۰

شدت کم

۳-۴- شاخص‌های وزن دهی به ماژول‌ها
برای ماژول‌ها معیارهایی مشخص شده است که هر یک از اهمیت خاصی برخوردارند و نمی‌توان به یکی بیش از دیگری بها داد، از این حیث برای وزن دادن به هرکدام از این معیارها ما شاخص‌هایی را مدنظر قرار دادیم تا هر کدام از موارد تست بر اساس وزن مشخص شده برای معیارهایش انتخاب گردد.
این شاخص‌ها عبارتند از :
تعداد خطاهایی که ماژول داشته یا دارد
اثر بروز خطا در این ماژول به روی دیگر ماژول‌ها
آخرین خطای رخ داده در ماژول
جدیدترین تغییرات اعمال شده بروی ماژول
ماژول‌های فراخوانی شونده
رخ دادن خطاهای قبلی در ماژول‌ها پس از اعمال تغییرات

۳-۵- ساخت شبکه بیزی

این مرحله همانطور که از نام این بخش مشخص است ما در آن به ساخت شبکه بیزی می‌پردازیم. این فرایند پس از اینکه داده‌های ورودی این مدل مورد سنجش و ارزیابی قرار گرفتند و داده‌های لازم یا شواهد جهت ساخت شبکه بیزی فراهم گردید می‌توانیم به بخش اول ساخت شبکه‌های بیزی بپردازیم. بخش اول از ایجاد شبکه بیزی مرتبط است به ایجاد گراف با توجه بر داده‌ها و روابط علی معلولی استخراج شده .

۳-۶- ایجاد ساختار گراف

شکل ۳-۳ : گراف شبکه بیزی تست کارآمد نرم افزار
در اینجا گراف (۳-۳) که از مرحله قبل ساخته شده است را نمایش می‌دهیم. ارتباطات و وابستگی‌هایی که در گراف فوق مشاهده می‌کنید با توجه به کارهای مشابه و نظرات افراد خبره در حوزه تست نرم افزار تعیین شده است. گراف شبکه بیزی پیشنهاد شده در شکل فوق دارای ویژگی‌های مناسبی است. یکی از مهم‌ترین این ویژگی ها این است که گراف پیشنهادی از استقلال شرطی بسیار خوبی برخوردار است. استقلال شرطی یک مفهوم بسیار مهم است که دانستن آن سبب ساده سازی بسیار خوب مدل می ‌گردد. حتی اگر در مواردی استقلال شرطی واقعا وجود نداشته باشد، فرض وجود استقلال شرطی سبب می ‌شود که بهبود بسیاری در مدل احتمالاتی مورد استفاده صورت گیرد. ولی مدل ارائه شده در اینجا از استقلال شرطی بسیار خوبی برخوردار است. زیرا هر کدام از فاکتورها که در گراف فوق قرار گرفته‌اند با توجه به مفهوم تست به دیگر فاکتورهای در این مدل وابسته‌اند یا اینکه مستقل از آنها هستند که این امر نیز به راحتی از طریق مشاهده گراف قابل درک است. به طور خلاصه می‌توان گفت شبکه بیزی ، نمایش با معنی روابط نامشخص ما بین پارامتر ها در یک حوزه می‌باشد . شبکه بیزی گراف جهت دار غیر حلقوی از نودها برای نمایش متغیرهای تصادفی و کمان‌ها برای نمایش روابط احتمالی ما بین متغیرها به شمار می‌رود . فقدان لبه‌ها در شبکه بیزی نشانگر جملات مستقل از هم می ‌باشد .

