XI Workshop de Testes e TolerÃ¢ncia a Falhas (WTF) - SBRC 2010

More documents

Recommendations

Info

94 Anais Os parâmetros podem representar tipos tais como inteiro, real, string ou booleanos. O trabalho também propôs um conjunto de operadores evolutivos de cruzamento (crossover) e mutação. A função de fitness é orientada a um objetivo. O trabalho de Liu et al. [8] utiliza um algoritmo de Colônia de Formigas para gerar a menor seqüência de invocações de métodos. O objetivo é cobrir as arestas em métodos privados e protegidos. Wappler e Lammermann [22] apresentam uma abordagem baseada em Algoritmos Evolutivos Universais para permitir a aplicação de diferentes algoritmos de busca, tais como Hill Climbing e Simulated Annealing. A função de fitness usa mecanismos para penalizar seqüências inválidas e guiar a busca, pois sua representação pode gerar indivíduos que poderiam ser transformados em programas incorretos. Um trabalho posterior de Wappler e Wegner [24] não apresenta esse problema e codifica possíveis soluções usando Programação Genética Fortemente Tipada. As seqüências são representadas por árvores, e resultados promissores foram obtidos. O uso de Programação Genética também foi explorado por Seesing e Gross [18]. Sagarna et al. [17] apresentam uma abordagem baseada em Algoritmos de Distribuição de Estimativas (EDA) para gerar dados de teste para a cobertura de um ramo no teste de unidade de programas Java. Um problema com os trabalhos mencionados é que a representação dos dados de teste, assim como a abstração do fluxo de execução e/ou de dados estão baseadas no código fonte. Se o código não está disponível, os algoritmos não podem ser aplicados. Para superar esta limitação os trabalhos mais recentes tentam gerar dados de teste analisando diretamente o bytecode. O trabalho de Cheon et al. [2] propõe extensões ao compilador JML para produzir informações sobre cobertura e utiliza as especificações JML para determinar o resultado do teste. O trabalho descrito em [12] gera dados de teste resolvendo restrições. Estes trabalhos, entretanto, não usam algoritmos evolutivos, baseados em busca meta-heurística. Os trabalhos relatados em [15,16] abordam o teste evolutivo considerando bytecode. Os trabalhos utilizam um pacote que inclui diferentes Algoritmos Evolutivos Universais e Programação Genética Fortemente Tipada, de forma semelhante ao trabalho descrito em [22]. A geração é guiada por informações extraídas do bytecode. Na próxima seção, é descrito o framework TSDGen/OO para a geração de dados de teste no contexto de software orientado a objeto, integrado com a ferramenta de teste JaBUTi. A representação do indivíduo é baseada no trabalho de Tonella [19], mas diferentemente, a ferramenta executa uma função de fitness orientada à cobertura dos critérios estruturais baseados em fluxo de controle e em fluxo de dados, aplicados a um modelo extraído do bytecode. Um outro aspecto que torna o trabalho diferente dos demais trabalhos que também consideram o bytecode na geração [15.16] é a função implementada que permite uma melhoria no desempenho de um algoritmo genético simples, considerando trabalhos anteriores [3] e toda a experiência adquirida com programas tradicionais.
