شماره ركورد كنفرانس :
5143
عنوان مقاله :
روشي براي بهبود آزمون جهش پيشگويانه با در نظر گرفتن اثر داده هاي از دست رفته
عنوان به زبان ديگر :
A method for improving predictive mutation testing that considers the impacts of missing data
پديدآورندگان :
رستمي طه دانشگاه تربيت مدرس؛taha.rostami@modares.ac.ir , جليلي سعيد دانشگاه تربيت مدرس؛sjalili@modares.ac.ir
كليدواژه :
آزمون جهش , آزمون نرمافزار , امتياز جهش , يادگيري ماشين
عنوان كنفرانس :
كنفراس فناوري اطلاعات و دانش (IKT2021)
چكيده فارسي :
آزمون جهش روشي قدرتمند است كه در آزمون نرمافزار براي فعاليتهاي گوناگون از جمله راهنمايي براي توليد آزمون و ارزيابي كيفيت مجموعه آزمون استفاده ميشود. با اين وجود، هزينه زياد آزمون جهش مقياسپذيري آن را به طور جدي تهديد ميكند. در همين راستا، آزمون جهش پيشگويانه به عنوان روشي براي كاهش هزينههاي آزمون جهش پيشنهاد شده است كه در آن هدف پيشبيني كردن كشف شدن يا كشف نشدن يك برنامه جهشيافته توسط مدلهاي يادگيري ماشين است. اخيراً نشان داده شده است كه كارهاي قبلي آزمون جهشپيشگويانه تاثير برنامه هاي جهشيافته كشف نشده را در نظر نگرفتند و وقتي پيشبيني مدلهاي يادگيري ماشين قبلي محدود به چنين برنامههاي جهشيافتهاي شود AUC به %61 كاهش پيدا ميكند. در اين پژوهش، علاوه بر تاثير برنامههاي جهشيافته كشف نشده، تاثير دادههاي از دست رفته نيز در نظر گرفته شده است در حالي كه كارهاي گذشته آن را ناديده گرفته بودند و روشي پيشنهاد شده است كه دقت AUC را از %61 به %72 بهبود داده است.