۳-۷- محاسبه جداول احتمال شرطی

شبکه بیزی برای نمایش توزیع احتمالی ویژه و اتصال توزیع بر روی همه متغیرها به صورت نودها در گراف نمایش داده می‌شود . این توزیع با یک مجموعه از جدول احتمال شرطی[۱۷] مشخص می‌شود. هر نود به جدول احتمال شرطی منتسب شده و توسط اطلاعات احتمالی کمی مشخص می‌گردد. همانند جدولی احتمالات در وضعیت ممکن از نود در ترکیب ممکن از والدینش مشخص می‌گردد . برای نودهای بدون والد احتمالات بر روی نودهای دیگر بدون قید و شرط می‌باشند که این نودها احتمالات اولیه بر روی متغیرها نامیده می‌شوند . ویژگی‌های فرعی و فاکتورهای مورد نظر تست پیشنهاد شده در این پایان نامه رامی‌توان به دو روش کاملاَ متفاوت در نظر گرفت. در روش اول تأثیر ویژگی‌های فرعی بر روی فاکتور تست مورد نظرشان یکسان است. در مقابل در روش دوم تأثیر ویژگی‌های فرعی بر روی فاکتور مورد نظرشان یکسان نیست و ویژگی‌ها با توجه به وزنشان روی فاکتور مورد نظر تأثیر دارند. اینکه در پروژه ای نرم افزاری ویژگی‌های فرعی هم وزن هستند یا نه، و اینکه وزن هرکدام از ویژگی‌های فرعی و تأثیر آنها روی فاکتور مربوطه چقدر است را متخصصان تست نرم افزار تعیین می ‌کنند. در حالت کلی و استاندارد متخصصان حوزه تست و مهندسان تست روش اول را که در آن همه ‌ی ویژگی‌های فرعی یک فاکتور هم وزن بوده و تأثیر یکسان دارند را در نظر می ‌گیرند.
هر کدام از ویژگی‌های فرعی و فاکتورهای تست و همینطور خود کارآمدی نهایی تست را می ‌توان به اندازه ‌های مختلف درجه بندی نمود. تقسیم بندی‌های صفات کیفی می‌تواند دو تایی ، سه تایی، چهارتایی، پنج تایی باشد. هرچه تعداد این تقسیم بندی ‌ها بیشتر باشد جواب نهایی دقیق‌تر و با جزئیات بیشتری بوده و قابلیت اتکای بیشتری خواهد داشت. اما اگر بخواهیم تعداد صفات کیفی را زیاد کنیم تا دقت جواب نهایی را بالاتر ببریم، در مقابل هم زمان انجام کار و هم افزونگی داده‌ها افزایش می‌یابد. همانطور که با افزایش تعداد تقسیم بندی‌ها، دقت مدل بیشترمی‌شود در مقابل نیز پیاده سازی مدل سخت‌تر از حالت قبل می‌شود. دراین پایان نامه تاکید روی تقسیم بندی سه تایی است. در تقسیم بندی سه تایی اندازه‌ی صفت‌های کیفی، مقادیر در نظر گرفته شده عبارتنداز: کم، متوسط و زیاد .
تعدادحالت‌های مختلف یک فاکتور یا به عبارت دیگر تعداد سطرهای جداول احتمال شرطی فاکتورها به دو مولفه بستگی دارد. یکی تعداد و یژگی‌های فرعی آن فاکتور تست و دوم تعداد حالت‌هایی است که برای آن ویژگی‌های فرعی در نظر گرفته‌ایم . چون تعداد حالت‌های همه‌ی ویژگی‌های فرعی در این پایان نامه به صورت برابر در نظر گرفته شده (سه حالته)پس می‌توان با استفاده از رابطه تعداد سطرهای جداول احتمال شرطی فاکتورها را بدست آورد که در آن P تعداد ویژگی‌های فرعی یک فاکتور تست است و n نیز تعداد حالت‌های مختلف هر کدام از ویژگی‌های فرعی است. برای مثال فاکتور تعداد خطا که دارای سه ویژگی فرعی است. اگر هر یک از ویژگی‌های فرعی را دو حالته در نظر بگیریم جدول تعداد خطا دارای ۸ سطر و اگر هر ویژگی فرعی را سه حالته در نظر بگیریم جدول تعداد خطا دارای ۲۷ سطر خواهد بود و اگر که هر ویژگی فرعی را پنج حالته در نظر بگیریم جدول تعداد خطا دارای ۱۲۵ سطر خواهد بود. آنچه مشخص است این است که تعداد حالت‌هایویژگی‌های فرعی به شدت روی تعداد سطرهای جدول فاکتورها تاثیر خواهد گذاشت. در جدول زیر برای نمایش این وضعیت‌ها و روشن شدن موضوع حالت‌های مختلف برای هر یک از فاکتورها را محاسبه کرده‌ایم و نشان می‌دهیم.
جدول شماره ۳-۳ : تعداد سطرهای جدول احتمال شرطی فاکتورهای تست

