Comparativo de Arima e SVM na previsão de risco em teste de software

• Ano de defesa: 2022
• Autor(a) principal: Silva, Anna Paula Araujo Lande da
• Orientador(a): Corrêa, Cléber Gimenez
• Banca de defesa: Corrêa, Cléber Gimenez , Chaim, Marcos Lordello , Sanches, Silvio Ricardo Rodrigues , Watanabe, Willian Massami
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Cornelio Procopio
• Programa de Pós-Graduação: Programa de Pós-Graduação em Informática
• País: Brasil
• Palavras-chave em Português: Software - Testes; Análise de séries temporais; Avaliação de riscos; Computer software - Testing; Time-series analysis; Risk assessment
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/30255

O teste de software vem exercendo uma importância cada vez maior no ciclo de vida dos sistemas computacionais. A garantia da qualidade se tornou requisito e com os obstáculos de prazos limitados e recursos humanos e financeiros escassos, métodos que ofereçam maior cobertura de testes e maior identificação de problemas no menor espaço de tempo têm sido visadas. O presente trabalho conduziu um estudo prático que une o Teste Baseado em Risco, uma abordagem que executa somente casos de testes minuciosamente selecionados com base nos módulos e funcionalidades mais críticos de um sistema, aplicado com testes completos, com previsão de risco baseada em análise de séries temporais por meio da aplicação dos modelos Support Vector Machine (SVM) e Autoregressive Integrated Moving Average (ARIMA) para otimizar a seleção e priorização de roteiros de testes. Os resultados mostraram uma melhora na percepção da qualidade pela equipe e pelos usuários, com a redução no número de chamados para correção de problemas. Adicionalmente, os modelos não obtiveram valores altos para as métricas de acurácia, precisão, recall, RSME e MAE. No entanto, ARIMA atingiu resultados melhores em comparação com SVM.