31179

مكان‌يابي خطاي نرم‌افزار با استفاده از خوشه‌بندي اجراها و شناسايي اجراهاي تصادفاً موفق

كارشناسي ارشد

مهندسي كامپيوتر- نرم‌افزار

1400

1403/6/19

سعيد پارسا

/

مهندسي كامپيوتر

چـكيده در دنياي پيچيده توسعه نرم‌افزار، خطاهاي انساني اجتناب‌ناپذير هستند. اين خطاها مي‌توانند به رفتار نادرست برنامه، افزايش هزينه‌هاي توسعه و نگهداري محصول نرم‌افزاري و خسارات مالي فراوان برسانند. يافتن مكان دقيق خطا يك امر كليدي در فرآيند جبران خطا و بازسازي نرم‌افزار است. هرچه مكان خطا با دقت بيشتري مشخص شود، فرآيند جبران سريع‌تر و كارآمدتر خواهد بود. روش¬هاي مختلفي براي يافتن مكان خطا وجود دارند كه هر كدام مزايا و معايب خاص خود را دارند. روش¬هاي آماري به دليل قابليت رتبه‌بندي موجوديت‌هاي برنامه از محبوبيت بالايي برخوردارند؛ اما روش¬هاي آماري نيز بدون نقص نيستند. اين پايان‌نامه به مزايا، معايب و چالش‌هاي پيش روي يافتن مكان خطا پرداخته و سعي در يافتن راه‌حل مؤثر براي يافتن مكان خطا در نرم‌افزارها دارد. يكي از چالش‌هاي اصلي روش¬هاي آماري، حضور حلقه‌ها در بدنه كدها است. تكرار تعداد اجراي خطوط كد مي‌تواند دقت روش¬هاي آماري را در يافتن مكان خطا به شدت كاهش دهد. مشكل ديگر روش¬هاي آماري، عدم توجه به اجراهاي تصادفاً موفق است. در برخي موارد، برنامه به طور اتفاقي و بدون وجود مشكل، خروجي صحيح را ارائه مي‌دهد. اين موضوع مي‌تواند محاسبات آماري را به طور قابل توجهي تحت تأثير قرار داده و منجر به ناكارآمدي روش¬هاي آماري در يافتن مكان خطا شود. براي غلبه بر اين چالش‌ها، در اين پژوهش با بررسي تفاوت مسيرهاي اجرايي در آزمون‌هاي موفق و ناموفق و مقايسه رفتار آن‌ها به كمك احتمال رخداد دنباله‌ها و آنتروپي متقاطع، اجراهاي تصادفاً موفق را شناسايي شد. سپس با كمك آنتروپي متقاطع و خوشه‌بندي اجراها سعي در بهبود عملكرد روش¬هاي آماري و در پايان نيز در روش ابداعي نو به شناسايي مكان خطا بر پايه احتمالات رخداد زير دنباله¬هاي اجرايي و يافتن زنجيره¬ي انتشار خطا به كمك آنتروپي متقاطع پرداخته شد. واژه‌هاي كليدي: اشكال‌زدايي نرم‌افزار، مكان‌يابي خطا، اجراهاي تصادفاً موفق، خوشه‌بندي اجراها، آنتروپي متقاطع

1403/06/23

Fault Localization Using Detection Of Coincidentally Correct Testcases and Cross-Entropy and N-Gram model

9/10/2025 12:00:00 AM

Abstract When it comes to coding, mistakes are just part of the game. And let's be real, they can cause some serious problems - like weird program behavior, extra time and money spent on fixing things, and even financial losses. So, finding out where the error is is crucial to getting things back on track. The more accurate you are, the faster and more efficient the fix will be. There are a bunch of ways to find those pesky errors, each with its own pros and cons. Statistical methods are popular because they can help rank program elements. But, let's face it, they're not foolproof. This thesis is all about exploring the good and bad of error-finding methods and trying to come up with a better way to do it. One major issue with statistical methods is that they can get thrown off by loops in the code. When the same code gets executed over and over, it can make the method less accurate. Another problem is that these methods don't always account for successful runs. Sometimes, a program will work just fine without any issues, which can mess with the stats and make it harder to find errors.To overcome these challenges, we can look at how different execution paths behave during successful and unsuccessful tests. Then, using joint entropy and clustering algorithms, we can identify those successful runs and try to improve our methods for finding errors. Additionally, clustering executions can make statistical methods more targeted and improve their accuracy in error localization. The following discussion delves into error localization's advantages, disadvantages, and challenges. Our goal is to find the most effective solution for software error localization and to propose innovative and creative methods to address the existing challenges in this field. Keywords: Software testing, Fault localization, Coincidentally Correct test cases, Clustering of test cases, Cross Entropy

/

/

Meisam Khazaei Saboor

Dr. Saeed Parsa