1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 122 — комп’ютерні науки
Palun kasuta seda identifikaatorit viitamiseks ja linkimiseks: http://elartu.tntu.edu.ua/handle/lib/48673
Pealkiri: Аналіз засобів та методів автоматизації тестування програмного забезпечення з використанням ШІ
Teised pealkirjad: Analysis of Tools and Methods for Software Testing Automation Using AI
Autor: Цвігун, Олександр Русланович
Tsvihun, Oleksandr Ruslanovych
Affiliation: ТНТУ ім. І. Пулюя, факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна
Bibliographic description (Ukraine): Цвігун О. Р. Аналіз засобів та методів автоматизації тестування програмного забезпечення з використанням ШІ : робота на здобуття кваліфікаційного ступеня магістра : спец. 122 – комп’ютерні науки / наук. кер. І. О. Боднарчук. – Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. – 58 с.
Bibliographic reference (2015): Цвігун О. Р. Аналіз засобів та методів автоматизації тестування програмного забезпечення з використанням ШІ : робота на здобуття кваліфікаційного ступеня магістра : спец. 122 – комп’ютерні науки / наук. кер. І. О. Боднарчук. – Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. – 58 с.
Ilmumisaasta: 29-mai-2025
Submitted date: 15-mai-2025
Date of entry: 1-juu-2025
Kirjastaja: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Country (code): UA
Place of the edition/event: Тернопіль
Supervisor: Боднарчук, Ігор Орестович
Bodnarchuk, Ihor
Committee members: Коноваленко, Ігор Володимирович
Konovalenko, Ihor
UDC: 004.415.53:004.85:004.8
Märksõnad: 122
комп’ютерні науки
автоматизоване тестування
машинне навчання
штучний інтелект
прогнозування несправностей
відновлення в режимі реального часу
розробка програмного забезпечення
automated testing
machine learning
artificial intelligence
fault prediction
real-time recovery
software development
Page range: 58
Kokkuvõte: У цій кваліфікаційній роботі проведено дослідження можливостей прогнозування помилок у процесі розробки програмного забезпечення та його відновлення в реальному часі з використанням технологій штучного інтелекту (ШІ) для створення системи автоматизованого тестування. Попри зростаюче значення забезпечення якості програмних продуктів, більшість сучасних систем автоматизованого тестування потребують ручного налаштування алгоритмів для ефективного виявлення та усунення збоїв. Метою цього дослідження є підвищення надійності та гнучкості таких систем шляхом застосування алгоритмів машинного навчання, що забезпечують здатність до самовідновлення.
This qualification thesis presents a study on the prediction of software development errors and real-time recovery using artificial intelligence (AI) technologies for the development of an automated testing system. Despite the growing importance of software quality assurance, most existing automated testing systems require manual configuration of algorithms to effectively detect and recover from failures. The aim of this research is to enhance the reliability and adaptability of such systems through the application of machine learning algorithms that enable self-recovery capabilities.
Kirjeldus: Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 29.05.2025 р. о 14 год. 30 хв. на засіданні екзаменаційної комісії №33 у Тернопільському національному технічному університеті імені Івана Пулюя
Content: ВСТУП 7 1 ОГЛЯД ЛІТЕРАТУРНИХ ДЖЕРЕЛ НА ТЕМУ АВТОМАТИЗОВАНОГО ТЕСТУВАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ 10 1.1 Роль технологій штучного інтелекту в автоматизованому тестуванні 10 1.2 Огляд стану проблеми використання технологій ші в автоматизованому тестуванні 11 1.3 Обмеження існуючих фреймворків 13 1.3.1 Штучний інтелект у тестуванні програмного забезпечення. 