Details

Title: Разработка инструмента анализа покрытия кода автотестами с применением моделей машинного обучения: выпускная квалификационная работа бакалавра: направление 09.03.03 «Прикладная информатика» ; образовательная программа 09.03.03_03 «Интеллектуальные инфокоммуникационные технологии»
Creators: Николаева Надежда Сергеевна
Scientific adviser: Туральчук Константин Анатольевич
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности
Imprint: Санкт-Петербург, 2024
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: инструменты покрытия кода; метрики покрытия; инструменты анализа; анализ покрытия; генерация покрытия; code coverage tools; coverage metrics; analysis tools; coverage analysis; coverage generation
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Level of education: Bachelor
Speciality code (FGOS): 09.03.03
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
DOI: 10.18720/SPBPU/3/2024/vr/vr24-2602
Rights: Доступ по паролю из сети Интернет (чтение)
Additionally: New arrival
Record key: ru\spstu\vkr\30288

Allowed Actions:

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

В данной работе объектами исследования являются инструменты анализа и покрытия кода, алгоритмы лежащие в их основе и архитектура собственного решения с применением моделей машинного обучения. Целью работы является разработка оптимального способа покрытия проекта автотестами с использованием алгоритмов машинного обучения и выявление полноты покрытия. Область применения результатов работы: сфера разработки приложений, требующих тщательного и быстрого тестирования. Работа проведена путем обзора научной литературы о разработке инструментов покрытия и генерации кода, анализа различных методик и дальнейшим составлением сравнительной характеристики по различным представленным решениям. В результате были проанализированы различные способы создания своего решения покрытия и анализа кода автотестами. Выявлен оптимальный способ анализа автотестов покрывающих проект и реализовано приложение, учитывающее недостатки аналогов. Разработанный инструмент позволяет анализировать и генерировать покрытие кода.

In this work, the objects of research are code analysis and coverage tools, oth algorithms at their core and the architecture of our own solutions using machine learning models. The goal of the work is to develop an optimal way to cover a project with an automated test using machine learning algorithms and test the full coverage. Scope of application of the results of the work: the area of development of applications that require thorough and rapid testing. The work was conducted by reviewing scientific literature on the development of code coverage and attraction tools, analytical methods and further development of a comparative characteristic for the presented solutions. As a result, various methods of creating your own solution for code coverage and analysis using autotests were analyzed. The optimal method for analyzing autotests covering the project was identified and an application was implemented that takes into account the shortcomings of analogs. The developed tool allows you to analyze and generate code coverage.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read
Internet Authorized users SPbPU Read
-> Internet Anonymous

Table of Contents

  • Введение
  • 1. Термины в анализе покрытия кода автотестами
  • 2. Обзор существующих инструментов анализа покрытия кода автотестами
  • 3. Описание архитектуры собственного решения приложения-анализатора
  • 4. Практическая реализация анализатора
  • 5. Тестирование собственного решения
  • Заключение
  • Список сокращений и условных обозначений
  • Словарь терминов
  • Список использованных источников
  • Приложение 1
  • Приложение 2
  • Приложение 3
  • Приложение 4
  • Приложение 5
  • Приложение 6
  • Приложение 7
  • Приложение 8
  • Приложение 9
  • Приложение 10
  • Приложение 11

Usage statistics

stat Access count: 1
Last 30 days: 1
Detailed usage statistics