Аналіз факторів впливу автоматизації підтримки програмних комплексів на базі кольорових мережі Петрі

2024;
: cc. 88 - 103
1
Національний університет «Львівська політехніка», кафедра Автоматизованих Систем Управління
2
Національний університет "Львівська політехніка", м. Львів, Україна

Розроблена модель аналізу факторів впливу автоматизації процесів підтримки програмних комплексів на базі кольорових мереж Петрі, що дає змогу здійснити їх моделювання при розв’язанні науково-прикладної задачі відновлення границь факторів впливу суб’єктивного сприйняття об’єктів підтримки з інкапсульованими штучними нейронними мережами типу багатошарового перцептрона. Задача аналізу та відновлення границь факторів впливу входить до переліку задач науково-прикладної проблеми автоматизації підтримки програмних комплексів. Об’єктом дослідження є процес аналізу факторів впливу автоматизації процесів підтримки програмних комплексів. Предметом дослідження є методи та засоби моделювання аналізу факторів впливу автоматизації процесів підтримки програмних комплексів на базі теорії мереж Петрі вцілому та кольорових мереж Петрі зокрема. Метою дослідження є розроблення моделі аналізу факторів впливу автоматизації підтримки програмних комплексів на базі кольорових мереж Петрі. Для досягнення поставленої мети роз’язано наступні задачі дослідження, подані далі по тексту. Зокрема, подано блок-схему алгоритму аналізу факторів впливу процесів автоматизації підтримки програмних комплексів, а також опис моделі суб’єктивного сприйняття об’єкта підтримки з інкапсульованої штучною нейронною мережею типу багатошарового перцептрона. Також, наведено детальний опис покрокового функціонування розробленої моделі за усіма можливими сценаріями. Додатково, побудовано дерево досяжності розробленої моделі, що демонструє досяжність та скінченність кожного із станів представленої моделі на базі кольорових мереж Петрі. Крім того, проведено дослідження динаміки функціонування розробленої моделі на базі кольорових мереж Петрі та подано отримані результати дослідження. А також, в якості прикладу аналізу факторів впливу автоматизації процесів підтримки програмних комплексів розв’язано прикладну практичну задачу виявлення домінуючого фактору впливу з набору факторів впливу команди підтримки програмного комплексу.