دو حالته باشند ۶۴ سه حالته باشند ۷۲۹ و پنج حالته باشند ۱۵۶۲۵ سطر خواهند داشت. این امر مشخص است که زمانی که فاکتورها را پنج حالته در نظر بگیریم پر کردن جداول احتمال شرطی کاری سخت و دشوار و خیلی زمان بر خواهد بود و چه بسا غیر عملی. زیرا تعداد سطرها بسیار زیاد است و همچنین امکان ورود داده‌های اشتباه در جداول هم افزایش می‌یابد. پس برای پر کردن جداول احتمال شرطی با صفت‌های پنج حالته بایستی از نرم افزارهایی مانند BNJ (پیاده سازی شبکه‌های بیزی با استفاده از JAVA) و BNT (پیاده سازی شبکه‌های بیزی با استفاده از MATLAB ) استفاده نمود. زیرا با استفاده از روش برنامه نویسی می‌توان به صورت خودکار و با استفاده از حلقه‌های تکرار جداول احتمال شرطی را پر نمود.
پس از تقسیم بندی صفت‌های کیفی می ‌بایست آنها را به مقیاس‌های کمی تبدیل نماییم تا بتوانیم فاکتورهای اثر گذار بر فرایند تست نرم افزار و همچنین کارآمد بودن اولویت بندی موارد تست رامحاسبه نماییم. محاسبه‌ی فاکتورها دراین مدل به این صورت است که ابتدا مقادیر بدست آمده از ویژگی‌های فرعی به گونه ای که در ادامه شرح داده خواهد شد به مقادیر کمی تبدیل می‌گردند. از روی محاسبات انجام شده روی این مقادیر کمی، اندازه‌ی فاکتور مربوطه را محاسبه می‌نماییم. به همین طریق و با استفاده از فاکتورهای تست می‌توان کارآمدی تست را با اولویت بندی موارد تست بدین گونه مشخص نمود. با عملکردی این چنین ما قادر خواهیم بود با استفاده از شبکه‌های بیزی و احتمالات کارآمدی از نحوه‌ی اولویت بندی موارد تست را نشان دهیم.

۳-۸- تبدیل اندازه‌ی کیفی صفت‌ها به مقادیرکمی

برای تبدیل اندازه کیفی صفت‌ها به مقادیر کمی ما در رویکردمان دو روش پیشنهادی را نشان می‌دهیم و با یکدیگر مقایسه می‌کنیم. برای توضیح روش‌های پیشنهادی از حالت صفت‌های سه حالته استفاده می‌کنیم زیرا با صفت های کمتر دقت افت می کند و اگر تعداد صفات را زیاد در نظر بگیریم باعث افزایش اضافه کاری و حجم داده زیاد می شود.

۳-۹- روش اول برای صفت‌های سه حالته

در روش اول بدین صورت عمل می‌کنیم که ، ابتدا به هر کدام از ویژگی‌های فرعی مربوط به معیارها یا فاکتورها با توجه به جدول زیر مقدار مربوط به اندازه صفت کیفی را نسبت می‌دهیم.
جدول شماره ۳-۴ : انتساب مقدار عددی به اندازه‌های کیفی در صفت‌های سه حالته

سپس میانگین صفت‌ها را محاسبه می‌نماییم. میانگین بدست آمده در یکی از بازه‌های جدول زیر قرار خواهد گرفت و با توجه به بازه مقدار کیفی صفت مربوطه بدست خواهد آمد. سطر جدول احتمال شرطی مربوطه نیز به این صورت خواهد بود که اندازه‌ی مقدار کیفی بدست آمده برابر ۱۰۰ و مقدار کیفی برای دو مقدار کیفی دیگر برابر ۰ خواهد بود.
جدول شماره ۳-۵ : بازه‌های تبدیل میانگین به اندازه‌های کیفی در صفت‌های سه حالته

