TDSGen - uma ferramenta de geraçao de dados de teste baseada em algoritmos genéticos

Abstract

Resumo: A atividade de teste é fundamental no ciclo de vida de desenvolvimento de software para encontrar defeitos e garantir o aumento da qualidade do software. Para auxiliar a etapa de seleção de dados de teste, diferentes critérios de teste foram propostos e exigem que certas condições ou elementos sejam exercitados durante o teste. Algumas ferramentas foram então desenvolvidas para a aplicação de tais critérios, entre elas a POKE-TOOL e PROTEUM, que apoiam os critérios estruturais e baseados em erros, respectivamente. Essas ferramentas dão suporte à utilização dos critérios, mas a completa automação da atividade de teste é impossível. A geração de dados para satisfazer um determinado critério é uma tarefa difícil, e possui inúmeras limitações inerentes à própria atividade de teste. Para minimizar essas limitações, alguns autores propuseram o uso de algoritmos meta-heurísticos tais como Algoritmos Genéticos (AG), originando um novo campo de pesquisa chamado Teste Evolucionário [21], A idéia básica de um AG é evoluir soluções para um dado problema utilizando-se de conceitos da Teoria da Evolução de Darwin. Mas a maioria desses trabalhos não oferece um ambiente de teste integrando AG's com diferentes ferramentas de teste. Este trabalho descreve a Ferramenta TDSGen que integra as Ferramentas POKETOOL e PROTEUM, e utiliza-se de AG para a geração de dados de teste para satisfazer critérios estruturais e baseados em erros, proporcionando um ambiente que suporta a completa aplicação de estratégias de teste, diferenciando-a de outras ferramentas existentes. A TDSGen também permite a utilização de AG com diferentes estratégias e hibridização com o objetivo de aumentar o desempenho. Um experimento é apresentado para validar a abordagem implementada para a geração de dados de teste e os resultados mostram que as estratégias implementadas na ferramenta são muito promissoras e contribuem para um aumento da cobertura dos critérios com relação à geração aleatória e a geração baseada em AG simples.

Abstract: The testing activity is a fundamental phase in the software enginering process to ensure software quality and to reveal faults in the program. To aim at the selection of test data, several testing criteria were proposed. They generally require the exercising of certain conditions or elements in the program being tested. Some tools were developed to support such criteria; POKE-TOOL and PROTEUM are examples of testing tools that implement respectively structural and fault-based testing criteria. These tools, however, do not support the complete automation of the testing activity. The automation of the test data generation to satisfy a given criterion is not possible, due to several testing limitations. To overcome these limitations, some authors proposed the use of meta-heuristic algorithms, such as Genetic Algorithms (GA), originating a new search field called Evolutionary Testing [21], The GA has the goal of evolving solutions for a given problem by appling the concepts of Darwin's Evolutionary Theory. However, most of these works do not offer a testing environment and are not integrated to testing tools. This work describes a tool, called TDSGen, that integrates the testing tools mentioned above: POKE-TOOL and PROTEUM. TDSGen is based on GA and generates test data to satisfy structural and fault based criteria. It is a support tool for a testing strategy that includes the application of different criteria, differently of the other existent tools. TDSGen tool also allows the use of hybrid GA with different strategies to improve performance. An experiment is presented to validate the test data generation approach implemented and the results are very promissing. The implemented approach improved the obtained coverage for the criteria when compared to randon and simple GA based generations.