پديد آورنده :
حاج نوروزي، حسين
عنوان :
آزمون كارايي نرم افزار با استفاده از روش هاي مبتني بر هوش مصنوعي
مقطع تحصيلي :
كارشناسي ارشد
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
سيزده، 70ص، : مصور، جدول، نمودار
توصيفگر ها :
آزمون نرم افزار , آزمون كارايي نرم افزار , هوش مصنوعي , شبكه هاي مولد تخاصمي , يادگيري فعال
تاريخ ورود اطلاعات :
1402/03/29
رشته تحصيلي :
مهندسي كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات :
1402/04/10
چكيده فارسي :
امروزه گستردگي استفاده از نرم‌افزار‌ها در زندگي روزمره‌ي انسان‌ها و همچنين در حوزه‌هايي نظير صنعت، كشاورزي و سلامت به صورت پيوسته در حال افزايش است و اين امر سبب شده تا اطمينان از درستي عملكرد و كيفيت نرم‌افزار‌هاي ارائه شده توسط توسعهدهندگان، به چالشي اساسي براي آن‌ها تبديل شود كه اهميت آن نيز روز به روز در حال افزايش است. از اين رو آزمودن نرم‌افزار و اطمينان از درستي عملكرد و كيفيت آن امري اجتناب‌ناپذير براي توسعهدهندگان نرم‌افزار خواهد بود. با توجه به موارد گفته شده، يك مرحله‌ي بسيار مهم از ميان مراحل شش‌گانه‌ي چرخه‌ي حيات توليد نرم‌افزار، مرحله‌ي آزمون نرم‌افزار است. هدف از اين مرحله، خطا‌يابي و عيب‌يابي محصول نرم‌افزاري، پيش از ارائه‌ي آن به بازار مي‌باشد. اين فرايند در سطوح مختلفي صورت مي‌پذيرد كه در بالاترين سطح از اين فرايند، نرم‌افزار تحت آزمون، از نظر كيفيت و كارايي مورد ارزيابي قرار مي‌گيرد. در گذشته اين سطح از آزمون نرم‌افزار كمتر مورد توجه توسعهدهندگان قرار مي‌گرفت، اما با گذشت زمان، دلايل بسياري از جمله افزايش پيچيدگي نرم‌افزار‌ها، افزايش كاربران نرم‌افزار‌ها و در نتيجه افزايش بار داده بر روي آن‌ها، سبب شد تا اين سطح از آزمون، در فرايند آزمون نرم‌افزار، از اهميت ويژه‌اي برخوردار شود، لذا محققان سعي دارند تا با بكارگيري روش‌هاي مختلف، به اجراي هر چه بهتر اين سطح از آزمون نرم‌افزار و افزايش بازده آن كمك نمايند. هدف از اين پژوهش، بررسي و مطالعه پيرامون بالاترين سطح از آزمون نرم‌افزار و تلاش براي بهبود هر چه بيشتر نتايج حاصل از اين فرايند مي‌باشد. در اين پژوهش سعي شده است تا با بكارگيري روش‌ها و الگوريتم‌هاي هوشمند اعم از شبكه‌هاي مولد تخاصمي شرطي (CGAN) و تكنيك يادگيري فعال و ارائه‌ي راهكار‌هايي مفيد، به صورت خودكار موارد آزموني با دقت بالا براي فرايند آزمون كارايي نرم‌افزار توليد شوند. نتايج نهايي حاكي از بهبود در سرعت آموزش مدل CGAN و هزينه‌هاي ناشي از برچسب‌گذاري داده‌ها براي آموزش بهتر مدل، تا 70 درصد مي‌باشد. همچنين نتايج نشان‌دهنده‌ي افزايش دقت نهايي در توليد موارد آزمون براي فرايند آزمون كارايي نرم‌افزار مي‌باشد.
چكيده انگليسي :
The ubiquity of software in the everyday lives of people and in industries like agriculture and health has caused a surge in the demand for high-quality software. This has posed a significant challenge for developers to guarantee the correct performance and quality of their products, which is becoming increasingly important with each passing day. Hence, it is essential for software developers to test and certify their software's performance and quality. The software production life cycle consists of six stages, one of which is the essential stage of software testing. This stage is intended to identify and rectify any errors in the software product before its release. This procedure takes place on various levels and at the highest level, the quality and efficacy of the tested software is assessed. Historically, developers tended to neglect software testing at this level; however, as software complexity and user base grew leading to increased data load, it became increasingly important. Therefore, researchers are attempting to devise methods to improve and optimize the implementation of this type of software testing. This research endeavors to exploit intelligent methods and algorithms, such as Conditional Adversarial Generative Networks (CGANs) and active learning techniques and using beneficial approaches to generate test cases with high accuracy for software performance testing. The final outcomes demonstrate that the training speed of the CGAN model and the data labeling cost for better model training have been improved by up to 70 percent. Also, the results show an increase in the final accuracy in the production of test materials for the software performance testing process.
استاد راهنما :
الهام محمودزاده
استاد داور :
عبدالرضا ميرزايي , زينب زالي
