Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам
У статті розглянуто задачу визначення відповідності результатів тестування програмного забезпечення критичного застосування функційним та нефункційним вимогам за рахунок нечіткої нейронної мережі. В статье рассмотрена задача определения соответствия результатов тестирования программного обеспечения...
Saved in:
| Published in: | Искусственный интеллект |
|---|---|
| Date: | 2013 |
| Main Author: | |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2013
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/85202 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам / В.Ю. Тітова // Искусственный интеллект. — 2013. — № 4. — С. 548–554. — Бібліогр.: 2 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859647695996583936 |
|---|---|
| author | Тітова, В.Ю. |
| author_facet | Тітова, В.Ю. |
| citation_txt | Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам / В.Ю. Тітова // Искусственный интеллект. — 2013. — № 4. — С. 548–554. — Бібліогр.: 2 назв. — укр. |
| collection | DSpace DC |
| container_title | Искусственный интеллект |
| description | У статті розглянуто задачу визначення відповідності результатів тестування програмного забезпечення
критичного застосування функційним та нефункційним вимогам за рахунок нечіткої нейронної мережі.
В статье рассмотрена задача определения соответствия результатов тестирования программного обеспечения
критического применения функциональным и нефункциональным требованиям с помощью нечеткой
нейронной сети.
The task of determining whether the result of the critical software testing to functional and non-functional
requirements by using fuzzy neural network has been considered in this article.
|
| first_indexed | 2025-12-07T13:29:29Z |
| format | Article |
| fulltext |
ISSN 1561-5359 «Искусственный интеллект» 2013 № 4 548
7Т
УДК 004.81
В.Ю. Тітова
Хмельницький національний університет, Україна
Україна, 29016, м. Хмельницький, вул. Інститутська, 11
Нечітка нейронна мережа для визначення
відповідності результатів тестування програмного
забезпечення критичного застосування вимогам
V.U. Titova
Khmelnitsky National University, Ukraine
Ukraine, 29016, t. Khmelnitsky, Istitutska St., 11
Fuzzy Neural Network for Determine Whether the Results
of the Critical Software Testing to Requirements
В.Ю. Титова
Хмельницкий национальный университет, Украина
Украина, 29016, г. Хмельницкий, ул. Институтская, 11
Нечеткая нейронная сеть для определения соответствия
результатов тестирования программного обеспечения
критического применения требованиям
У статті розглянуто задачу визначення відповідності результатів тестування програмного забезпечення
критичного застосування функційним та нефункційним вимогам за рахунок нечіткої нейронної мережі.
Ключові слова: функційні та нефункційні вимоги, програмне забезпечення
критичного застосування, нечітка нейронна мережа.
The task of determining whether the result of the critical software testing to functional and non-functional
requirements by using fuzzy neural network has been considered in this article.
Key words: functional and non-functional requirements, critical software, fuzzy neural network.
В статье рассмотрена задача определения соответствия результатов тестирования программного обеспечения
критического применения функциональным и нефункциональным требованиям с помощью нечеткой
нейронной сети.
Ключевые слова: функциональные и нефункциональные требования,
программное обеспечение критического применения, нечеткая нейронная сесть
Вступ
Однією з важливих та актуальних задач розроблення програмного забезпечен-
ня (ПЗ) є підвищення рівня його якості. Вирішення цієї задачі є особливо важливим
для ПЗ критичного застосування, використання якого пов’язано з безпекою життє-
діяльності.
Якість розробленого ПЗ в першу чергу залежить від якості проведеного тестуван-
ня, тому, на сьогоднішній день важливою умовою підвищення якості ПЗ критичного
застосування є розроблення нормативної бази, що визначає вимоги до якості зазна-
ченого ПЗ, та методи оцінювання реалізації цих вимог.
Нечітка нейронна мережа для визначення відповідності результатів…
«Штучний інтелект» 2013 № 4 549
7Т
Метою даної роботи є розроблення методу оцінювання відповідності результатів
тестування ПЗ його функційним та нефункційним вимогам.
Характеристика предметної галузі. Тестування (software testing) – діяльність,
виконувана для оцінки і вдосконалення програмного забезпечення. Ця діяльність, у за-
гальному випадку, базується на виявленні дефектів і проблем у програмних системах [1].