14 1.3.2 Роль та переваги штучного інтелекту в пришвидшенні процесу тестування 15 1.3.3 Прогнозування несправностей за допомогою моделей машинного навчання 18 1.3.4 Системи самовідновлення 19 1.3.5 Концепції та застосування в розробці програмного забезпечення 20 1.3.6 Існуючі системи та технології самовідновлення 22 2 ПРОГНОЗУВАННЯ НЕСПРАВНОСТЕЙ ЗА ДОПОМОГОЮ МЕТОДІВ ШТУЧНОГО ІНТЕЛЕКТУ 24 2.1 Моделі машинного навчання 24 2.1.1 Навчання з учителем 25 2.2 Навчання без учителя 26 2.3 Навчання з підкріпленням 26 2.4 Алгоритми прогнозування несправностей у режимі реального часу 27 3 АНАЛІЗ ДАНИХ ДЛЯ ПРОГНОЗУВАННЯ ЗБОЇВ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ 28 3.1 Прогнозне обслуговування 29 3.1.1 Моніторинг стану 29 3.1.2 Моделі оцінки стану системи 31 3.1.3 Аналіз ризиків 31 3.1.4 Інтеграція з Інтернетом речей 31 3.1.5 Системи підтримки рішень 31 3.1.6 Переваги прогнозування та підтримки 32 3.2 Механізми самовідтворення систем 32 3.3 Адаптивні стратегії тестування 35 3.4 Приклади з тематичних досліджень 36 3.5 Системи самовідновлювального автоматизованого тестування на основі штучного інтелекту – проблеми та обмеження 37 3.5.1 Технічні виклики 37 3.5.2 Перешкоди для впровадження 39 3.5.3 Майбутнє систем самовідновлювального автоматизованого тестування 40 3.6 Технології самовідновлення 41 3.7 Потреба в подальших дослідженнях 42 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ CИТУАЦІЯХ 45 4.1 Методи та засоби психофізіологічного розвантаження як допоміжний процес в розробці ПЗ 45 4.2 Попередження аварій на виробництвах із застосуванням хлору 47 ВИСНОВКИ 51 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 53 ДОДАТКИ
URI: http://elartu.tntu.edu.ua/handle/lib/48673
Copyright owner: © Цвігун Олександр Русланович, 2025
References (Ukraine): 1. Ihor, B., Oleksii, D., Aleksandr, K., Nataliia, K., Oleksandr, M., & Volodymyr, P. (2019, January). Multicriteria choice of software architecture using dynamic correction of quality attributes. In International Conference on Computer Science, Engineering and Education Applications (pp. 419-427). Cham: Springer International Publishing.
2. Bodnarchuk, I., Lisovyi, V., Kharchenko, O., & Galai, I. (2018, September). Adaptive method for assessment and selection of software architecture in flexible techniques of design. In 2018 IEEE 13th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 1, pp. 292-297). IEEE.
3. Kharchenko, A., Raichev, I., Bodnarchuk, I., & Matsiuk, O. (2021, October). The Survey of Global Software Design Processes. In 2021 IEEE 8th International Conference on Problems of Infocommunications, Science and Technology (PIC S&T) (pp. 291-294). IEEE.
4. Волович, В., Береженко, Б. М., & Боднарчук, І. О. (2022). Задача проєктування програмної архітектури в процесах забезпечення якості. Матеріали Ⅹ науково-технічної конференції „Інформаційні моделі, системи та технології “Тернопільського національного технічного університету імені Івана Пулюя, 104-106.
5. Боднарчук, І., Харченко, О., Хоміцький, Б., & Шимчук, Г. (2019). Проектування архітектури програмних систем в проектах з гнучкими методами управління. Матеріали ⅩⅪ наукової конференції Тернопільського національного технічного університету імені Івана Пулюя, 46-48.
6. A. K. Sahoo, A. K. Tripathy, "Fault Detection and Recovery in Self-Healing Networks using Artificial Intelligence Techniques", International Journal of Advanced Computer Science and Applications, vol. 11, no. 2, 2020.
7. Z. Wang, L. Zhu, Y. Xiao, "Fault Detection and Recovery for Self-Healing Networks Based on Artificial Intelligence," 2018 IEEE 4th International Conference on Computer and Communications (ICCC), Chengdu, China, 2018, pp. 690-694.
8. J. Tang, J. Wang, W. Huang, "Artificial intelligence-based fault detection and recovery strategy for self-healing network," 2018 37th Chinese Control Conference (CCC), Wuhan, China, 2018, pp. 6512-6516.
9. L. Xiao, W. Zhou, Z. Wang, "Research on Fault Detection and Recovery of Self-healing Network Based on Artificial Intelligence," 2018 15th International Computer Conference on Wavelet Active Media Technology and Information Processing (ICCWAMTIP), Chengdu, China, 2018, pp. 174-177.
10. K. Liu, C. Gao, Z. Fan, "Fault Detection and Recovery in Self-Healing Networks Using Reinforcement Learning," 2020 IEEE 4th Information Technology and Mechatronics Engineering Conference (ITOEC), Chengdu, China, 2020, pp. 293-298.
