افزار مورد استفاده قرار می‌گیرد و هدف از آن، تولید خودکار موارد آزمون از روی مدل آزمون می‌باشد.
در این پژوهش، روشی جدید جهت تولید بهینه‌ی موارد آزمون با استفاده از آزمون مبتنی بر مدل ارائه شده است. مدل آزمون مورد استفاده، متشکل از نمودار کلاس و ماشین حالت UML می‌باشد، که قیود و محدودیت‌های سیستم نیز توسط OCL بر روی این مدل درج می‌شوند. برای بیان قیود OCL، از ویژگی‌های نمودار کلاس استفاده می‌شود. همچنین اعمال موجود در نمودار کلاس می‌توانند دارای تعدادی پس/ پیش شرط باشند که به زبان OCL بیان می‌گردند. این اعمال می‌توانند به‌عنوان نتیجه‌ی انتقالاتِ ماشین حالت، مورد استفاده قرار گیرند. در روش ارائه شده، ابتدا توسط یک الگوریتم روبه‌جلو و عمق‌اول، مسیرهای انتزاعی از ماشین حالت، بر اساس معیارهای مشخصی انتخاب می‌شوند. سپس با استفاده از اجرای نمادین، مسیرهای انتزاعی تولید شده همراه با قیود موجود بر روی اجزای مسیر انتزاعی، به یک نمایش ریاضی در زبان AMPL تبدیل می‌شوند. آن‌گاه مدل ریاضی تولید شده، با استفاده از حل‌کننده‌های به‌روز و قدرتمند که با AMPL در ارتباط هستند، حل شده و داد‌ه‌های آزمون برای هر مسیر انتزاعی تولید می‌گردند. نهایتاً، این داده‌ها به موارد آزمون قابل اجرا تبدیل می‌شوند. جهت هدایت الگوریتم جست‌وجو و نیز به‌عنوان معیاری جهت سنجش کیفیت موارد آزمون تولیدی، از معیارهای پوشش استفاده شده است. همچنین، جهت افزایش قدرت کشف خطای الگوریتم، از تحلیل مقادیر مرزی جهت تولید داده‌های مرزی آزمون، استفاده شده است. با بهره‌گیری از حل‌کننده‌های مختلف، موارد آزمون از روی مسئله‌های گوناگون مانند مسئله‌های خطی، غیرخطی، تصمیم‌پذیر و تصمیم‌ناپذیر، که در مدل آزمون با استفاده از قیود OCL تعریف شده‌اند، تولید می‌گردد.
همچنین، یک تبدیل مدل به مدل بر روی ماشین حالت مربوط به مدل آزمون، جهت تبدیل شبه‌حالت تاریخچه‌ی عمیق و کم‌عمق به شبه‌حالت انتخاب، ارائه می‌گردد. با استفاده از این تبدیل مدل به مدل، می‌توان انتظار داشت که موارد آزمون تولیدی از روی مدل تبدیل شده، تعداد خط بیشتری را در کد منبع مربوط به مدل آزمون مورد پوشش قرار دهند. بنابراین می‌توان انتظار داشت که نرخ کشف خطای بالاتری، نسبت به موارد آزمون تولیدی از روی مدل اصلی، داشته باشند.

پاسخ دهید

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

SmileBig SmileGrinLaughFrownBig FrownCryNeutralWinkKissRazzChicCoolAngryReally AngryConfusedQuestionThinkingPainShockYesNoHeartRoseStarPresent