Study on unsupervised machine learning applied to software testing based on resource usage (2024)
- Authors:
- Autor USP: RUIZ, KEVIN GERARDO POLO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- DOI: 10.11606/D.55.2024.tde-11022025-170631
- Subjects: APRENDIZADO COMPUTACIONAL; SOFTWARES; QUALIDADE DE SOFTWARE
- Keywords: Agglomerative clustering; Agrupamento aglomerativo; Anomaly detection; Detecção de anomalias; Detecção de defeitos; Fault detection; Machine learning; Software testing
- Language: Inglês
- Abstract: Os sistemas tornam-se cada vez mais complexos na indústria de software, o que os torna também mais propensos a falhas. Garantir a qualidade do software por meio de testes rigorosos é crucial, mas essa tarefa ainda é custosa e difícil, consumindo partes significativas do orçamento dos projetos. A automação é um fator chave para melhorar a eficiência dos testes, com novas metodologias e ferramentas sendo desenvolvidas continuamente. O Aprendizado de Máquina tem despertado considerável interesse em várias áreas nos últimos dez anos, impulsionado por avanços no poder computacional e na capacidade de gerenciar grandes volumes de dados. A Tricorder é uma metodologia de Testes projetada para detectar possíveis defeitos de software ao analisar mudanças no comportamento do consumo de recursos do sistema computacional em teste. O comportamento do consumo de recursos é caracterizado pelo aprendizado de máquina não supervisionado fornecido pela DAMICORE. A metodologia usada pela DAMICORE é baseada em um pipeline de três etapas principais. O pipeline utiliza a Distância de Compressão Normalizada (NCD) para gerar uma matriz de distâncias, o algoritmo Neighbor-Joining para construir uma árvore filogenética, e o método Fast Newman para detecção de comunidades, essencial para o agrupamento de dados. A DAMICORE monitora e identifica anomalias nos padrões de uso de recursos como CPU, memória e, Entrada e Saída, de modo a indicar a possivel presença de defeitos de software. Este projeto estudao impacto gerado pela DAMICORE na detecção de defeitos de software fornecido pela Tricorder, no contexto de agrupamento aglomerativo e árvores filogenéticas, testando várias técnicas adaptadas à DAMICORE. A revisão da literatura sobre Aprendizado de Máquina aplicado ao Teste de Software destacou que as técnicas mais amplamente estudadas para agrupamento aglomerativo são baseadas em Single, Complete e Average (UPGMA) Linkages. Neighbor-Joining e UPGMA são proeminentes na construção de árvores filogenéticas. Para alcançar os objetivos do projeto, consolidamos as bases teóricas, seguidas por uma revisão aprofundada do estado da arte e das metodologias específicas da Tricorder e da DAMICORE. Em seguida, planejamos e executamos sistematicamente uma série de experimentos, analisando os resultados gerados. O projeto demonstrou o potencial do uso da distância de Levenshtein, aproveitando a topologia de rede para a detecção de comunidades, e incorporando todas as métricas do sistema em uma análise única. Essas abordagens apresentaram resultados melhores em nosso contexto do que outras técnicas encontradas na literatura. NCD e Neighbor-Joining apresentam limitações significativas, especialmente devido às suas altas demandas computacionais, o que dificulta sua aplicação prática em projetos maiores e mais complexos. As melhorias introduzidas neste projeto devem melhorar a precisão da DAMICORE na detecção de defeitos de software. Os resultados deste projeto contribuam para o estado daarte na aplicação do Aprendizado de Máquina ao Teste de Software e reforçam a posição da Tricorder na comunidade de Teste de Software.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 23.10.2024
- 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
RUIZ, Kevin Gerardo Polo. Study on unsupervised machine learning applied to software testing based on resource usage. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11022025-170631/. Acesso em: 04 ago. 2025. -
APA
Ruiz, K. G. P. (2024). Study on unsupervised machine learning applied to software testing based on resource usage (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11022025-170631/ -
NLM
Ruiz KGP. Study on unsupervised machine learning applied to software testing based on resource usage [Internet]. 2024 ;[citado 2025 ago. 04 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11022025-170631/ -
Vancouver
Ruiz KGP. Study on unsupervised machine learning applied to software testing based on resource usage [Internet]. 2024 ;[citado 2025 ago. 04 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11022025-170631/
Informações sobre o DOI: 10.11606/D.55.2024.tde-11022025-170631 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
