移动应用缺陷报告自动生成系统的设计与实现
这是一篇关于移动应用自动化测试,缺陷报告,微服务,分类算法的论文, 主要内容为移动应用开发周期越来越短,应用质量保障需要更高效的测试方式。自动化测试方法较传统人工测试具有速度快、可重复性强、多设备批量执行等优势,能够有效提高测试效率。然而,自动化测试日志可读性低,通常需要人工审查日志分析缺陷。受限于时间,人工分析难以充分挖掘多元日志的缺陷信息,缺乏完整的缺陷上下文,导致开发人员无法快速定位和修复缺陷。本文设计与实现了一个移动应用缺陷报告自动生成系统,以解决自动化测试中日志可读性低与缺陷定位效率低的问题。本系统通过对自动化测试产生的多元日志进行挖掘,构建包含完整上下文信息的缺陷模型,包含操作序列、堆栈信息、缺陷截图等。利用分类算法(决策树、朴素贝叶斯等)对缺陷进行分类和去重。系统为每个缺陷推荐修复方案供开发人员参考。通过前端页面将缺陷数据可视化,生成可读性高和指导性强的缺陷报告。本系统基于Dubbo框架实现微服务架构,通过远程过程调用进行微服务交互,使用Zookeeper作为服务注册与发现中心。本系统服务端基于Spring Boot框架开发,前端基于Angular框架开发,前后端通过Nginx实现负载均衡。本系统使用MongoDB作为数据库进行数据持久化,使用Redis进行数据缓存,利用Docker将服务打包为镜像便于快速部署并使用Jenkins进行持续集成。本系统已经部署并稳定支撑自动化测试平台的缺陷报告生成。本系统的可用性评估实验选取了8款开源移动应用在20台移动设备上分别进行自动化测试并生成缺陷报告。实验结果经过人工验证,报告平均准确率达到93%。本系统使开发人员无需直接面对自动化测试工具产生的海量日志,呈现完整的缺陷上下文信息,提高缺陷分析效率。
循环神经网络在缺陷报告重复检测上的研究及应用
这是一篇关于LSTM模型,BI-LSTM模型,Attention机制,缺陷报告,缺陷报告重复检测的论文, 主要内容为研究表明处理大量的重复缺陷会对人力造成极大的浪费,特别对于大型的项目来说尤其明显。为了减轻人工检测重复报告的工作量,缩减人工管理缺陷的时间,开展缺陷报告自动重复检测方法的研究是具有价值的。本文系统的分析了重复缺陷报告产生的原因,发展现状及其意义,并对国内外的重复缺陷研究方法及深度学习在文本相似度上的方法进行了综述。最终基于循环神经网络(Recurrent Neural Networks,简称RNN)与Attention机制的理论及技术,将LSTM(Long Short-Term Memory)模型,BI-LSTM(Bi-directional Long Short-Term Memory)模型,双层BI-LSTM模型及使用Attention机制的双层BI-LSTM模型,应用于重复缺陷报告领域,用于计算两个缺陷报告间的相似度。并以开源项目Eclipse产生的缺陷报告作为数据集,对比前人经验筛选出数据源对上述模型进行实验,之后对各模型结果进行了对比与分析,并进行了一定程度的调优。整体思路是将缺陷报告分为相似与不相似两类,当两个缺陷报告计算出的结果大于某个阈值时,即判定为两文本相似。并在各个模型中对不同的参数如学习速度,训练轮次,数据长度等进行调整,使模型得到最优的结果。最终使用Attention机制的双层BI-LSTM模型,在本文的实验中能达到最高的准确率91.21%。其余,LSTM模型的最高准确率为87.42%,BI-LSTM模型的最高准确率为88.94%,双向BI-LSTM模型的最高准确率为90.75%。为了有效体现重复缺陷报告检测模型的功能,本文实现了以重复检测为功能核心的缺陷管理系统。本系统采用SSM框架和MySQL数据库,实现管理缺陷的基本功能,并将模型以定时任务的方式应用于缺陷管理系统中,最终会在缺陷报告详情页面展示与该缺陷报告最相似的5个缺陷报告。
