Learning finite state machine models of evolving systems: From evolution over time to variability in space (2020)
- Authors:
- Autor USP: DAMASCENO, CARLOS DIEGO NASCIMENTO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- Subjects: ENGENHARIA DE SOFTWARE; SOFTWARES
- Keywords: Aprendizado de autômatos; Automata learning; Evolução de software; Reactive systems; Sistemas reativos; Software evolution; Software variability; Varibilidade de software
- Agências de fomento:
- Language: Inglês
- Abstract: Manutenção e evolução são principios básicos do ciclo de vida de software. Apesar disso, artefatos de modelagem frequentemente tendem a ser negligenciados. Consequentemente, modelos podem ficar desatualizados e dificultar a adoção de algumas técnicas tais como verificação e teste baseado em modelos. Estudos recentes têm mostrado que técnicas de aprendizado de modelos de máquinas de estados finitos têm se tornado bastante populares no teste e verificação de software. Apesar disso, algoritmos para aprendizado de modelos ainda sofrem com problemas de escalabilidade assim como com a evolução ao longo do tempo que pode requerer o re-aprendizado do zero. Adicionalmente, há uma lacuna de pesquisas sobre estratégias de aprendizado de modelos para linhas de produto de software, i.e., sistemas onde variantes de software co-existem e, consequentemente, incorporam variabilidade no espaço. Esta Tese de Doutorado avança no estado da arte da engenharia de software baseada em modelos apresentando contribuições teóricas e práticas sobre aprendizado de modelos para sistemas que incorporam evolução ao longo do tempo e variabilidade no espaço. As três principais contribuições desta Tese de Doutorado são: (i) um algoritmo adaptativo de aprendizado de modelos que explora versões de software pré-existentes on-the-fly para descartar conhecimento redundante e descontinuado representados em termos de sequências de entradas que não levem à descoberta de estados. Usando máquinas de estados reais doprojeto OpenSSL, mostra-se que o algoritmo proposto consegue ser mais eficiente que o estado da arte e menos sensível à evolução de software. (ii) Preenche-se a lacuna de pesquisas em algoritmos de aprendizado de modelos para linhas de produto com o algoritmo FFSMDiff , uma técnica automatizada para identificar comportamentos similares e anotar estados e transições de máquinas de estados finitos com restrições de características (FFSM, sigla do inglês). Usando 105 modelos derivados de seis linhas de produto acadêmicas, mostra-se que o algoritmo proposto consegue combinar famílias de máquinas de estados em FFSMs significativamente sucintas, especialmente quando há um alto reúso entre os produtos analisados. (iii) Um conjunto de experiências que incorporam amostragem de produtos no FFSMDiff . Os resultados indicam que modelos de FFSM construídos usando amostragem podem ser tão precisos quanto aqueles feitos usando aprendizado exaustivo e, consequentemente, cobrem o comportamento de uma linha de produto.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2020
- Data da defesa: 03.07.2020
-
ABNT
DAMASCENO, Carlos Diego Nascimento. Learning finite state machine models of evolving systems: From evolution over time to variability in space. 2020. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2020. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02092020-091958/. Acesso em: 28 fev. 2026. -
APA
Damasceno, C. D. N. (2020). Learning finite state machine models of evolving systems: From evolution over time to variability in space (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02092020-091958/ -
NLM
Damasceno CDN. Learning finite state machine models of evolving systems: From evolution over time to variability in space [Internet]. 2020 ;[citado 2026 fev. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02092020-091958/ -
Vancouver
Damasceno CDN. Learning finite state machine models of evolving systems: From evolution over time to variability in space [Internet]. 2020 ;[citado 2026 fev. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02092020-091958/ - Evaluating finite state machine based testing methods on RBAC systems
- Learning from difference: an automated approach for learning family models from software product lines
- Learning to reuse: adaptive model learning for evolving systems
- Learning by sampling: learning behavioral family models from software product lines
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
