توليد خودكار دادگان آزمون به كمك شبكه عصبي

توليد خودكار دادگان آزمون به كمك شبكه عصبي

يكي از مراحل مهم آزمون نرم افزار شي گرا، آزمون مستقل اشيا است. آزمون مستقل اشيا با دو مشكل روبه رو است: اولاً شي مورد فراخواني ممكن است روش هايي از اشيا ديگر را فراخواني كند و در نتيجه بررسي مستقل آن ممكن نباشد. ثانياً روش هاي فراخواني شده ممكن است زمان‌بر باشند و باعث شوند آزمون شي مورد نظر طولاني شود. يك راه حل براي رفع دو مشكل فوق، استفاده از اشيا جاعل است. اشيا جاعل روش هاي مورد فراخواني را شبيه سازي كند. اشيا جاعلي كه تاكنون معرفي شده اند مبتني بر جدول هستند و خود از مشكلات زمان‌بر بودن و مهمتر از آن عدم توانايي در شبيه سازي دقيق روش ها رنج مي برند. از سوي ديگر دادگان آزمون كم مي باشد و توليد خودكار موارد آزمون با حداكثر ميزان پوشش مسيرهاي اجرايي در برنامه هاي مورد آزمون مورد توجه بوده است. اين مقاله شامل دو بخش پيشنهادي است، در بخش اول مقاله با استفاده از شبكه هاي عصبي عملكرد توابع خطي درون برنامه ها شبيه سازي مي شود. همچنين با به كارگيري الگوريتم ژنتيك، بهترين زير مجموعه از ورودي ها براي آموزش شبكه عصبي را از بين مجموعه بزرگي از ورودي ها كه به صورت تصادفي ايجاد شده اند، در بخش دوم تعيين مي شود. در اين تحقيق يك شي جاعل مبتني بر شبكه عصبي پيشنهاد مي گردد كه هر دو مشكل اشيا جاعل مبتني بر جدول را رفع كند. آزمايش ها روي توابع رياضي، منطقي و گسسته نشان مي‌دهد كه روش پيشنهادي در هر دو بخش، عملكرد مناسبي داشته اند.

Independent object test is one of the important steps in the object-oriented software test. This kind of test is faced with two problems: firstly, the object which is under test may call methods of other objects and therefore, the independent test of the object becomes impossible. Secondly, the called methods may be time-consuming and as a result the test of the object takes a long time. In order to overcome these problems, a useful method is to use the faked object which simulates the called methods. Faked objects are usually implemented using a table. This table-based implementation results in different problems such as time-consuming table search operation, and more importantly, inability to exact simulation of called methods. Besides, test samples are rare and therefore automatic generation of test samples which span all the code paths within a method has become a challenging problem. In this paper, a new artificial neural network-based faked object is proposed which solves the two above-mentioned problems. This paper contains two proposed sections: in the first section, the operation of linear functions which are used in programs is simulated. In the second section, the best set of input parameters which are needed to train the artificial neural network of faked object is determined optimally using genetic algorithm. The superiority of the proposed methods is confirmed using different experiments for mathematical, logical and discrete functions.