基于Bugzilla知识图谱的推荐系统的设计与实现
这是一篇关于知识图谱,推荐系统,缺陷报告的论文, 主要内容为开源软件开发是以人为本的知识密集型劳动。对于新手而言,最好的融入一个新项目的方式就是贡献一个自己的修复提交。缺陷报告是开发人员和报告者之间以特定格式详细描述缺陷发生情况的文档。新的开发人员虽已具备一定编程能力,但面对当前项目的缺陷库时却是一无所知的,此时他的身份是一个知识寻求者,因此需要一个可以引导他的知识提供者。使用知识图谱技术能将缺陷库中聚集的大量专业知识、经验、缺陷记录以及用户活动记录有效地组织起来。同时,借助于基于知识图谱的推荐技术,就能基于用户兴趣提供缺陷报告的个性化推荐,满足用户获取缺陷库背景知识的需求。本文分析了基于缺陷报告的当前研究热点,进而提出为用户(尤其是新手用户)构建缺陷知识图谱以提供背景知识这一需求。然后,分析了当前基于知识图谱的推荐算法的研究现状,探索基于用户兴趣进行个性化缺陷报告推荐的方法。本文依次实现了:基于Bugzilla的缺陷知识图谱的构建,定义了相关实体、关系以及三元组?应用基于知识图谱的推荐算法为用户做个性化缺陷报告推荐?基于Neo4j数据库进行知识图谱的存储和可视化查询,还原出推荐路径为推荐结果提供可解释性?使用本系统,用户可以通过推荐路径加深对缺陷跟踪系统的理解和全局把控,大大提高了效率。
循环神经网络在缺陷报告重复检测上的研究及应用
这是一篇关于LSTM模型,BI-LSTM模型,Attention机制,缺陷报告,缺陷报告重复检测的论文, 主要内容为研究表明处理大量的重复缺陷会对人力造成极大的浪费,特别对于大型的项目来说尤其明显。为了减轻人工检测重复报告的工作量,缩减人工管理缺陷的时间,开展缺陷报告自动重复检测方法的研究是具有价值的。本文系统的分析了重复缺陷报告产生的原因,发展现状及其意义,并对国内外的重复缺陷研究方法及深度学习在文本相似度上的方法进行了综述。最终基于循环神经网络(Recurrent Neural Networks,简称RNN)与Attention机制的理论及技术,将LSTM(Long Short-Term Memory)模型,BI-LSTM(Bi-directional Long Short-Term Memory)模型,双层BI-LSTM模型及使用Attention机制的双层BI-LSTM模型,应用于重复缺陷报告领域,用于计算两个缺陷报告间的相似度。并以开源项目Eclipse产生的缺陷报告作为数据集,对比前人经验筛选出数据源对上述模型进行实验,之后对各模型结果进行了对比与分析,并进行了一定程度的调优。整体思路是将缺陷报告分为相似与不相似两类,当两个缺陷报告计算出的结果大于某个阈值时,即判定为两文本相似。并在各个模型中对不同的参数如学习速度,训练轮次,数据长度等进行调整,使模型得到最优的结果。最终使用Attention机制的双层BI-LSTM模型,在本文的实验中能达到最高的准确率91.21%。其余,LSTM模型的最高准确率为87.42%,BI-LSTM模型的最高准确率为88.94%,双向BI-LSTM模型的最高准确率为90.75%。为了有效体现重复缺陷报告检测模型的功能,本文实现了以重复检测为功能核心的缺陷管理系统。本系统采用SSM框架和MySQL数据库,实现管理缺陷的基本功能,并将模型以定时任务的方式应用于缺陷管理系统中,最终会在缺陷报告详情页面展示与该缺陷报告最相似的5个缺陷报告。
移动应用缺陷报告自动生成系统的设计与实现