11. H. Zhang, Y. Wang, H. Yang, "Fault Detection and Recovery for Self-Healing Network Based on Machine Learning," 2021 International Conference on Mechatronics, Control and Robotics (ICMCR), Wuhan, China, 2021, pp. 114-118.
12. Y. Chen, J. Zhang, Y. Liu, "Deep Learning Based Fault Detection and Recovery for SelfHealing Networks," 2020 IEEE 6th International Conference on Computer and Communications (ICCC), Chengdu, China, 2020, pp. 2427-2431.
13. Q. Li, W. Liu, S. Li, "Artificial Intelligence Based Fault Detection and Recovery Strategy for Self-Healing Network," 2019 18th IEEE International Conference On Trust, Security And Privacy In Computing And Communications/13th IEEE International Conference On Big Data Science And Engineering (TrustCom/BigDataSE), Rotorua, New Zealand, 2019,pp. 136-143.
14. H. Li, Y. Wang, Y. Sun, "Fault Detection and Recovery in Self-Healing Networks Based on Artificial Neural Network," 2021 5th International Conference on Electronic Information Technology and Computer Engineering (EITCE), Chengdu, China, 2021, pp. 96-100.
15. M. Liu, C. Hu, L. Zhai, "A Novel Fault Detection and Recovery Method for Self-healing Network Based on Artificial Intelligence," 2020 IEEE International Conference on Intelligence and Security Informatics (ISI), Chengdu, China, 2020, pp. 1-5.
16. Y. Zhang, X. Hu, H. Sun, "Fault Detection and Recovery in Self-healing Networks Based on Artificial Intelligence," 2021 3rd International Conference on Computer Communication and the Internet (ICCCI), Harbin, China, 2021, pp. 101-106.
17. J. Wang, S. Zhou, Y. Gu, "Fault Detection and Recovery in Self-healing Networks Based on Reinforcement Learning," 2020 IEEE 4th Information Technology and Mechatronics Engineering Conference (ITOEC), Chengdu, China, 2020, pp. 524-529.
18. Battina, D. S. (2019). Artificial intelligence in software test automation: A systematic literature review. International Journal of Emerging Technologies and Innovative Research (www. jetir. org| UGC and issn Approved), ISSN, 2349-5162.
19. Khankhoje, R. (2023). An In-Depth Review of Test Automation Frameworks: Types and Trade-offs. International Journal of Advanced Research in Science, Communication and Technology (IJARSCT), 3(1), 55-64.
20. Pelluru, K. (2024). AI-Driven DevOps Orchestration in Cloud Environments: Enhancing Efficiency and Automation. Integrated Journal of Science and Technology, 1(6), 1-15.
21. Jiménez‐Ramírez, A., Chacón‐Montero, J., Wojdynsky, T., & González Enríquez, J. (2023). Automated testing in robotic process automation projects. Journal of Software: Evolution and Process, 35(3), e2259.
22. Liu, Z., Chen, C., Wang, J., Chen, M., Wu, B., Che, X., ... & Wang, Q. (2023). Chatting with gpt-3 for zero-shot human-like mobile automated gui testing. arXiv preprintarXiv:2305.09434.
23. Schäfer, M., Nadi, S., Eghbali, A., & Tip, F. (2023). An empirical evaluation of using large language models for automated unit test generation. IEEE Transactions on Software Engineering, 50(1), 85-105.
24. Feldt, R., Kang, S., Yoon, J., & Yoo, S. (2023, September). Towards autonomous testing agents via conversational large language models. In 2023 38th IEEE/ACM International Conference on Automated Software Engineering (ASE) (pp. 1688-1693). IEEE.
25. Kumar, S. (2023). Reviewing software testing models and optimization techniques: an analysis of efficiency and advancement needs. Journal of Computers, Mechanical and Management, 2(1), 43-55.
26. Pargaonkar, S. (2023). A Study on the Benefits and Limitations of Software Testing Principles and Techniques: Software Quality Engineering.
27. Elemam, S. M. (2018). Pragmatic Competence and the Challenge of Speech Expression and Precision (Master's thesis, University of Dayton).
28. Kothandapani, H. P. (2020). Application of machine learning for predicting us bank deposit growth: A univariate and multivariate analysis of temporal dependencies and macroeconomic interrelationships. Journal of Empirical Social Science Studies, 4(1), 1-20.
