ДОСЛІДЖЕННЯ ВІДПОВІДНОСТІ РЕЗУЛЬТАТІВ ТЕСТУВАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ЗАЯВЛЕНИМ ВИМОГАМ З ВИКОРИСТАННЯМ НЕЙРОННИХ МЕРЕЖ

Автор(и)

  • Шепелєв Олександр Національний технічний університет «Харківський політехнічний інститут», Ukraine https://orcid.org/0000-0002-6258-3446
  • Марія Білова Національний технічний університет «Харківський політехнічний інститут», Ukraine https://orcid.org/0000-0001-7002-4698

DOI:

https://doi.org/10.20998/2079-0023.2021.02.02

Ключові слова:

якість, вимога, тестування, пайп-лайн, машинне навчання, CI/CD, Google, ANFIS

Анотація

Актуальність наукової роботи полягає в необхідності вдосконалення існуючого програмного забезпечення, призначеного для аналізу
відповідності результатів тестування програмного забезпечення заявленим вимогам. Для досягнення цієї мети можуть бути використані
нейронні мережі, що буде корисно спеціалістам з контролю для прийняття рішень щодо якості програмного забезпечення або керівникам
проектів як еквівалент експертної системи, що слугуватиме одним з індикаторів якості для замовника. У статті розглядається тестування
програмного забезпечення, яке представляє собою процес перевірки відповідності програмного додатка або бізнес-програми технічним
вимогам, які визначали особливості його проектуванням і розробки, функціонування його належним чином, а також виявлення важливих
помилок або недоліків, класифікованих за їх серйозністю. Існуючі програмні продукти не передбачають або мають лише часткову
інтеграцію систем для роботи з аналізом вимог, що має забезпечити формування експертної оцінки та дати можливість обґрунтувати якість
програмного продукту. Таким чином, запропонована модель обробки даних на основі нечіткої нейронної мережі. Запропоновано підхід, що
дозволяє визначити відповідність розробленого програмного забезпечення функціональним і нефункціональним вимогам з урахуванням
того, наскільки успішно реалізована та чи інша вимога. Кінцевою метою наукової роботи є розробка алгоритмічного та програмного
забезпечення відповідності результатів тестування заявленим вимогам для підтримки прийняття рішень. У науковій роботі вирішуються такі
завдання: аналіз переваг та недоліків використання існуючих систем при роботі з вимогами; визначення загальної структури та класифікації
тестування вимог; основні особливості використання нейронних мереж; архітектура програмного забезпечення та розробка модулю
дослідження відповідності результатів тестування програмного забезпечення заявленим вимогам.

Біографії авторів

Шепелєв Олександр, Національний технічний університет «Харківський політехнічний інститут»

бакалавр технічних наук, студент, Національний технічний університет «Харківський політехнічний інститут», студент кафедри Програмної Інженерії та Інформаційних Технологій Управління; м. Харків, Україна

Марія Білова, Національний технічний університет «Харківський політехнічний інститут»

кандидат технічних наук, Національний технічний університет «Харківський політехнічний інститут», доцент кафедри Програмної Інженерії та Інформаційних Технологій Управління; м. Харків, Україна

Посилання

Bentley J.., Bank W., Charlotte N. C. Software Testing Fundamentals – Concepts, Roles, and Terminology‖. Planning, Development and Support. Available at https://support.sas.com/resources/papers/proceedings/proceedings/s ugi30/141-30.pdf (access date: 29.09.2021).

Farooq Sh. U., Quadri S. M. K. Effectiveness of Software Testing Techniques on a Measurement Scale‖. Oriental Journal of Computer Science & Technology. 2010. № 3(1). pp. 109-113.

Jenkins N. A Software Testing Primer v.2. OPENLIBRA, 2017. 55 p.

Myers G. J. The art of software testing 3rd edition. New York: Wiley, 2011. 256 p.

BABOK V3 a guide to the business analysis body of knowledge Available at https://book.akij.net/eBooks/2018/September/5b8a80dd494ce/BAB OK_Guide_v3_Member.pdf (access date: 29.10.2021).

Kruglov V.V., Dli M.I., Golunov R.Yu. Fuzzy logic and artificial neural networks. Moscow: Fizmatlit, 2001. 224 p.

Kruse R. Fuzzy neural network. Available at http://www.scholarpedia.org/article/Fuzzy_neural_network (access date: 11.09.2021).

Jang JSR. ANFIS: Adaptive-network-based fuzzy inference system. IEEE Trans Syst, Man, Cybernet. 1993. no 23(3). pp. 665–685.

Beg, Ismat & Ashraf, Saminax. Similarity measures for fuzzy sets. Applied and Computational Mathematics. 8. 2009 192-202.

DevGoogle. Data Preparation and Feature Engineering for Machine Learning. Available at https://developers.google.com/machine-learning/dataprep/transform/normalization#z-score (access date: 11.09.2021).

Chakraverty S., Sahoo D.M., Mahato N.R. Defuzzification. In: Concepts of Soft Computing. Springer, 2019 Singapore. Available at https://doi.org/10.1007/978-981-13-7430-2_7 (access date: 10.10.2021).

Fowler, M, Foemmel M. Continuous integration. (2006). Available at https://moodle2019- 20.ua.es/moodle/pluginfile.php/2228/mod_resource/content/2/martin -fowler-continuous-integration.pdf (access date: 10.10.2021).

##submission.downloads##

Опубліковано

2021-12-28

Як цитувати

Олександр, Ш., & Білова, М. (2021). ДОСЛІДЖЕННЯ ВІДПОВІДНОСТІ РЕЗУЛЬТАТІВ ТЕСТУВАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ЗАЯВЛЕНИМ ВИМОГАМ З ВИКОРИСТАННЯМ НЕЙРОННИХ МЕРЕЖ. Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї, (2 (6), 8–14. https://doi.org/10.20998/2079-0023.2021.02.02

Номер

Розділ

СИСТЕМНИЙ АНАЛІЗ І ТЕОРІЯ ПРИЙНЯТТЯ РІШЕНЬ