Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.932
Aluno: Eduardo José de Vasconcelos Matos
Orientador: Profa. Flávia de Almeida Barros
Título: DRL TC Classifier: Classificação de Casos de Teste para Automação de Testes de Dispositivos Móveis
Data: 05/10/2020
Hora/Local: 14h – Virtual – https://meet.google.com/syt-puby-nis
Banca Examinadora:
Prof. Alexandre Cabral Mota (UFPE / Centro de Informática)
Prof. Lucas Albertins de Lima (UFRPE / Departamento de Computação)
Prof. Flavia de Almeida Barros (UFPE / Centro de Informática)
RESUMO:
Buscando garantir a qualidade de produtos de software, são realizadas
diversas atividades de teste. Contudo, esta é uma tarefa cara e complexa,
responsável por aproximadamente 50% do custo de um desenvolvimento dos sistemas de software. A automação de testes surge como uma solução para diminuir o custo e aumentar a eficiência dos processos de teste. Um dos primeiros estágios do processo de automatização de Casos de Testes (CTs) é a identificação da viabilidade dessa automação. Atualmente, essa é uma roblemática real da nossa empresa parceira, no ramo de dispositivos
móveis, que mantém uma equipe responsável por criar os scripts executáveis para os CTs automatizáveis. A classificação é realizada manualmente por especialistas com conhecimento sobre as features dos dispositivos (i.e., que features podem ou não ser testadas automaticamente), e sobre o ambiente de desenvolvimento de CTs automáticos. No entanto, especialistas são profissionais “caros”, cujo tempo livre é escasso e o conhecimento adquirido é muito valioso. Nesse contexto, este trabalho teve por objetivo auxiliar no processo de automação de teste, criando uma ferramenta para classificação automática de CTs entre automatizáveis ou não. Além de otimizar essa tarefa, este trabalho também contribuiu para registrar o conhecimento do especialista, que pode ser perdido se o colaborador sair da empresa. O protótipo implementado utiliza conceitos da Classificação de Texto e da Engenharia do Conhecimento baseada em regras e inferência (através da ferramenta Drools). A avaliação do protótipo apresentou resultados muito satisfatórios, com valores de acurácia de 83,4%. Além disso, observamos que a classificação automática de um plano de teste com 1.192 CTs foi realizada em apenas alguns minutos, enquanto que a mesma tarefa levaria dias ou semanas para ser realizada manualmente.
Palavras-chave: Classificação de texto. Engenharia do conhecimento.
Regras. Engenharia de Testes.
Comentários desativados