DeepRLGUIMAT: Deep Reinforcement Learning-based GUI Mobile Application Testing Approach (2022)
- Authors:
- Autor USP: RIBEIRO, ELIANE FIGUEIREDO COLLINS - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- DOI: 10.11606/T.55.2022.tde-03062022-162453
- Subjects: APRENDIZADO COMPUTACIONAL; COMPUTAÇÃO MÓVEL; APLICATIVOS MÓVEIS; SOFTWARES
- Keywords: Automação de testes; Automated testing; Mobile application Testing; Reinforcement learning
- Language: Inglês
- Abstract: Contexto: Os constantes avanços nas tecnologias de computação móvel e a demanda do mercado por novos produtos e aplicativos que atendam a um público cada vez mais amplo representam uma oportunidade e a necessidade de refletir sobre como garantir a qualidade desses aplicativos móveis, sendo também o teste de software para esses aplicativos importante e fundamental. A pesquisa nesta área tem sido cada vez mais necessária porque serve como evidência de qualidade do sistema. No entanto, aplicativos móveis têm algumas características e limitações, como a quantidade de memória a ser usada, a vida útil da bateria, a quantidade de dados de entrada, o tamanho da tela do dispositivo móvel e os diferentes sistemas operacionais. As ferramentas de teste disponíveis são ainda limitadas nas estratégias e critérios de de teste que apóiam. Considerando o crescimento do uso desses aplicativos e os desafios que a automação de teste enfrenta, como muitas combinações de operações, transições, cobertura de funcionalidade, mudanças de elementos de interface e reprodução de falhas, pesquisas para contornar essas dificuldades são encorajadas. Com isso, estudos de técnicas de Inteligência Artificial, como Aprendizado de Máquina por Reforço, surgem como uma oportunidade de aprimorar esta área para geração de casos de teste por meio da exploração de aplicativos. Objetivo: Este trabalho propõe a abordagem DeepRLGUIMAT que utiliza a técnica de aprendizado por reforço profundo, com o algoritmo DeepQ-Network para gerar casos de teste por meio da exploração do aplicativo móvel utilizando tentativa e erro, produzindo uma variedade de dados de teste de entrada de acordo com o método de Testes Funcionais Sistemáticos e seguindo a probabilidade distribuição para satisfazer o propósito de cobrir funcionalidades da aplicação. Método: Foi conduzida uma investigação na literatura técnica por meio de um mapeamento sistemático para conhecer os principais estudos na área. Com base nas informações adquiridas a abordagem foi elaborada e desenvolvida por meio de uma ferramenta para prova de conceito para executar a estratégia elaborada em aplicações Android. Por fim foram conduzidos experimentos empíricos em 30 aplicações móveis e feita comparação com abordagens similares na literatura (ferramentas com abordagem randômica Monkey, abordagem Model-based com Aprendizado de Máquina Droidbot, e as abordagens que usam aprendizado de máquina por reforço DroidbotX e Q-testing) em termos de métricas de cobertura de código, falhas encontradas e cobertura de funcionalidades. Resultados: Foram observados que a abordagem proposta atingiu maior valor para cobertura de código em instrução, branches, linhas de código e métodos em comparação com as ferramentas de estado da arte. Em termos de falhar e travamentos encontrados, a ferramenta obteve resultado igual ao das ferramentas de estado da arte. Em cobertura de funcionalidade, a abordagem proposta exercitou mais operações funcionais em comparação.com as ferramentas comparadas. Conclusão:A abordagem proposta mostrou resultados promissores sendo mais efetiva para navegação e em executar operações nas aplicações, gerando testes úteis e efetivos que exercitam a variações de entrada de dados que facilitam a cobertura de funcionalidades de aplicações móveis e com maior possibilidades de indentificar a presenção de erros/falhas.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2022
- Data da defesa: 30.03.2022
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
RIBEIRO, Eliane Figueiredo Collins. DeepRLGUIMAT: Deep Reinforcement Learning-based GUI Mobile Application Testing Approach. 2022. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03062022-162453/. Acesso em: 06 out. 2024. -
APA
Ribeiro, E. F. C. (2022). DeepRLGUIMAT: Deep Reinforcement Learning-based GUI Mobile Application Testing Approach (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03062022-162453/ -
NLM
Ribeiro EFC. DeepRLGUIMAT: Deep Reinforcement Learning-based GUI Mobile Application Testing Approach [Internet]. 2022 ;[citado 2024 out. 06 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03062022-162453/ -
Vancouver
Ribeiro EFC. DeepRLGUIMAT: Deep Reinforcement Learning-based GUI Mobile Application Testing Approach [Internet]. 2022 ;[citado 2024 out. 06 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03062022-162453/
Informações sobre o DOI: 10.11606/T.55.2022.tde-03062022-162453 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
