دانلود پایان نامه مقایسه ابزارهای تولید تست واحد خودکار متداول و مبتنی بر هوش مصنوعی در جاوا

1. مقدمه 2. روش تحقیق 3. پیشینه نظری 4. پروژه تحقیقاتی – پیاده سازی 5. آنالیز نتایج 6. بحث و بررسی 7. تهدید اعتبار 8. نتیجه گیری و کارهای آتی

چکیده – تست واحد، نقشی اساسی در تضمین کیفیت و قابل اعتماد بودن سیستم های نرم افزاری ایفا می کند. با این حال، تست دستی اغلب موارد می تواند یک فرآیند کند و وقت گیر باشد. با پیشرفت های حاضر در هوش مصنوعی (AI)، ابزارهای جدیدی برای تست واحد خودکار برای رفع این مسئله، پدیدار شده اند. اما این ابزارهای AI جدید چه تفاوتی با ابزارهای تولید تست واحد خودکار متداول دارند؟ برای پاسخ به این سوال، دو ابزار تست واحد متداول نوین (EVOSUITE و RANDOOP) را با ابزار تست واحد مبتنی بر AI موجود در بازار (DIFFBLUE COVER) برای جاوا، مورد مقایسه قرار دادیم. این ابزارها را برروی 10 کلاس نمونه از 3 پروژه واقعی فراهم شده توسط مجموعه داده Defects4J تست کردیم تا عملکرد آنها را از نظر پوشش کد، نمره جهش و آشکارسازی خطا، ارزیابی کنیم. نتایج نشان دادند که EVOSUITE به بالاترین پوشش کد با میانگین 89% دست یافت درحالی که RANDOOP و DIFFBLUE COVER به نتایج مشابهی با میانگین 63% دست یافتند. از لحاظ نمره جهش، DIFFBLUE COVER کمترین نمره میانگین 40% را داشت درحالی که EVOSUITE و RANDOOP، به ترتیب 67% و 50% بودند. برای آشکارسازی خطا، EVOSUITE و RANDOOP، تعداد باگ بیشتری (به ترتیب 7 از 10 و 5 از 10) در مقایسه با DIFFBLUE COVER که تنها 4 از 10 بود، شناسایی کردند. با اینکه ابزار مبتنی بر AI عملکرد بهتری در هر سه ضابطه داشت، اما هنوز جای کار دارد تا قادر به دستیابی به نتایج مناسب باشد، در تعدادی موارد حتی هنگام تولید تعداد بسیار کمتری از تاییدات کلی و تست های جامع تر، بهتر از ابزارهای متداول است. با این حال، این مطالعه اذعان می کند که محدودیت هایی از نظر تعداد محدود ابزارهای مبتنی بر AI استفاده شده و تعداد کم پروژه هایی که از Defects4J استفاده کرده اند، وجود دارد.

Unit testing plays a crucial role in ensuring the quality and reliability of software systems. However, manual testing can often be a slow and time-consuming process. With current advancements in artificial intelligence (AI), new tools have emerged for automated unit testing to address this issue. But how do these new AI tools compare to conventional automated unit test generation tools? To answer this question, we compared two state-of-the-art conventional unit test tools (EVOSUITE and RANDOOP) with the sole commercially available AI-based unit test tool (DIFFBLUE COVER) for Java. We tested them on 10 sample classes from 3 real-life projects provided by the Defects4J dataset to evaluate their performance regarding code coverage, mutation score, and fault detection. The results showed that EVOSUITE achieved the highest code coverage, averaging 89%, while RANDOOP and DIFFBLUE COVER achieved similar results, averaging 63%. In terms of mutation score, DIFFBLUE COVER had the lowest average score of 40%, while EVOSUITE and RANDOOP scored 67% and 50%, respectively. For fault detection, EVOSUITE and RANDOOP detected a higher number of bugs (7 out of 10 and 5 out of 10, respectively) compared to DIFFBLUE COVER, which found only 4 out of 10. Although the AI-based tool was outperformed in all three criteria, it still shows promise by being able to achieve adequate results, in some cases even surpassing the conventional tools while generating a significantly smaller number of total assertions and more comprehensive tests. Nonetheless, the study acknowledges its limitations in terms of the restricted number of AI-based tools used and the small number of projects utilized from Defects4J.