۳-۱۱- تبدیل اندازه‌ی کیفی صفت‌های غیرهم وزن به مقادیرکمی

همانطور که گفته شد ویژگی‌های فرعی و فاکتورهای تست ارائه شده در مدل پیشنهادی را می‌توان به دو روش در نظر گرف. در روش اول تأثیر ویژگی‌های فرعی روی فاکتور مورد نظرشان یکسان است و در روش دوم تأثیر ویژگی‌های فرعی روی فاکتور مورد نظرشان یکسان نیست و فاکتورها با توجه به وزنشان روی فاکتور مورد نظر تأثیر دارند. اینکه در پروژه نرم افزاری ویژگی‌های فرعی هم وزن هستند یانه، و اینکه وزن هر کدام از ویژگی‌های فرعی و تأثیر آنها روی فاکتور کیفی مربوطه چقدر است را متخصصان و مهندسان تست نرم افزار تعیین می ‌کنند.
تبدیل اندازه‌ ی کیفی صفت‌های غیر هم وزن به مقادیر کمی به همان صورت صفت‌های کیفی هم وزن انجام می‌ شود با این تفاوت که در محاسبه‌ی میانگین وزن صفت‌ها را نیز دخالت می ‌دهیم. رابطه محاسبه‌ی میانگین برای صفت‌های غیر هم وزن به صورت رابطه (۳-۶) زیرخواهد بود.
(۳-۶)
در این رابطه M میانگین، n تعداد ویژگی‌های فرعی فاکتور مورد نظر، wi وزن ویژگی فرعی i ام و fi اندازه فاکتور فرعی i ام است.

۳-۱۱-۱- مثالی از روش تبدیل اندازه‌ی کیفی صفت‌ های غیرهم وزن به مقادیرکمی

به عنوان مثال فرض می‌کنیم در یک پروژه نرم افزاری با صفت‌های سه حالته می‌خواهیم فاکتوراحتمال ابتلا به خطای ماژول را محاسبه نماییم و ویژگی‌های فرعی آن اثرگذاری خطای ماژول ،زیاد و شدت خطای ماژول ، متوسط باشد. وزن هر کدام از ویژگیهای فرعی نیز برابر است با: وزن اثرگذاری خطای ماژول برابر ۲، وزن شدت خطای ماژول برابر ۱٫۵ برای اندازه گیری فاکتور احتمال ابتلا به خطای ماژول محاسبات زیر را خواهیم داشت.
ابتدا میانگین اندازه‌ی صفت‌ها را در رابطه (۳-۷) محاسبه می‌نماییم:
(۳-۷)
میانگین بدست آمده بین۵۰تا۱۰۰ است. حال اختلاف میانگین را از هر یک از مرزهای قبلی و بعدی محاسبه می‌نماییم. سپس اختلاف هر یک از مرزها با میانگین در عدد ۲ ضرب می‌گردد تا درصد مرز دیگر بدست آید.
به عبارت ساده تر درصد احتمال مرز بالای میانگین برابر است با :
(۳-۸)
و همینطور درصد احتمال مرز پایین میانگین برابر است با :
(۳-۹)
که در دو رابطه (۳-۸)(۳-۹) ارائه شده در بالا M میانگین ، LB مرز پایین میانگین و UB مرز بالای میانگین است.
جدول شماره۳ -۸ : نمونه سطری از جدول احتمال شرطی فاکتوراحتمال ابتلا به خطای ماژول، سه حالته

-۴۱- ارزیابی مدل پیشنهادی

ما نیز همانند سایر روش‌های اولویت بندی برای ارزیابی روش خود از متریک APFD [۱۸] [۲۴] استفاده کردیم تا با این کار کارآمدی رویکرد پیشنهادی را به وضوح بتوانیم نمایش دهیم. برای نشان دادن اثر بخش بودن اولویت بندی موارد تست با روش پیشنهادی خودمان در مقابل دیگر روش‌های اولویت بندی موارد تست ما از رابطه (۴-۱) استفاده کرده‌ایم. در ادامه نتایج را به شکل نمودار نمایش می‌دهیم. جدول (۴-۱) تعداد خطاهای شناسایی شده توسط هر یک از موارد تست در مجموعه تست و کل زمانی که هریک ازموارد تست طول می‌کشند را نشان می‌دهد. این جدول نشان دهنده نتایج حاصل از اجرای موارد تست بر روی نرم افزار سیستم مدیریت پرونده های قضایی می باشد. نتایجی از قبیل تعداد خطاهای شناسایی شده توسط هرکدام از موارد تست و زمان لازم که طول می کشد تا موارد تست بتوانند این خطاهای موجود را شناسایی کنند.

