Штучний інтелект

Анотація: Одним із етапів при розробці програмного забезпечення є тестування програмного продукту. З розвитком технологій процес тестування удосконалився до автоматизованого тестування, яке зменшує вплив людського фактору на помилку та пришвидшує тестування. Основними програмними продуктами для тестування вважаються вебзастосунки, вебсервіси, мобільні додатки та тестування ефективності. Відповідно до піраміди тестування, при тестуванні вебсервісів потрібно розробляти більше тестових випадків, ніж для тестування вебзастосунку. Оскільки автоматизація передбачає написання програмного коду для тестування, то використання готових інструментів пришвидшить процес розробки програмного забезпечення. Одним з найважливіших тестових показників вважається покриття пошукового функціоналу. Пошуковий функціонал вебзастосунку чи вебсервісу потребує опрацювання великого обсягу випадків, оскільки потрібно передбачати множину умов його функціонування через вільне введення будь-якої інформації на вебсторінку. Існує підхід до тестування на основі даних, який передбачає роботу з тестовим набором даних через файли типу CSV, XLS, JSON, XML та інші. Проте, пошук вхідних даних для тестування забирає багато часу при створенні тестових випадків та автоматизованих тестових сценаріїв. Запропоновано використати генератори штучного набору даних на основі реальних значень та популярних запитів на вебсайті для формування тестового набору даних. Крім цього, є можливість врахувати ймовірні техніки розробки тестових випадків. Програмне забезпечення для тестування запропоновано умовно поділити на декілька прошарків: клієнтський, тестовий, робота з даними, перевірки та звіти. У мові програмування Java є ряд бібліотек для роботи на кожному з цих рівнів. Запропоновано використати REST Assured, як RESTful Client, TestNG як бібліотеки для написання тестів з перевірками, а також Allure report для генерування звітів. Відзначено, що запропонований з урахуванням штучного інтелекту підхід для автоматизованого підбору тестових випадків при створенні тесту урізноманітнить тестові дані, максимально стимулюватиме введення даних людиною та поведінку для покриття більшості випадків.

Ключові слова: автоматизоване тестування, штучний інтелект, синтетичні дані, генератор даних, штучний набір даних, тестування вебсервісу, тестування на основі даних.

Посилання:

1. Trudova, Anna & Dolezel, Michal & Buchalcevova, Alena. (2020). Artificial Intelligence in Software Test Automation: A Systematic Literature Review. 181-192. doi:https://doi.org/10.5220/0009417801810192.
2. Alberto Martin-Lopez. (2020). AI-driven web API testing. In Proceedings of the ACM/IEEE 42nd International Conference on Software Engineering: Companion Proceedings (ICSE '20). Association for Computing Machinery, New York, NY, USA, 202–205. doi: https://doi.org/10.1145/3377812.3381388.
3. Jimena Torres Tomás, Newton Spolaôr, Everton Alvares Cherman, Maria Carolina Monard. (2014) A Framework to Generate Synthetic Multi-label Datasets, Electronic Notes in Theoretical Computer Science, 302, 155-176, ISSN 1571-0661, doi: https://doi.org/10.1016/j.entcs.2014.01.025.
4. Faezeh Khorram, Jean-Marie Mottu, Gerson Sunyé. (2020) Challenges & Opportunities in Low-Code Testing. ACM/IEEE 23rd International Conference on Model Driven Engineering Languages and Systems (MODELS ’20 Companion), Virtual, Canada. doi: ff10.1145/3417990.3420204ff. ffhal-02946812f.
5. Nguyen P., Maag S. (2021) A Machine Learning Based Methodology for Web Systems Codeless Testing with Selenium. In: van Sinderen M., Maciaszek L.A., Fill HG. (eds) Software Technologies. ICSOFT 2020. Communications in Computer and Information Science, 1447. Springer, Cham. doi: https://doi.org/10.1007/978-3-030-83007-6_9.
6. Halili, Festim & Ramadani, Erenis. (2018). Web Services: A Comparison of Soap and Rest Services. Modern Applied Science. 12. 175. doi: https://doi.org/10.5539/mas.v12n3p175.
7. Kachewar, Rohan. (2013). K model for designing Data Driven Test Automation Frameworks and its Design Architecture Snow Leopard. doi: 10.5120/3835-5331.
8. Ayala-Rivera, Vanessa & Mcdonagh, Patrick & Cerqueus, Thomas & Murphy, Liam. (2013). Synthetic Data Generation using Benerator Tool.
9. Hitesh, Tahbildar & Bichitra, Kalita. (2011). Automated Software Test Data Generation: Direction of Research. International Journal of Computer Science and Engineering Survey.2. doi: 10.5121/ijcses.2011.2108.
10. Shuvar R.Y., Prodyvus A.M., Yuzevych V.M., Ogirko I.V., Ogirko O.I., Kovtko R.T., Mysiuk R.V. (2021) Information technologies and threats in cyberphysical systems for displaying information in underground metal structures with defects. Stuc. intelekt. 26(1), 85-94. doi: https://doi.org/10.15407/jai2021.01.085.
11. Aleb, N., & Kechid, S. (2013). Automatic Test Data Generation Using a Genetic Algorithm. ICCSA.
12. New Relic [Online]. Available: https://docs.newrelic.com/docs/data-apis/get-started/introduction-new-relic-data-ingest-apis-sdks/.
13. Test Design Techniques [Online]. Available: http://istqbfoundation.wikidot.com/4.