29. Kothandapani, H. P. (2019). Drivers and barriers of adopting interactive dashboard reporting in the finance sector: an empirical investigation. Reviews of Contemporary Business Analytics, 2(1), 45-70.
30. Kothandapani, H. P. (2021). A benchmarking and comparative analysis of python libraries for data cleaning: Evaluating accuracy, processing efficiency, and usability across diverse datasets. Eigenpub Review of Science and Technology, 5(1), 16-33.
31. Rahman, M.A., Butcher, C. & Chen, Z. Void evolution and coalescence in porous ductile materials in simple shear. Int J Fracture, 177, 129–139 (2012). https://doi.org/10.1007/s10704012-9759-2.
32. Rahman, M. A. (2012). Influence of simple shear and void clustering on void coalescence.
33. Alam, H., & De, A., & Mishra, L. N. (2015). Spring, Hibernate, Data Modeling, REST and TDD: Agile Java design and development (Vol. 1).
34. Ahuja, A., & Gupta, M. (2024). Optimizing Predictive Maintenance with Machine Learning And Iot: A Business Strategy For Reducing Downtime And Operational Costs.
35. Al Bashar, M., Taher, A., & Johura, F. T. (2019). Quality Control and Process Improvement in Modern Paint Industry.
36. Al Bashar, M., Taher, M. A., Islam, M. K., & Ahmed, H. (2024). The Impact of Advanced Robotics and Automation on Supply Chain Efficiency in Industrial Manufacturing: A Comparative Analysis Between the US and Bangladesh. Global Mainstream Journal of Business, Economics, Development & Project Management, 3(03), 28-41.
37. Ahmed, H., Al Bashar, M., Taher, M. A., & Rahman, M. A. (2024). Innovative Approaches To Sustainable Supply Chain Management in the Manufacturing Industry: A Systematic Literature Review. Global Mainstream Journal of Innovation, Engineering & Emerging Technology, 3(02), 01-13.
38. Vaithianathan, M. (2024). Real-Time Object Detection and Recognition in FPGA-Based Autonomous Driving Systems. International Journal of Computer Trends and Technology, 72(4), 145-152.
39. Vaithianathan, M., Patil, M., Ng, S. F., & Udkar, S. (2023). Comparative Study of FPGA and GPU for High-Performance Computing and AI. ESP International Journal of Advancements in Computational Technology (ESP-IJACT), 1(1), 37-46.
40. Vaithianathan, M., Patil, M., Ng, S. F., & Udkar, S. (2024). Integrating AI and Machine Learning with UVM in Semiconductor Design. ESP International Journal of Advancements in Computational Technology (ESP-IJACT) Volume, 2, 37-51.
41. Zhu, Y. (2023). Beyond Labels: A Comprehensive Review of Self-Supervised Learning and Intrinsic Data Properties. Journal of Science & Technology, 4(4), 65-84.
42. Pei, Y., Liu, Y., & Ling, N. (2023, December). MobileViT-GAN: a generative model for low bitrate image coding. In 2023 IEEE International Conference on Visual Communications and Image Processing (VCIP) (pp. 1-5). IEEE.
43. Pei, Y., Liu, Y., Ling, N., Ren, Y., & Liu, L. (2023, May). An end-to-end deep generative network for low bitrate image coding. In 2023 IEEE International Symposium on Circuits and Systems (ISCAS) (pp. 1-5).
44. Державні санітарні правила і норми роботи з візуальними дисплейними терміналами електронно-обчислювальних машин МОЗ України від 10.12.1998 № 7. // Офіційний сайт Верховної Ради України. – [Електронний ресурс]. – Режим доступу https://zakon.rada.gov.ua/rada/show/v0007282-98
45. Бідяк О. Профілактика отруєння хлором. // Офіційний сайт управління держпраці в Тернопільській області. – [Електронний ресурс]. – Режим доступу https://te.dsp.gov.ua/profilaktyka-otruyennya-hlorom/
Content type: Master Thesis
Asub kollektsiooni(de)s:122 — комп’ютерні науки

Failid selles objektis:
Fail Kirjeldus SuurusFormaat 
2025_KRM_SNm-61_Tsvihun_O_R.pdfДипломна робота2,17 MBAdobe PDFVaata/Ava
Näita täiskirjet Vaata statistikat


Kõik teosed on Dspaces autoriõiguste kaitse all.

Admin vahendid