XI Workshop de Testes e Tolerância a Falhas 95 3. Ferramenta TDSGen/OO TDSGen/OO gera dados de teste para os critérios estruturais implementados pela JaBUTi, que são critérios baseados em fluxo de controle e em fluxo de dados. A Figura 2 apresenta sua estrutura, baseada no trabalho relatado em [3]. TDSGen/OO contém quatro módulos principais: Geração da População, Avaliação, Evolução e Início. A informação produzida transmitida através dos módulos está representada nesta figura por elipses. Na sequência é apresentada uma breve descrição de cada módulo. A. Início Figura 2: Principais módulos do framework TDSGen/OO O Módulo Início é responsável por receber a configuração inicial (arquivo de configuração) do testador e por controlar os outros módulos. O testador pode também usar uma interface gráfica para fornecer as informações iniciais. Uma configuração possui duas seções, sendo que uma seção - ferramenta de teste - inclui parâmetros para a JaBUTi: o nome do arquivo fonte que contém a classe a ser testada, e o critério escolhido; a outra seção - estratégias de evolução - está relacionada com o processo de evolução e será utilizada pelo Módulo Evolução, contendo taxa de crossover, taxa de mutação, tamanho da população, número máximo de gerações, método de seleção (torneio 1 ou roleta 2 ), elitismo e ineditismo. 1 Seleção por Torneio: um número p de indivíduos da população é escolhido aleatoriamente para formar uma sub-população temporária. Deste grupo, é selecionado o melhor indivíduo.
Page 1 and 2:
XXVIII Simpósio Brasileiro de Rede
Page 3 and 4:
XI Workshop de Testes e Tolerância
Page 5 and 6:
Page 7 and 8:
Page 9 and 10:
Page 11 and 12:
Page 13:
Page 16 and 17:
4 Anais tais problemas. Portanto, h
Page 18 and 19:
6 Anais consenso para o modelo ass
Page 20 and 21:
8 Anais em andamento (por exemplo,
Page 22 and 23:
10 Anais cada partição síncrona,
Page 24 and 25:
12 Anais A tarefa T 4 é executada
Page 26 and 27:
14 Anais • Assumimos que o proces
Page 28 and 29:
16 Anais Veríssimo, P. and Casimir
Page 30 and 31:
18 Anais Entretanto, em caso de fal
Page 32 and 33:
20 Anais à aplicação: SafeSendT
Page 34 and 35:
22 Anais Na fase de inicialização
Page 36 and 37:
24 Anais acesso a C e nem a C d . E
Page 38 and 39:
26 Anais Prova. 1. Se t + 1 /∈ C
Page 40 and 41:
28 Anais algoritmo de término. Vá
Page 42 and 43:
30 Anais instantânea. Além disso,
Page 44 and 45:
32 Anais [Chandra and Toueg 1996].
Page 46 and 47:
34 Anais Every JXTA-FD instance exe
Page 48 and 49:
36 Anais 3.4. GossipTask A rotina G
Page 50 and 51:
38 Anais mecanismo foi adotado para
Page 52 and 53:
40 Anais Tempo de Detecção e Recu
Page 54 and 55:
42 Anais nout em relação à exati
Page 56 and 57: 44 Anais Fischer, M. J., Lynch, N.
Page 58 and 59: 46 Anais 1. Introdução Sistemas d
Page 60 and 61: 48 Anais canais de comunicação co
Page 62 and 63: 50 Anais Figura 1. Interface do QoS
Page 64 and 65: 52 Anais onde as aplicações solic
Page 66 and 67: 54 Anais • QOSP _REGIST ER: Esta
Page 68 and 69: 56 Anais O DSCP utilizado para o Se
Page 70 and 71: 58 Anais seu destino, enquanto que
Page 73 and 74: XI Workshop de Testes e Tolerância
Page 101: XI Workshop de Testes e Tolerância
Page 104 and 105: 92 Anais geralmente baseados nos gr
Page 108 and 109: 96 Anais Um exemplo de configuraç
Page 110 and 111: 98 Anais E. Evolução O Módulo Ev
Page 112 and 113: 100 Anais Tabela 1: Cobertura obtid
Page 114 and 115: 102 Anais ineditismo, o que parece
Page 116 and 117: 104 Anais Evaluation of Novel Appro
Page 118 and 119: 106 Anais protocolo; (2) verificaç
Page 120 and 121: 108 Anais Uma MEF pode ser represen
Page 122 and 123: 110 Anais se dá em uma seqüência
Page 124 and 125: 112 Anais 1 2 3 4 5 Data: MEF M e C
Page 126 and 127: 114 Anais (a) Variação do número
Page 128 and 129: 116 Anais Fujiwara, S., Bochman, G.
Page 157:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183 and 184:
Page 185 and 186:
Page 187 and 188:
Page 189:
show all

XI Workshop de Testes e TolerÃ¢ncia a Falhas (WTF) - SBRC 2010

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?