  1. Cowell Christopher, Lotz Nicholas, Timberlake Chris, “Automating DevOps with GitLab CI/CD Pipelines”, Packt Publishing, 2023. ISBN: 9781803233000, 348 p.
  2. Fewster Mark, Graham Dorothy, “Software Test Automation Effective use of test execution tools”, Published by Addison-Wesley, Harlow, Essex, U.K., 1999. ISBN: 0-201-33140-3, 574 pages
  3. Humble Jez, Farley David, “Continuous Delivery: Reliable Software Releases through Build, Test, and Deployment Automation”, Addison-Wesley Professional, 2010, ISBN: 9780321670250, 512 p
  4. Jensen Kurt, “Coloured Petri Nets: Basic Concepts, Analysis Methods and Practical Use.”, Berlin: Spingler, 1996–1997. Vol. 1. 1996; Vol. 2. 1997; Vol. 3. 1997.
  5. Jensen Kurt, Kristensen Lars M., “Coloured Petri Nets: Modelling and Validation of Concurrent Systems”, Springer-Verlag Berlin Heidelberg, 2009, ISBN 978-3-642-00283-0, 384 p
  6. Kim Gene, Behr Kevin, Spafford George, “The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win”, London: IT Revolution Press, 2020. – 345 p
  7. Kim Gene, Debois Patrick, Willis John, Humble Jez. "The DevOps Handbook: How to Create World-Class Agility, Reliability, and Security in Technology Organizations.", IT Revolution Press, 2016, ISBN:978-1-942788-00- 3, - 480 p
  8. Peterson James Lyle, "Petri Net Theory and the Modeling of Systems", New York, Prentice-Hall, 1981, ISBN: 978-0136619833, 290 p
  9. Rohit Khankhoje, "Ai in test automation: overcoming challenges, embracing imperatives", International Journal on Soft Computing, Artificial Intelligence and Applications (IJSCAI), Vol.13, No.1, February 2024, DOI : 10.5121/ijscai.2024.13101
  10. Vang-Mata R., Multilayer Perceptrons: Theory and Applications, New York, Nova Science Publishers, 2020, 143 p.
  11. Al-oqaily, R., Alharbi, R., Alnomsi, S., Alharbi, A., & Selmi, A. (2020). Incident Management with Knowledge base: College of computer in Qassim University as a case study. International Journal of Engineering Research         and         Technology.         Volume         13,         Number         3         (2020), pp. 393-396.https://dx.doi.org/10.37624/IJERT/13.3.2020.393-396
  12. Skrebeca, J. et al. (2021). Modern Development Trends of Chatbots Using Artificial Intelligence (AI). 62nd International Scientific Conference on Information Technology and Management Science of Riga Technical University (ITMS), Riga, Latvia, 2021, pp. 1–6. https://doi.org/10.1109/itms52826.2021.9615258
  13. Basak, S., Agrawal, H., Jena, S., Gite, S., Bachute, M. et al. (2023). Challenges and limitations in speech recognition technology: A critical review of speech signal processing algorithms, tools and systems. Computer Modeling in Engineering & Sciences, 135(2), pp. 1053–1089. https://doi.org/10.32604/cmes.2022.021755
  14. Ahsan, S. N., Ferzund, J., Wotawa, F. (2009). Automatic Software Bug Triage System (BTS) Based on Latent Semantic Indexing and Support Vector Machine. Fourth International Conference on Software Engineering Advances, Porto, Portugal, 2009, pp. 216–221, https://doi.org/10.1109/ICSEA.2009.92
  15. Sujatha,  R.,  S.  Bhattacharya  and  D.S.  Jat,  2016.  Comparative  analysis  of  bug  tracking  tools.  The International      Journal      of      Petroleum       Technology,          Vol.       8,       Issue      No.        4,       pp.      4989–4998. https://www.researchgate.net/profile/Suja- Radha/publication/316888056_Comparative_analysis_of_bug_tracking_tools/links/5a1648720f7e9bc6481c8afa/Com parative-analysis-of-bug-tracking-tools.pdf
  16. Sivaji, A. et al. (2020). Software Testing Automation: A Comparative Study on Productivity Rate of Open Source Automated Software Testing Tools For Smart Manufacturing. IEEE Conference on Open Systems (ICOS), Kota Kinabalu, Malaysia, 2020, pp. 7–12. https://doi.org/10.1109/ICOS50156.2020.9293650
  17. Singh, M., Srivastava, V. M., Gaurav, K., Gupta, P. K. (2017). Automatic test data generation based on multi-objective ant lion optimization algorithm. Pattern Recognition Association of South Africa and Robotics and Mechatronics (PRASA-RobMech), Bloemfontein, 2017, pp. 168–174. https://doi.org/10.1109/RoboMech. 2017.8261142
  18. Grano, G., Ciurumelea, A., Panichella, S., Palomba, F., Gall, H. C. (2018). Exploring the integration of user feedback in automated testing of Android applications. IEEE 25th International Conference on  Software Analysis,        Evolution        and        Reengineering        (SANER),        Campobasso,2018,  pp.72-83. https://doi.org/10.1109/SANER.2018.8330198
  19. Menegassi, A. A., Endo, A. T. (2016). An evaluation of automated tests for hybrid mobile applications. XLII Latin American Computing Conference (CLEI), Valparaiso, pp. 1–11. https://doi.org/10.1109/ CLEI.2016.7833337
  20. Shahabi, M. M. D., Badiei, S. P., Beheshtian, S. E., Akbari, R., Moosavi, S. M. R. (2017). On the performance of EvoPSO: A PSO based algorithm for test data generation in EvoSuite. 2nd Conference on Swarm Intelligence and Evolutionary Computation (CSIEC), Kerman, 2017, pp. 129–134. https://doi.org/10.1109/ CSIEC.2017.7940170
  21. Raj, H. L. P., Chandrasekaran, K. (2018). NEAT Algorithm for Testsuite generation in  Automated Software Testing. IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, India, 2018, pp. 2361- 2368, https://doi.org/10.1109/SSCI.2018.8628668
  22. Leotta, M., Clerissi, D., Ricca, F., & Tonella, P. (2016). Approaches and Tools for Automated End-to-End Web Testing. In Advances in Computers (1st ed., Vol. 101). Elsevier Inc. https://doi.org/10.1016/bs.adcom.2015.11.007
  23. Ricca, F., & Stocco, A. (2021). Web Test Automation: Insights from the Grey Literature. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 12607 LNCS, 472–485. https://doi.org/10.1007/978-3-030-67731-2_35
  24. Trudova, A., Dolezel, M., & Buchalcevova, A. (2020). Artificial intelligence in software test automation: A systematic literature review. ENASE 2020 - Proceedings of the 15th International Conference on Evaluation of Novel Approaches to Software Engineering, 6(12), 181–192. https://doi.org/10.5220/0009417801810192
  25. Serna M., E., Acevedo M., E., & Serna A., A. (2019). Integration of properties of virtual reality, artificial neural networks, and artificial intelligence in the automation of software tests: A review. Journal of Software: Evolution and Process, 31(7), 1–12. https://doi.org/10.1002/smr.2159
  26. Li, J. J., Ulrich, A., Bai, X., & Bertolino, A. (2020). Advances in test automation for software with special focus    on    artificial    intelligence    and    machine    learning.    Software    Quality    Journal,    28(1),    245–248.https://doi.org/10.1007/s11219-019-09472-3
  27. Sugali, K., Sprunger, C., & N Inukollu, V. (2021). Software Testing: Issues and Challenges of Artificial Intelligence & Machine Learning. International Journal of Artificial Intelligence & Applications, 12(1), 101–112. https://doi.org/10.5121/ijaia.2021.12107
  28. Ricca, F., Marchetto, A., & Stocco, A. (2021). AI-based test automation: A grey literature analysis. Proceedings - 2021 IEEE 14th International Conference on Software Testing, Verification and Validation Workshops, ICSTW 2021, 263–270. https://doi.org/10.1109/ICSTW52544.2021.00051