Predikce selhání pro Model-Based integrační testování

Abstract

Cílem této bakalářské práce je rozšíření funkcionality nástroje Taster o možnost predikce selhání jednotlivých funkcionalit modelů a výpočtu jejich relevance pro účely Model-Based integračního testováni. Práce po úvodním seznámením se s problematikou integračního testováni nejprve zkoumá časované automaty, nástroje UPPAAL a Taster, a knihovnu ML.NET, dále analyzuje data a algoritmy strojového učení, poté se zaměřuje na návrh a implementaci konkretní metody predikce a následné validaci její věrohodnosti pomocí generovaných dat. Navržená architektura je modulární a umožňuje snadnou výměnu či konfiguraci jednotlivých součástí.

The main goal of this bachelor thesis is an extension of the functionality of the Taster tool by failure prediction and calculating relevances of individual functions in test models for Model-Based Integration Testing. The thesis first studies timed automata, UPPAAL, and Taster tools, as well as the framework ML.NET. Then analyzes data and Machine Learning algorithms. Thereafter focuses on the design and implementation of a specific prediction method and following validation of its effectiveness with generated data. Designed architecture is modular and allows easy replacement or configuration of individual components.