چکیده فارسی :

آزمایش رگرسیون با توجه به افزایش تعداد تقاضاهای انجام شده برای نرم‌افزار در فاز نگهداری، اهمیت یافته است. ضوابط آزمایش مجدد رگرسیون به افزایش هزینه و زمان می‌انجامد. اولویت بندی، روندی مهم در آزمایش رگرسیون است که اشکال‌زدایی را آسانتر می کند. این مقاله روشی جدید برای اولویت بندی مورد آزمون با استفاده از کشف قوانین وابستگی (ARM) ارائه می کند. در این مقاله، سیستم تحت آزمایش، با استفاده از دیاگرام فعالیت UML که سپس به یک گراف فعالیت تبدیل شده، مدلسازی شده است. از ذخیره‌سازی داده های گذشته جهت حفظ جزئیات سیستم استفاده شده است که سبب آشکارسازی خطاهای بیشتری می گردد. هرگاه تغییری در سیستم ایجاد شود، الگوهای تکرار شونده گره‌های بسیار تحت تاثیر قرار گیرنده، یافته می شوند. این الگوهای تکرار شونده، گره های احتمالی تحت تاثیر قرار گیرنده را آشکار می سازند که برای اولویت بندی موارد آزمون به کار برده می شوند. این رویکرد، به طور موثری موارد آزمون با مقدار درصد متوسط تشخیص خطای (APFD) بزرگتر را اولویت بندی می کند.

چکیده انگلیسی :

Regression testing has gained importance due to increase in frequency of change requests made for software during maintenance phase. The retesting criteria of regression testing leads to increasing cost and time. Prioritization is an important procedure during regression testing which makes the debugging easier. This paper discusses a novel approach for test case prioritization using Association Rule Mining (ARM). In this paper, the system under test is modelled using UML Activity Diagram (AD) which is further converted into an Activity Graph (AG). A historical data store is maintained to keep details about the system which revealing more number of faults. Whenever a change is made in the system, the frequent patterns of highly affected nodes are found out. These frequent patterns reveal the probable affected nodes i.e. used to prioritize the test cases. This approach effec-tively prioritizes the test cases with a higher Average Percentage of Fault Detection (APFD) value.