در این قسمت چکیده و فهرستی از مطالب
قرار داده شده است :
تست نرم افزار نشان دهنده یکی از مهمترین
مسائل کاوشی در زمینه های کاربردی
با استفاده از تکنیک های مبتنی بر جستجوی میباشد. در واقع طیف
وسیعی از مشکلات testing
وجود دارند، مثل تست ساختاری(استاتیک و دینامیک)، تست کاربردی، تست غیر کاربردی،
تست جهشی ، تست آزمون اولویت بندی، و غیره (برای بررسی بیشتر مراجعه کنید به [31]) . با وجود همه این تلاشها ، در تاریخ ، نرم افزار تست مبتنی بر جستجو یا (SBST)
در صنعت محدودیتهایی پیدا کرده است [7]
[25] . یکی از فیلدهای دیگر نرم افزارهای
مهندسی مبتنی بر جستجو این هست که زمانی که مشکلات بزرگی پیش می آید، روشهای مبتنی
بر جستجو ممکن هست به محاسبات بیش از حد بزرگی نیاز داشته باشند [25][43] . در
واقع، "روش های بسیاری
است که در آزمایشگاه جذاب و زیبا هستند و قابل اعمال در این زمینه میباشند ، زیرا
آنها فاقد مقیاس پذیری هستند [21] .
در این سناریو، موازی سازی ممکن است یک راه مناسب برای بهبود عملکرد هم از نظر
زمان محاسباتی و هم از نظر اثربخشی در زمینه اکتشاف در فضایی جستجو باشد. علاوه بر این، بسیاری از این تکنیک ها به صورت "موازی سازی
طبیعی " هستند[21] . در واقع، جمعیت ها در ویژگی های الگوریتم
ژنتیک (GA) اجازه می دهند تا تابع fitness در هر فرد به صورت موازی محاسبه شود. با این حال، تلاشهای بسیار کمی برای موازی سازی SBST ارائه شده است. همانطور که در [43] گفته شده است ،یکی از موانع مطرح در اجرای موازی مسایل بزرگ،
هزینه های بالای موازی سازی و زیرساخت های
اجرای موازی میباشد .
چکیده:
تست نرم افزار یکی از فلیدهای مهم برای کاوش در زمینه های کاربردی با استفاده
از تکنیک های جستجوی مبتنی بر طیف وسیعی
از مسائل تستینگ با استفاده از الگوریتم ژنتیک میباشد. با این وجود،در تاریخ تست
نرم افزار مبتنی بر جستجو یا همان
(SBST) محدودیتهایی در صنعت پیدا کرده اند. یکی از
فیلدهای دیگر نرم افزارهای مهندسی مبتنی بر جستجو این هست که زمانی که مشکلات
بزرگی پیش می آید، روشهای مبتنی بر جستجو ممکن هست به محاسبات بیش از حد بزرگی
نیاز داشته باشند. در این سناریو، موازی سازی ممکن هست باعث بهبود عملکرد سیستم
شود که در حقیقت این روشها روشهای "موازی سازی طبیعی " میباشند. با این
وجود تلاشهای بسیار کمی برای موازی سازی SBST صورت گرفته است . در این مقاله، ما یک الگوریتم ژنتیک موازی را
برای تولید خودکار مجموعه تست JUnit معرفی میکنیم. این راه حل در سیستم های هادوپ و
با استفاده از MapReduce
صورت گرفته است که به خوبی در محیط رایانش ابری و کارتهای گرافیکی پشتیبانی
میشوند.بنا براین این الگوریتم یک ایده قابل قبول از الگوریتمهای ژنتیک برای موازی
سازی مقیاس بالا میباشد.در این طرح یک تجزیه و تحلیل اولیه در باره ارزیابی speed-up در حالت اجرای سریال انجام شد. تجزیه
و تحلیل صورت گرفته بر اساس منابع سورس باز کتابخانه ای در دنیای واقعی بوده است.
فهرست مطالب :
چکیده
مقدمه
II . یک الگوریتم ژنتیک برای تولید
خودکار مجموعه های تست
III. یک الگوریتم ژنتیک موازی مبتنی بر HADOOP
MAPREDUCE
- استراتژی
های موازی سازی
- Map
Reduce
- HadoopMapReduce
- الگوریتم
ژنتیک موازی پیشنهاد شده بر پایه HadoopMapReduce
IV. ارزیابی مقدماتی
- موضوع
- ملاک ارزیابی
- آزمایش
کردن
- نتیجه
گیری
- تهدید
اعتبار
V. کارهای مرتبط
A.
الگوریتمهای
ژنتیک موازی مبتنی بر MapReduce
B.
الگوریتم ژنتیک
موازی برای تست خودکار
C.
روشهای موازی
مبتنی بر جستجو در مهندسی نرم افزار
D.
اجرای موازی تست
IV. نتیجه گیری و کارهای آینده
این پروژه مناسب درس الگوریتمهای موازی و سایر دروس مرتبط میباشد.