Тестування ПЗ складається з динамічної верифікації поведінки програм на скінче-
ному (обмеженому) наборі тестів (set of test cases), обраних відповідним чином із заз-
вичай виконуваних дій прикладної області, які забезпечують перевірку відповідності
очікуваній поведінці ПЗ [1].
Виконання тестів повинно містити основні принципи ведення наукового експери-
менту:
– повинні фіксуватися всі роботи і результати процесу тестування;
– форма запису таких робіт та їх результатів повинна бути такою, щоб відповід-
ний зміст їх був зрозумілим;
– тестування має проводитися у відповідності із заданими і документованими
процедурами;
– тестування повинне проводитися над ідентифікованою версією і конфігура-
цією ПЗ.
Для визначення успішності результати тестів повинні оцінюватися та аналізува-
тися. У більшості випадків, «успішність» тестування має увазі, що тестоване програмне
забезпечення функціонує так, як очікувалося, не визначаючи, наскільки саме близько
до бажаного результату воно функціонує [1].
Постановка задачі. З характеристики предметної галузі можна зробити висновок,
що фактично результати, отримані в процесі тестування, зводяться до висновку: прой-
дені тести (pass) чи не пройдені (fail) [1].
Подібне оцінювання є відносно поверхневим та не дає точного визначення, наскіль-
ки розроблене ПЗ відповідає вимогам до нього. А тому, визнане якісним ПЗ може ста-
ти джерелом збоїв при зміні конфігурації або умов функціонування.
Розроблення методу визначення рівня відповідності ПЗ критичного застосування
функційним та нефункційним вимогам дозволило б у подальшому забезпечити більшу
глибину вимірювань, а, відповідно, і підвищити ефективність тестування.
Вхідні дані задачі оцінювання відповідності ПЗ вимогам за результатами тестування
не є числовими, тому застосування для її вирішення математичних методів не доцільним.
Формалізація вхідних даних вище зазначеної задачі дозволила б спростити ви-
рішення вищевказаної задачі та, як результат, підвищити якість використовуваного ПЗ.
Для проведення формалізації доцільним є використання методів нечіткого логіч-
ного висновку, які дозволяють оперувати замість нечислових значень числовими зна-
ченнями їх приналежності до відповідних множин.
Будемо вважати, що кожній вимозі відповідає окремий тест. Для результату вико-
нання кожного з тестів визначимо його належності до двох нечітких множин «вико-
нання» та «невиконання».
В залежності від цілей тестування, тест вважається виконаним, якщо усі або більше
половини його запусків на виконання завершилися успішно, тест вважається невико-
наним, якщо один, усі або більше половини його запусків на виконання завершилися
не успішно [1].
Тому, нечітка множина «виконання» буде складатися з трьох підмножин: «вико-
наний повністю», «частково не виконаний» та «більш виконаний, ніж не виконаний».
Тітова В.Ю.
«Искусственный интеллект» 2013 № 4 550
7Т
Нечітка множина «невиконання» буде складатися з наступних підмножин «невико-
наний повністю», «частково виконаний» та «більше не виконаний, ніж виконаний».
i
j – ступінь належності тесту до кожної з підмножин множини «виконання»,
і – порядковий номер тесту, j – номер нечіткої підмножини (1 – «виконаний повністю»,
2 – «частково не виконаний», 3 – «більш виконаний, ніж не виконаний»), ]1,0[i
j . Ці сту-
пені визначаються експертним шляхом, за результатами оцінювання результатів те-
стів розробниками ПЗ.
i
j' – ступінь належності тесту до кожної з підмножин множини «невиконання»,
і – порядковий номер тесту, j – номер нечіткої підмножини (1 – «невиконаний повністю»,
2 – «частково виконаний», 3 – «більш невиконаний, ніж виконаний»), ]1,0[i
j . Ці сту-
пені також визначаються експертним шляхом, за результатами оцінювання результа-
тів тестів розробниками ПЗ.
Для визначення загальної відповідності кожного тесту відповідній вимозі i ско-
ристаємося правилом різниці нечітких множин [2]:
]1,0[))),1((1( 321 iiiii . (1)
Аналогічним чином знайдемо значення загальної невідповідності кожного
тесту конкретній вимозі.
]1,0['))),'1('(1('' 321 iiiii . (2)
Результати тестування не є взаємозалежними та не можуть компенсувати гірші
значення одних тестів кращими значеннями інших. А тому загальну відповідність роз-
робленого ПЗ вимогам М знайдемо за формулою адитивного критерію та різницею
множин відповідності та невідповідності.
