Defesa de Dissertação de Mestrado: Lehilton Lelis Chaves Pedrosa
Geração Automática de Casos de Testes para Maquinas de Estados Finitos.
| What | Defesa de Mestrado |
|---|---|
| When |
01/09/2010 from 10:00 to 12:00 |
| Where | Sala 352 - IC 3,5 |
| Add event to calendar |
|
Métodos formais são amplamente utilizados para modelar especificações e gerar
casos de testes, imprescindíveis para validação de sistemas críticos. As
Máquinas de Estados Finitos (MEFs) compõem um dos formalismos adotados, com
várias aplicações em testes de sistemas aéreos e espaciais, além de sistemas
médicos, entre vários outros. O objetivo de um método de geração automática de
casos de testes é obter um conjunto de casos de testes, com o qual é possível
verificar se uma dada implementação contém falhas. Um problema importante em
métodos de geração de casos de teste com cobertura completa de falhas é o
tamanho dos conjuntos de testes, que normalmente é exponencial no número de
estados da MEF que está sendo testada.
Para minimizar esse problema, diversas abordagens são adotadas, envolvendo
melhorias nos métodos existentes, restrições do modelo de falhas e o uso de
novas estratégias de teste. Essa dissertação estuda métodos automáticos para
geração de casos de testes com cobertura completa de falhas e propõe dois novos
métodos, que permitem reduzir o tamanho dos conjuntos de testes gerados.
Primeiro, combinamos ideias do método Wp e do método G, visando usufruir as
vantagens de ambos e obtendo um novo método, denominado Gp. Em seguida,
descrevemos um novo modelo de falhas para sistemas compostos de vários
subsistemas, possivelmente com um alto número de estados. Formalizamos tais
sistemas, introduzindo o conceito de MEFs combinadas, e apresentamos um novo
método de testes, denominado método C. Além disso, propomos uma abordagem de
testes incremental, baseada no método C, que torna possível o teste de MEFs com
um número arbitrário de estados. Estabelecemos comparações com abordagens
tradicionais e mostramos que o uso da estratégia incremental pode gerar
conjuntos de testes exponencialmente mais eficientes.