这是一篇关于移动应用自动化测试,缺陷报告,微服务,分类算法的论文, 主要内容为移动应用开发周期越来越短,应用质量保障需要更高效的测试方式。自动化测试方法较传统人工测试具有速度快、可重复性强、多设备批量执行等优势,能够有效提高测试效率。然而,自动化测试日志可读性低,通常需要人工审查日志分析缺陷。受限于时间,人工分析难以充分挖掘多元日志的缺陷信息,缺乏完整的缺陷上下文,导致开发人员无法快速定位和修复缺陷。本文设计与实现了一个移动应用缺陷报告自动生成系统,以解决自动化测试中日志可读性低与缺陷定位效率低的问题。本系统通过对自动化测试产生的多元日志进行挖掘,构建包含完整上下文信息的缺陷模型,包含操作序列、堆栈信息、缺陷截图等。利用分类算法(决策树、朴素贝叶斯等)对缺陷进行分类和去重。系统为每个缺陷推荐修复方案供开发人员参考。通过前端页面将缺陷数据可视化,生成可读性高和指导性强的缺陷报告。本系统基于Dubbo框架实现微服务架构,通过远程过程调用进行微服务交互,使用Zookeeper作为服务注册与发现中心。本系统服务端基于Spring Boot框架开发,前端基于Angular框架开发,前后端通过Nginx实现负载均衡。本系统使用MongoDB作为数据库进行数据持久化,使用Redis进行数据缓存,利用Docker将服务打包为镜像便于快速部署并使用Jenkins进行持续集成。本系统已经部署并稳定支撑自动化测试平台的缺陷报告生成。本系统的可用性评估实验选取了8款开源移动应用在20台移动设备上分别进行自动化测试并生成缺陷报告。实验结果经过人工验证,报告平均准确率达到93%。本系统使开发人员无需直接面对自动化测试工具产生的海量日志,呈现完整的缺陷上下文信息,提高缺陷分析效率。
移动应用缺陷报告自动生成系统的设计与实现
这是一篇关于移动应用自动化测试,缺陷报告,微服务,分类算法的论文, 主要内容为移动应用开发周期越来越短,应用质量保障需要更高效的测试方式。自动化测试方法较传统人工测试具有速度快、可重复性强、多设备批量执行等优势,能够有效提高测试效率。然而,自动化测试日志可读性低,通常需要人工审查日志分析缺陷。受限于时间,人工分析难以充分挖掘多元日志的缺陷信息,缺乏完整的缺陷上下文,导致开发人员无法快速定位和修复缺陷。本文设计与实现了一个移动应用缺陷报告自动生成系统,以解决自动化测试中日志可读性低与缺陷定位效率低的问题。本系统通过对自动化测试产生的多元日志进行挖掘,构建包含完整上下文信息的缺陷模型,包含操作序列、堆栈信息、缺陷截图等。利用分类算法(决策树、朴素贝叶斯等)对缺陷进行分类和去重。系统为每个缺陷推荐修复方案供开发人员参考。通过前端页面将缺陷数据可视化,生成可读性高和指导性强的缺陷报告。本系统基于Dubbo框架实现微服务架构,通过远程过程调用进行微服务交互,使用Zookeeper作为服务注册与发现中心。本系统服务端基于Spring Boot框架开发,前端基于Angular框架开发,前后端通过Nginx实现负载均衡。本系统使用MongoDB作为数据库进行数据持久化,使用Redis进行数据缓存,利用Docker将服务打包为镜像便于快速部署并使用Jenkins进行持续集成。本系统已经部署并稳定支撑自动化测试平台的缺陷报告生成。本系统的可用性评估实验选取了8款开源移动应用在20台移动设备上分别进行自动化测试并生成缺陷报告。实验结果经过人工验证,报告平均准确率达到93%。本系统使开发人员无需直接面对自动化测试工具产生的海量日志,呈现完整的缺陷上下文信息,提高缺陷分析效率。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈 ，原文地址：https://m.bishedaima.com/lunwen/53253.html
