1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 122 — комп’ютерні науки
Veuillez utiliser cette adresse pour citer ce document : http://elartu.tntu.edu.ua/handle/lib/48673
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.advisorБоднарчук, Ігор Орестович-
dc.contributor.advisorBodnarchuk, Ihor-
dc.contributor.authorЦвігун, Олександр Русланович-
dc.contributor.authorTsvihun, Oleksandr Ruslanovych-
dc.date.accessioned2025-06-01T11:38:43Z-
dc.date.available2025-06-01T11:38:43Z-
dc.date.issued2025-05-29-
dc.date.submitted2025-05-15-
dc.identifier.citationЦвігун 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.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/48673-
dc.descriptionРоботу 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 Пулюяuk_UA
dc.description.abstractУ 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.uk_UA
dc.description.abstractThis 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.uk_UA
dc.description.tableofcontentsВСТУП 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 ДОДАТКИuk_UA
dc.format.extent58-
dc.language.isoukuk_UA
dc.publisherТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject122uk_UA
dc.subjectкомп’ютерні наукиuk_UA
dc.subjectавтоматизоване тестуванняuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectштучний інтелектuk_UA
dc.subjectпрогнозування несправностейuk_UA
dc.subjectвідновлення в режимі реального часуuk_UA
dc.subjectрозробка програмного забезпеченняuk_UA
dc.subjectautomated testinguk_UA
dc.subjectmachine learninguk_UA
dc.subjectartificial intelligenceuk_UA
dc.subjectfault predictionuk_UA
dc.subjectreal-time recoveryuk_UA
dc.subjectsoftware developmentuk_UA
dc.titleАналіз засобів та методів автоматизації тестування програмного забезпечення з використанням ШІuk_UA
dc.title.alternativeAnalysis of Tools and Methods for Software Testing Automation Using AIuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Цвігун Олександр Русланович, 2025uk_UA
dc.contributor.committeeMemberКоноваленко, Ігор Володимирович-
dc.contributor.committeeMemberKonovalenko, Ihor-
dc.coverage.placenameТернопільuk_UA
dc.subject.udc004.415.53:004.85:004.8uk_UA
dc.relation.references1. 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.uk_UA
dc.relation.references2. 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.uk_UA
dc.relation.references3. 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.uk_UA
dc.relation.references4. 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.uk_UA
dc.relation.references5. 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.uk_UA
dc.relation.references6. 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.uk_UA
dc.relation.references7. 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.uk_UA
dc.relation.references8. 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.uk_UA
dc.relation.references9. 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.uk_UA
dc.relation.references10. 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.uk_UA
dc.relation.references11. 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.uk_UA
dc.relation.references12. 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.uk_UA
dc.relation.references13. 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.uk_UA
dc.relation.references14. 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.uk_UA
dc.relation.references15. 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.uk_UA
dc.relation.references16. 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.uk_UA
dc.relation.references17. 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.uk_UA
dc.relation.references18. 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.uk_UA
dc.relation.references19. 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.uk_UA
dc.relation.references20. Pelluru, K. (2024). AI-Driven DevOps Orchestration in Cloud Environments: Enhancing Efficiency and Automation. Integrated Journal of Science and Technology, 1(6), 1-15.uk_UA
dc.relation.references21. 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.uk_UA
dc.relation.references22. 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.uk_UA
dc.relation.references23. 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.uk_UA
dc.relation.references24. 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.uk_UA
dc.relation.references25. 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.uk_UA
dc.relation.references26. Pargaonkar, S. (2023). A Study on the Benefits and Limitations of Software Testing Principles and Techniques: Software Quality Engineering.uk_UA
dc.relation.references27. Elemam, S. M. (2018). Pragmatic Competence and the Challenge of Speech Expression and Precision (Master's thesis, University of Dayton).uk_UA
dc.relation.references28. 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.uk_UA
dc.relation.references29. 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.uk_UA
dc.relation.references30. 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.uk_UA
dc.relation.references31. 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.uk_UA
dc.relation.references32. Rahman, M. A. (2012). Influence of simple shear and void clustering on void coalescence.uk_UA
dc.relation.references33. Alam, H., & De, A., & Mishra, L. N. (2015). Spring, Hibernate, Data Modeling, REST and TDD: Agile Java design and development (Vol. 1).uk_UA
dc.relation.references34. Ahuja, A., & Gupta, M. (2024). Optimizing Predictive Maintenance with Machine Learning And Iot: A Business Strategy For Reducing Downtime And Operational Costs.uk_UA
dc.relation.references35. Al Bashar, M., Taher, A., & Johura, F. T. (2019). Quality Control and Process Improvement in Modern Paint Industry.uk_UA
dc.relation.references36. 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.uk_UA
dc.relation.references37. 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.uk_UA
dc.relation.references38. 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.uk_UA
dc.relation.references39. 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.uk_UA
dc.relation.references40. 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.uk_UA
dc.relation.references41. Zhu, Y. (2023). Beyond Labels: A Comprehensive Review of Self-Supervised Learning and Intrinsic Data Properties. Journal of Science & Technology, 4(4), 65-84.uk_UA
dc.relation.references42. 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.uk_UA
dc.relation.references43. 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).uk_UA
dc.relation.references44. 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/v0007282-98uk_UA
dc.relation.references45. Бідяк О. Профілактика отруєння хлором. // Офіційний сайт управління держпраці в Тернопільській області. – [Електронний ресурс]. – Режим доступу https://te.dsp.gov.ua/profilaktyka-otruyennya-hlorom/uk_UA
dc.contributor.affiliationТНТУ ім. І. Пулюя, факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
dc.identifier.citation2015Цвігун 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.uk_UA
Collection(s) :122 — комп’ютерні науки

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
2025_KRM_SNm-61_Tsvihun_O_R.pdfДипломна робота2,17 MBAdobe PDFVoir/Ouvrir
Affichage abbrégé


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.

Outils d'administration