Utilizando técnicas de aprendizado de máquina para apoiar o teste de regressão

Orientadora : Profª Drª Silvia Regina VergilioCo-Orientadora: Profa. Dra. Aurora PozoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciencias Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 31/08/2009Bibliografia: fls. 132-136Resumo: Independentemente do tipo de manutenção realizada, o teste de regressão é indispensável para testar as modificações e as novas funcionalidades do software. Ele também é responsável por verifícar se as funcionalidades existentes não foram negativamente afetadas pela modificação. Muitas técnicas têm sido propostas para reduzir os esforços e aumentar a eficácia dos testes de regressão. Dentre elas, algumas utilizando Aprendizado de Máquina (AM). Entretanto, a maioria dos trabalhos existentes não relacionam as informações coletadas durante o teste provenientes da aplicação de diferentes técnicas e critérios de teste. Esses critérios são considerados complementares porque podem revelar diferentes tipos de defeitos, e considerar essa complementariedade pode auxiliar o teste de regressão, reduzindo os esforços gastos nesta atividade. Dada essa perspectiva, este trabalho tem como objetivo explorar técnicas de AM, como de agrupamento, para relacionar informações como, por exemplo: dados de entrada, saída produzida, elementos cobertos por critérios estruturais, defeitos revelados, e etc. Com estas informações os dados são agrupados em classes funcionais. Os resultados assim obtidos são então submetidos a um algoritmo de classícação, para geração de regras a serem utilizadas na seleção e priorização de dados de teste. Uma ferramenta, chamada RITA (Relating information from Testing Activity), foi implementada para dar suporte à abordagem proposta. Ela foi utilizada em experimentos, cujos resultados mostram a aplicabilidade da abordagem e uma redução de custo do teste de regressão.Abstract: Regression testing activities are necessary to test the modifications and the eventual new features of the modifed software. They are also required to check whether the existent features were not adversely afected by the introduced modifications. Many works have proposed techniques to reduce the eforts and to increase the efectiveness of the regression testing activities. Some of them are based on Machine Learning. However, most of the existent works do not relate information from the application of diferent test techniques and criteria. These criteria are considered complementary because they can reveal diferent kind of faults, and to use this characteristic can reduce the efort spent in the regression testing activities. Considering this fact, this work explores the use of Machine Learning techiniques in the regression testing. An approach is introduced, that uses clustering techniques to relate test information like: inputs, produced output, coverage elements required by structural criteria, revealed faults, and etc. With this information, the input data are grouped in functional classes and the obtained results are submitted to classifiers to generate rules to be used for selection and prioritization of teste data. A tool, named RITA (Relating Information from Testing Activity) was implemented to support the approach. By using RITA an evaluation experiment was conducted and the obtained results show the applicability of the introduced approach and that it contributes to reduce the regression test costs