Génération de tests de régression à partir des journaux avec un clustering guidé par les modèles d'utilisation

RÉSUMÉ Le clustering est de plus en plus utilisé pour sélectionner les suites de tests appropriées. Dans cet article, nous appliquons cette approche aux tests de régression. Les tests de régression consistent à vérifier la robustesse et la fiabilité des logiciels en retestant après des modifications. Créer et maintenir des tests de régression fonctionnels est une activité laborieuse et coûteuse. Pour être efficaces, ces tests doivent représenter les parcours réels des utilisateurs de l'application. De plus, un nombre optimal de cas de test est essentiel pour l'exécution rapide de la suite de tests de régression afin de rester dans les limites de temps et de ressources informatiques, car elle est relancée à chaque itération majeure du développement logiciel. Par conséquent, la sélection et la maintenance des tests de régression fonctionnels basés sur l'analyse des journaux d'application ont gagné en popularité ces dernières années. Cet article présente une nouvelle approche pour améliorer les tests de régression en automatisant la création de suites de tests à l'aide de traces d'utilisateurs alimentées dans des pipelines de clustering. Notre méthodologie introduit une nouvelle métrique basée sur l'exploration des modèles pour quantifier la couverture statistique des chemins d'utilisateur prévalents. Cette métrique aide à déterminer le nombre optimal de clusters au sein d'un pipeline de clustering, abordant ainsi le défi des tailles de suites de tests non optimales. De plus, nous introduisons deux critères pour évaluer et classer systématiquement les pipelines de clustering. Des expérimentations impliquant 33 variations de pipelines de clustering sur quatre ensembles de données démontrent l'effet potentiel de notre approche automatisée par rapport aux suites de tests élaborées manuellement. (Tous les résultats expérimentaux et les données concernant Scanner, Spree et Booked Scheduler sont disponibles sur https://github.com/frederictamagnan/STVR2024.) Ensuite, nous analysons la sémantique des clusters en fonction de leurs principaux motifs constitutifs.