۲-۴ – متریک (APFD) Average Percentage of Faults Detected

برای تعیین کمیت هدف که در اولویت بندی موارد تست، افزایش نرخ تشخیص خطامجموعه‌ی تست می باشد ما نیز از این متریک استفاده می کنیم.این متریک توسط Elbaum و همکارانش توسعه یافته است [۲۵]این متریک متوسط نرخ شناسایی خطا را به ازاء درصد اجرای موارد تست موجود در مجموعه تست اندازه گیری می‌کند.بر اساس کارهای اولیه پیشنهاد شده، ممکن است اجرای موارد مدت زمان زیادی طول بکشد (ماه یا سال) بسته به طول اندازه مجموعه تست و یا اینکه هر یک از موارد تست درچه مقدار زمانی اجرا می شوند. به هر حال با استفاده از یک تکنیک اولویت بندی موثر و مرتب کردن موارد تست می توان نرخ خطای تشخیصی توسط همان موارد تست را افزایش داد. توجه داشته باشید که، رابطه نشان داده شده برای محاسبه متریک APFD تنها زمانی قابل استفاده است که دانش قبلی از خطاهای فعال یا در دسترس موجود باشد.
این نیاز در رویکردهایی که برای تست رگرسیون استفاده می شوند قابل حل است زیرا در تست رگرسیون یک مجموعه تست اولیه در دست می باشد و با اطلاعاتی که از اجراهای قبلی موارد تست در دست است می توان این موضوع را فهمید. اما در تست توسعه نرم افزار که دیگر مجموعه تست با تعدادی موارد تست اولیه در دست نیست بایستی این مشکل را با تعدادی خطای دستی برطرف نمائیم. به گونه ای که تعدادی خطا را به صورت دستی به نرم افزار تزریق نموده و با اجرای موارد تست به کشف و شناسایی آنها بپردازیم.
جدول شماره ۱-۴: تعداد خطای شناسایی شده توسط موارد تست با توجه به زمان کل برای هر مورد تست

