Разработка параллельных алгоритмов обучения вероятностных моделей тестирования веб-приложений

Аннотация

В современных условиях развития методов и алгоритмов тестирования особую значимость представляет объединение отдельных компонентов тестирования в виде иерархической модели, отражающей связи и состояния между данными компонентами, а также позволяющие оценить вероятность перехода между состояниями модели в случае появления информации относительно успешной реализации определенного теста для выявления программной ошибки. Существующие подходы не позволяют произвести оптимальную настройку параметров модели, а также произвести качественный расчет и установление направленностей связей между отдельными компонентами данной модели. В рамках научного исследования рассмотрена возможность применения эффективных численных методов для решения задачи обучения вероятностных моделей, построенных на основе байесовских сетей для решения основных задач тестирования веб-приложений. Рассмотрены основные подходы к созданию параллельных алгоритмов, реализующих основные функциональные возможности, лежащие в основе реализации процедуры обучения моделей тестирования. Произведен анализ эффективности разработанных алгоритмов обучения для тестирования определенных групп программных ошибок и позволяющий наиболее оптимальные параметры модели ДБС, а также произведено обоснование их использования в распределенных системах обработки данных. Разработаны алгоритмические решения для оптимизации расчета матриц Якоби и Гессе на основе алгоритмов Кэннона и Фокса. Выполнено моделирование процесса тестирования ошибок веб-приложений и представление его в виде динамической байесовской сети, полученной по результатам реализации процедуры обучения структуры и параметров. Обоснованность всех теоретических результатов подтверждена большим числом экспериментальных результатов, доказывающих состоятельность выдвинутых предположений, методов и моделей тестирования, представленных в виде динамических байесовских сетей.