Aplikace strojového učení v integračním testování metodou Model-Based Testing

Abstract

Tato diplomová práce se zabývá metodami procházení sítě časovaných automatů. Úkolem je obohatit stávající metody o prvky strojového učení. Cílem této diplomové práce je implementovat takovou metodu, která bude procházet stavovým prostorem se snahou pokrýt co nejdříve hrany s vysokou váhou. V této diplomové práci jsou rozebrány obecné vlastnosti strojového učení a způsob konkrétní implementace pro výše zmíněné metody. V další části jsou znázorněny výsledky úspěšnosti jednotlivých metod. V neposlední řadě jsou součástí této diplomové práce i zdrojové kódy implementovaných metod. V závěru jsou zhodnoceny jednotlivé metody a jejich výkon při procházení stavovým prostorem. Na testovaném modelu vyšla nejlépe metoda AI Systematic s využitím Poissonovi regrese a statistiky hodnocení založeném na maximu a AI Random s využitím víceúrovňové klasifikace s hodnocením založeném na mediánu a maximu.

This Master thesis is about methods for searching in network of timed automata using machine learning. The task is to extend current methods with machine learning functionality. The goal of this thesis is to implement a method that search trough the state space in order to cover edges with high priority as soon as possible. The thesis also describes general properties of machine learning and the specific implementation above mentioned methods. The next section shows the results of the performance of individual methods. Last but not least, the source codes of the implemented methods are part of this thesis. In the end, the individual methods and their performance in traversing the state-space are evaluated. On the tested model methods AI Systematic with Poisson regression and maximum-based label and AI Random with multiclass classification with median and maximum based labels were performing best.