ندارد

ماژول

پوشش، تغییر

شبکه های بیزی BN

فصل پنجم
نتیجه گیری و پیشنهادات
۱-۵ نتیجه گیری
رویکرد ارائه شده در این پایان نامه ، رویکردی جدید برای اولویت بندی موارد تست می‌باشد که برای بهبود بخشیدن به نرخ شناسایی خطا و همچنین شناسایی خطاهای شدید در تست رگرسیون و تست غیر رگرسیون می‌توان بکار برد ضمن اینکه تشخیص خطاهای شدید در مدل پیشنهادی بهبود یافته است. ما در این پایان نامه مدلی را پیشنهاد کرده‌ایم که بر اساس آن می‌توان اولویت بندی موارد تست را به گونه ای کارآمدتر از دیگر روش‌های پیشنهاد شده تا به حال انجام داد. زیرا روش‌هایی که تا کنون برای اولویت بندی موارد تست پیشنهاد شده‌اند و مورد مطالعه قرار گرفته‌اند هر یک دارای مزایا و معایبی هستند که عبارتند از : رویکرد اولویت بندی موارد تست نرم افزار بر اساس شبکه‌های بیزی [۲۶,۲۷,۲۸,۳۸,۳۹,۴۰]که مورد مطالعه قرار گرفتند، بر روی تست رگرسیون تمرکز کرده‌اند و منابع آنها برای جمع آوری داده‌های مورد نیاز جهت اولویت بندی موارد تست محدود به داده‌های قبلی از اجراهای موارد تست ، موارد تست موجود از تست های قبلی اجرا شده بر روی نرم افزار می‌باشد که این خود به عنوان یک عیب یا نقص برای آنها تلقی می‌گردد. زیرا اینگونه روش‌ها فقط برای تست رگرسیون می‌توانند مورد استفاده قرار گیرند و اگرچه بخواهیم برای غیر تست رگرسیون یعنی به عنوان مثال تست توسعه نرم افزار از این روش‌ها استفاده کنیم قادر به چنین کاری نخواهیم بود زیرا ما در تست توسعه نرم افزار دیگر به داده‌های اجرای موارد تست و تعدادی موارد تست موجود دسترسی نداریم.
از دیگر مواردی که در کار مشابه با کار پیشنهادی ما وجود دارد این است که در رویکرد ارائه شده توسط [۲۹,۳۰] برکلاس های برنامه تمرکز شده است اما ما نیز در رویکردمان به استناد بر قانون پارتو بر ماژول‌های برنامه تمرکز کردیم تا دقیق تر مسئله را مورد برسی قرار دهیم و تست نرم افزار و اولویت بندی نهایی ما کارآمدی لازم را داشته باشد. همچنین ما نسبت به روش پیشنهادی که بر اساس ساختار برنامه عمل اولویت بندی موارد تست را انجام می‌دهد، [۳۱] و به کار ما مشابهت دارد معیارها و فاکتورهای بیشتری را در نظر گرفته‌ایم و همچنین رویکردمان را از حیث داده‌های ورودی فقط به ساختار برنامه محدود نکرده‌ایم و از دیگر داده‌های در دسترس از قبیل (نیازمندی‌های کاربر، نظر افراد خبره و کارشناسان و اطلاعات قبلی اجرای موارد تست) نیز بهره می‌بریم تا اینکه بر اساس داده‌ها بتوانیم بهترین تصمیم گیری را انجام دهیم تا در نهایت اولویت بندی کارآمدی را در خروجی کار بدست آوریم با نرخ تشخیص خطای بیشتر برای خطاهای شدید موجود در برنامه تحت تست. مسئله دیگر اینکه در کارهای پیشنهادی تا قبل از کار پیشنهادی ما در هیچکدام از روش‌ها دیده نشده و محققان به آن توجه نکرده‌اند موضوع عدم قطعیت است. و اینکه زمان هایی پیش می‌آید که بایستی بر اساس اطلاعات ناکافی و احتمالی تصمیم گیری صورت گیرد و ما در رویکرد خویش با استفاده از شبکه‌های بیزی به این موضوع پرداخته‌ایم و آنرا در تصمیم گیری‌ ها و در نهایت در اولویت بندی موارد تست لحاظ کرده‌ایم. در این پایان نامه وابستگی مدل پیشنهادی به داشتن اطلاعات دقیق و کامل از اجراهای قبلی موارد تست کاهش یافته است و در مواقع وجود عدم قطعیت مدل پیشنهاد شده همانند روش های مشابه قابل استفاده و پاسخگو می باشد. در نهایت، مدل پیشنهاد شده قابل استفاده در تست رگرسیون و غیر رگرسیون می باشد .

۲-۵ پیشنهادات آینده

با توجه به قابلیت‌ ها و امکاناتی که رویکرد پیشنهاد شده در این پایان نامه به دلیل بهره بردن از شبکه های بیزی با پشتوانه ریاضی و فرمال دارد، می‌توان در کارهای آینده از این رویکرد برای محاسبه پیچیدگی نرم افزار بر اساس معیارهای مختلف و در نظر گرفتن عدم قطعیت در آن میزان پیچیدگی محصول نرم افزاری را تعیین یا پیش بینی نمود. همچنین برای تست نرم افزارهای تحت وب یا انواع وب سایت ها می توان از رویکرد پیشنهادی بهره برد. در ضمن، قصد داریم در کارهای بعدی، با استفاده از آزمایشات تجربی و مدنظر قرار دادن مدل های هزینه- فایده مدل پیشنهادی خود را بهبود دهیم. ما در رویکرد پیشنهادی مکانیزم بازخورد را قرار نداده‌ایم و در نظر داریم برای کار بعدی که مدلی مقرون به صرفه خواهد بود از این مکانیزم هم بهره ببریم که این امر مستلزم تحقیق و پژوهش های بیشتری می‌باشد تا اینکه ثابت شود مدل پیشنهادی را دچار بار اضافی نمی‌سازد. یکی دیگر از گزینه های پیش رو برای توسعه و گسترش این کار در نظر گرفتن معیارهای ارزیابی بیشتر برای روش‌های اولویت بندی را می توان نام برد. در نهایت یکی دیگر از جنبه های بهبود و تکامل مدل پیشنهادی، بهره بردن از قابلیت یادگیری ماشین به همراه شبکه بیزی در کارهای آتی می باشد.
پیوست الف: واژه نامه ی فارسی به انگلیسی