Модель системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту
DOI:
https://doi.org/10.18664/ikszt.v30i1.326699Ключові слова:
машинне навчання, тестування, навантажувальне тестування, штучний інтелект, CNN, OCR, розпізнавання, генерація, тестові сценарії, JMeter, модель, реєстрація, логінАнотація
Стаття присвячена розробленню моделі системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту, пропонуючи інноваційний підхід для підвищення ефективності тестування програмного забезпечення в умовах динамічного розвитку сучасних технологій. Метою роботи є розроблення моделі системи автоматизованого навантажувального тестування програмних застосунків. Дослідницькою складовою в запропонованій системі є оцінювання ефективності використання методів штучного інтелекту для розпізнавання реєстраційних форм, що може призвести до скорочення часових і ресурсних затрат, а також забезпечити високу точність і надійність результатів. У роботі досліджено застосування згорткових нейронних мереж (CNN) для розпізнавання форм на основі зображень та оптичного розпізнавання символів (OCR) для аналізу тексту, що дає змогу автоматично ідентифікувати типи вебформ, таких як логін чи реєстрація, для автоматичної генерації в подальших дослідженнях тестових даних за отриманими розпізнаними формами та проведення навантажувального тестування засобами Apache JMeter. Результати демонструють, що CNN досягає точності до 92 % з розпізнаванням складних реєстраційних форм, хоча і з певними коливаннями під час валідації, тоді як OCR виявляється ефективнішим для простих форм логіна з точністю 88.9 %. Інтеграція моделі з JMeter сприяє автоматичному створенню тестових сценаріїв і підвищенню якості тестування.
Отримані результати підтверджують ефективність розробленої методики, що дає змогу суттєво зменшити трудовитрати і підвищити якість навантажувального тестування. Запропонований підхід має перспективи подальшого розвитку, зокрема вдосконалення алгоритмів розпізнавання та розширення застосування для різних типів програмних інтерфейсів.
Посилання
Hourani, Hussam, et al. The Impact of Artificial Intelligence on Software Testing. IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology (JEEIT), IEEE. 2019. Р. 565–570. DOI.org (Crossref): https://doi.org/10.1109/JEEIT.2019.8717439.
Pu Yunming and Mingna Xu. Load Testing for Web Applications. First International Conference on Information Science and Engineering, IEEE. 2009. Р. 2954–2957. DOI.org (Crossref): https://doi.org/10.1109/ICISE.2009.720.
Barenkamp Marco et al. Applications of AI in Classical Software Engineering. AI Perspectives. Dec. 2020. Vol. 2, no. 1. Р. 1. DOI.org (Crossref): https://doi.org/10.1186/s42467-020-00005-4.
Baqar M., Khanda R. The Future of Software Testing: AI-Powered Test Case Generation and Validation //arXiv preprint arXiv:2409.05808. 2024. https://doi.org/10.48550/arXiv.2409.05808.
Tiwari Vatsya et al. Analytical Evaluation of Web Performance Testing Tools: Apache JMeter and SoapUI. IEEE 12th International Conference on Communication Systems and Network Technologies (CSNT), IEEE. 2023. Р. 519–523. DOI.org (Crossref): https://doi.org/10.1109/CSNT57126.2023.10134699.
Beben Sutara, Sandy Shultan Gunawan. COMPARATIVE ANALYSIS OF REST API PERFORMANCE BETWEEN EXPRESS.JS FRAMEWORK AND HAPI.JS USING APACHE JMETER. Jurnal Riset Teknik Informatika. 2024. 1(1). Р. 19–26.
Kacheru Goutham. AI-POWERED TEST AUTOMATION FRAMEWORKS: CHOOSING THE RIGHT TOOLS. INTERNATIONAL JOURNAL OF ARTIFICIAL INTELLIGENCE & MACHINE LEARNING. Jan. 2025. Vol. 3, no. 2. Р. 221–30. DOI.org (Crossref): https://doi.org/10.34218/IJAIML_03_02_018.
Okezie F. et al. A Critical Analysis of Software Testing Tools. Journal of Physics: Conference Series. Dec. 2019. Vol. 1378, no. 4. Р. 042030. DOI.org (Crossref): https://doi.org/10.1088/1742-6596/1378/4/042030.
Wu Yi et al. How Effective Are Neural Networks for Fixing Security Vulnerabilities. Proceedings of the 32nd ACM SIGSOFT International Symposium on Software Testing and Analysis, ACM. 2023. Р. 1282–94. https://doi.org/10.1145/3597926.3598135.
Nedelcu Irina-Gabriela and Anca Daniela Ionita. Evaluating the Conformity to Types of Unified Modeling Language Diagrams with Feature-Based Neural Networks. Applied Sciences. Oct. 2024. Vol. 14, no. 20. Р. 9470. DOI.org (Crossref): https://doi.org/10.3390/app14209470.
Junjie Wang, Yuchao Huang, Chunyang Chen, Zhe Liu, Song Wang, and Qing Wang. Software Testing With Large Language Models: Survey, Landscape, and Vision. IEEE Trans. Softw. Eng. 50. 4 (April 2024). 911–936. https://doi.org/10.1109/TSE.2024.3368208.
Wydyanto and Maria Ulfa. Exploring Text Recognition Segmentation and Detection in Natural Scene Images. INTI Journal. Dec. 2024. Vol. JODS, no. 2024. DOI.org (Crossref): https://doi.org/10.61453/jods.v2024no66.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.