NN
M
NN '......''1...... 2121
. (3)
Запропонований метод дозволяє визначити відповідність розробленого ПЗ критич-
ного застосування функційним та нефункціним вимогам, враховуючи, наскільки саме
вдало або невдало реалізована та чи інша вимога, проте йому притаманний ряд суттє-
вих недоліків.
По-перше, при його застосуванні можуть ігноруватися важливі, але поодинокі
факти, що не вписуються в запропоновані формули.
По-друге, математичний апарат надає лише наближені розрахунки відповідності,
оскільки не враховує нелінійні залежності між вхідними даними задачі оцінювання
відповідності результатів тестування ПЗ критичного застосування вимогам та її вихід-
ним результатом.
Тому, для підвищення якості оцінювання відповідності результатів тестування ПЗ
критичного застосування вимогам доцільно буде на основі наведеного методу побуду-
вати нечітку нейронну мережу для вирішення зазначеної задачі.
Структура нечіткої нейромережі для оцінювання відповідності ПЗ критично-
го застосування вимогам до нього. Структура нечіткої нейромережі для вирішення
Нечітка нейронна мережа для визначення відповідності результатів…
«Штучний інтелект» 2013 № 4 551
7Т
задачі оцінювання відповідності результатів тестування ПЗ критичного застосування
вимогам до нього зображена на рис. 1.
Рисунок 1 – Структура нечіткої нейромережі для оцінювання відповідності
ПЗ критичного застосування вимогам
Вона має три шари. Кількість входів дорівнює кількості одночасно оцінюваних
тестів до ПЗ, за максимально можливу кількість було обрано 50. Кількість виходів –
один.
Для кожного з вхідних параметрів сформуємо шкалу відповідності результатів
тестування ПЗ критичного застосування вимогам (рис. 2), використовуючи підмножи-
ни з нечітких множин «виконання» та «невиконання».
Тітова В.Ю.
«Искусственный интеллект» 2013 № 4 552
7Т
Рисунок 2 – Функції належності результатів кожного тесту
Нейрони другого шару визначають ступені істинності для кожного з наступних
трьохсот правил:
If (тест1 is повн_вик) and (тест2 is повн_вик) and (тест3 is повн_вик)… and
(тест50 is повн_вик) then (результат is повн_вик).
If (тест1 is част_не_вик) and (тест2 is повн_вик) and (тест3 is повн_вик)…
and (тест50 is повн_вик) or (тест1 is повн_вик) and (тест2 is част_не_вик) and (тест3
is повн_вик)… and (тест50 is повн_вик) or… or (тест1 is повн_вик) and (тест2 is
повн_вик) and (тест3 is повн_вик)… and (тест50 is част_не_вик) then (результат is
част_не_вик).
.
.
.
If (тест1 is не_вик_повн) and (тест2 is не_вик_повн) and (тест3 is не_вик_повн)…
and (тест50 is не_вик_повн) then (результат is не_вик_повн).
Нейрон третього шару визначає належність загального результату тестування
до підмножин нечітких множин «виконання» та «невиконання» (рис. 3).
Рисунок 3 – Функції належності результату загального тестування
Нечітка нейронна мережа для визначення відповідності результатів…
«Штучний інтелект» 2013 № 4 553
7Т
Нечітка нейронна мережа для оцінювання відповідності результатів тестування ПЗ
критичного застосування вимогам була побудована при використанні прикладного
пакету Fuzzy Logic Toolbox програми Matlab. Результати роботи побудованої нейро-
мережі, представлені у вигляді поверхні відгуку (рис. 4).
Рисунок 4 – Результати роботи побудованої нейромережі, представлені
у вигляді поверхні відгуку
Висновки
Відомі засоби оцінювання відповідності результатів тестування розробленого ПЗ,
критичного застосування функційним та нефункціним вимогам, здебільшого зводять-
ся до висновків про те, вдало чи невдало були виконані тести на відповідність, не зва-
жаючи на те, наскільки саме вдало або невдало.
Запропонований у статті метод на основі нечіткої нейронної мережі дозволяє
усунути цей недолік шляхом заміни нечислових результатів проходження тестів число-
вими значеннями їх належності до відповідних нечітких множин «виконання» та «неви-
конання» та визначити, наскільки саме розроблене ПЗ не відповідає вимогам до нього.
