تولید خودکار مجموعه داده آزمون با هدف بهبود مکان یابی خطا مبتنی بر تحلیل علی-آماری

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 230

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSCIT-12-3_006

تاریخ نمایه سازی: 25 مهر 1403

چکیده مقاله:

روش های آماری مکان یابی خطا در نرم افزار وابستگی زیادی به داده های ورودی برنامه داشته و با تغییرات داده ها دچار ناپایداری می شوند. از این رو، تولید داده آزمون مناسب نقش کلیدی در کیفیت فرآیند مکان یابی خطای نرم افزار ایفاء می کند. در این مقاله، روشی برای بهبود مکان یابی خطا با تولید داده های آزمون جدید ارائه می شود. مجموعه آزمون به صورت کمینه و هدفمند، جهت تعیین شاخه خطادار و پس از آن جملات مظنون به خطای درون شاخه، تولید می گردد. ابتدا، محدوده جملات مظنون به خطا در یک مسیر اجرایی مشخص می شود. برای این کار، در مسیر اجرایی خطادار، شرط ها از انتها به ابتدا نقیض شده و با استفاده از حل کننده Z۳  داده آزمون برای مسیر مورد نظر ایجاد می گردد. سپس، برنامه مجددا با داده آزمون های به دست آمده توسط فن اجرای نمادین پویا اجرا می شود. با توجه به موفق و یا ناموفق بودن اجرا، مشخص می کنیم که کدام شاخه مظنون به خطا است. بدین ترتیب، محدوده جملات برای اعمال روش علی-آماری به حداقل ممکن می رسد. ارزیابی روش پیشنهادی روی چهار پروژه از مجموعه محک Defect۴J، انجام شده است. نتایج نشان دهنده کشف %۷۵ از خطاها با بررسی حداکثر یک درصد از کد این برنامه ها است که در مقایسه با کارهای موجود %۹۸/۱۷ بهبود دارد. همچنین، متوسط جملات مورد بررسی جهت کشف خطا، در بدترین حالت به میزان %۷۸/۱۶ کاهش داشته است.

کلیدواژه ها:

نویسندگان

Morteza Zakeri-Nasrabadi

دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.

Saeed Parsa

دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.

Zahra Hayati

دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Kshirasagar Naik and Priyadarshi Tripathy, Software testing and quality assurance: ...
  • F. Feyzi and S. Parsa, “FPA-FL: Incorporating static fault-proneness analysis ...
  • Y. Yang, F. Deng, Y. Yan, and F. Gao, “A ...
  • T. Shu, T. Ye, Z. Ding, and J. Xia, “Fault ...
  • W. E. Wong, R. Gao, Y. Li, R. Abreu, and ...
  • A. Aghamohammadi, S.-H. Mirian-Hosseinabadi, and S. Jalali, “Statement frequency coverage: ...
  • N. Neelofar, L. Naish, J. Lee, and K. Ramamohanarao, “Improving ...
  • A. Dutta, S. S. Srivastava, S. Godboley, and D. P. ...
  • H. L. Ribeiro, P. A. R. de Araujo, M. L. ...
  • S. Pearson et al., “Evaluating and improving fault localization,” in ...
  • G. Candea and P. Godefroid, “Automated software test generation: some ...
  • P. Ammann and J. Offutt, Introduction to software testing. Cambridge: ...
  • E. Nikravan and S. Parsa, “Improving dynamic domain reduction test ...
  • F. Belli, M. Beyazıt, A. T. Endo, A. Mathur, and ...
  • P. Godefroid, N. Klarlund, and K. Sen, “DART: directed automated ...
  • L. de Moura and N. Bjørner, “Z۳: An efficient SMT ...
  • K. Luckow et al., “JDart: A dynamic symbolic analysis framework,” ...
  • B. Korel and J. Laski, “Dynamic program slicing,” Inf Process ...
  • C. Hammacher, K. Streit, S. Hack, and A. Zeller, “Profiling ...
  • G. K. Baah, A. Podgurski, and M. J. Harrold, “Causal ...
  • G. K. Baah, A. Podgurski, and M. J. Harrold, “Mitigating ...
  • H. Li, Y. Liu, Z. Zhang, and J. Liu, “Program ...
  • X. Zhang, N. Gupta, and R. Gupta, “Locating faults through ...
  • N. Bayati Chaleshtari and S. Parsa, “SMBFL: slice-based cost reduction ...
  • D. Jeffrey, N. Gupta, and R. Gupta, “Fault localization using ...
  • J. A. Jones and M. J. Harrold, “Empirical evaluation of ...
  • ben Liblit, Cooperative Bug Isolation, vol. ۴۴۴۰. Berlin, Heidelberg: Springer ...
  • T. Chen, X. Zhang, S. Guo, H. Li, and Y. ...
  • F. Feyzi and S. Parsa, “A program slicing-based method for ...
  • A. Bandyopadhyay, “Mitigating the effect of coincidental correctness in spectrum ...
  • Y. MIAO, Z. CHEN, S. LI, Z. ZHAO, and Y. ...
  • X. Wang, S. C. Cheung, W. K. Chan, and Z. ...
  • J.-F. Bergeretti and B. A. Carré, “Information-flow and data-flow analysis ...
  • N. Tsantalis and A. Chatzigeorgiou, “Identification of extract method refactoring ...
  • E. Alpaydin, Introduction to machine learning, ۴th edition. MIT Press, ...
  • X. Mao, Y. Lei, Z. Dai, Y. Qi, and C. ...
  • F. Feyzi and S. Parsa, “Inforence: effective fault localization based ...
  • D. G. Kleinbaum and M. Klein, Logistic regression. New York, ...
  • R. Just, D. Jalali, and M. D. Ernst, “Defects۴J: a ...
  • D. Zou, J. Liang, Y. Xiong, M. D. Ernst, and ...
  • W. E. Wong, V. Debroy, R. Gao, and Y. Li, ...
  • نمایش کامل مراجع