Література
1. IEEE – 2004 IEEE Guide to the Software Engineering Body of Knowledge (Керівництво до переліку
знань з програмної інженерії).
2. Круглов Владимир Васильевич. Нечеткая логика и искусственные нейронные сети / [Круглов В.В.,
Дли М.И., Голунов Р.Ю.]. – Москва : Физматлит, 2001. – 224 с.
Literaturа
1. IEEE – 2004 IEEE Guide to the Software Engineering Body of Knowledge.
2. Kruglov V.V. Fuzzy logic and artificial neural networks. // [Kruglov V.V., Dly M.I., Golunov R.U.]. –
Moscow : Fismatlit, 2001. – 224 p.
Тітова В.Ю.
«Искусственный интеллект» 2013 № 4 554
7Т
RESUME
V.U. Titova
Fuzzy Neural Network for Determine Whether the Results
of the Critical Software Testing to Requirements
In this article the problem of estimating the compliance test results on critical appli-
cation functional and non-functional requirements.
Based on the analysis of this problem concluded that the results so far obtained in the
testing process, are reduced to the conclusion that if passed tests passed.
Such an evaluation is relatively superficial and not give a precise definition of how
developed software meets the requirements for it.
To eliminate this drawback, proposed to formalize the input data for the above-me-
ntioned problem by the use of intelligent techniques and methods of fuzzy logic, which operate
on non-numeric values instead of numerical values of their belonging to the respective sets.
Based on the formalization has been developed fuzzy neural network to determine
the level of compliance of test results on critical application requirements.
Said the neural network to determine how it is developed software does not meet the
requirements for it and as a result, improve the quality of the used software critical applications.
Стаття надійшла до редакції 15.04.2013.
|
| id | nasplib_isofts_kiev_ua-123456789-85202 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Ukrainian |
| last_indexed | 2025-12-07T13:29:29Z |
| publishDate | 2013 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Тітова, В.Ю. 2015-07-21T15:37:53Z 2015-07-21T15:37:53Z 2013 Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам / В.Ю. Тітова // Искусственный интеллект. — 2013. — № 4. — С. 548–554. — Бібліогр.: 2 назв. — укр. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/85202 004.81 У статті розглянуто задачу визначення відповідності результатів тестування програмного забезпечення критичного застосування функційним та нефункційним вимогам за рахунок нечіткої нейронної мережі. В статье рассмотрена задача определения соответствия результатов тестирования программного обеспечения критического применения функциональным и нефункциональным требованиям с помощью нечеткой нейронной сети. The task of determining whether the result of the critical software testing to functional and non-functional requirements by using fuzzy neural network has been considered in this article. uk Інститут проблем штучного інтелекту МОН України та НАН України Искусственный интеллект Нейронные сети и нейросетевые технологии. Информационная безопасность ИС Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам Нечеткая нейронная сеть для определения соответствия результатов тестирования программного обеспечения критического применения требованиям Fuzzy neural network for determine whether the results of the critical software testing to requirements Article published earlier |
| spellingShingle | Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам Тітова, В.Ю. Нейронные сети и нейросетевые технологии. Информационная безопасность ИС |
| title | Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам |
| title_alt | Нечеткая нейронная сеть для определения соответствия результатов тестирования программного обеспечения критического применения требованиям Fuzzy neural network for determine whether the results of the critical software testing to requirements |
| title_full | Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам |
| title_fullStr | Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам |
| title_full_unstemmed | Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам |
| title_short | Нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам |
| title_sort | нечітка нейронна мережа для визначення відповідності результатів тестування програмного забезпечення критичного застосування вимогам |
| topic | Нейронные сети и нейросетевые технологии. Информационная безопасность ИС |
| topic_facet | Нейронные сети и нейросетевые технологии. Информационная безопасность ИС |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/85202 |
| work_keys_str_mv | AT títovavû nečítkaneironnamerežadlâviznačennâvídpovídnostírezulʹtatívtestuvannâprogramnogozabezpečennâkritičnogozastosuvannâvimogam AT títovavû nečetkaâneironnaâsetʹdlâopredeleniâsootvetstviârezulʹtatovtestirovaniâprogrammnogoobespečeniâkritičeskogoprimeneniâtrebovaniâm AT títovavû fuzzyneuralnetworkfordeterminewhethertheresultsofthecriticalsoftwaretestingtorequirements |