מודלים מתמטיים למתן עדיפות למקרי מבחן בהתבסס על חוסר יכולת

קביעת מקרים של בדיקות היא חיונית בבדיקת תוכנה לזיהוי תקלות ביעילות.מודלים מתמטיים לעזור לקבוע את ההזמנה שבה יש לבצע מקרים של בדיקות בהתבסס על הסבירות שלהם להיכשל.מודלים אלה לשפר את יעילות הבדיקות על ידי התמקדות במקרי הניסוי הקריטיים ביותר.

חוסר יכולת ב Test Case Preitization

הסתברות לכישלון מעריכה כי ככל הנראה מקרה מבחן הוא לחשוף פגם.ההערכות הללו ניתן להסיק מהנתונים ההיסטוריים, מורכבות הקוד או שיפוט מומחה.שילוב של הסתברות לכישלון למודלים של עדיפויות מבטיח כי מקרים בסיכון גבוה מבוצעים מוקדם יותר, צמצום הסיכון של פגמים לא מחוסנים.

מודלים מתמטיים המשמשים

מספר דגמים משתמשים בהסתברות לכישלון כדי להתאים את סדר מקרה הבדיקה.גישות נפוצות כוללות מודלים פרוביביליסטיים, כגון רשתות Bayesian, ואלגוריתמים היציולוגיים המשלבים סבירות כישלונות.מודלים אלה שואפים למקסם את שיעור הגילוי בתוך משאבים בדיקה מוגבלים.

דוגמה למודל עדיפויות

מודל פשוט אחד מקצה הסתברות לכישלון לכל מקרה מבחן.מקרי מבחן ממיין בסדר יורד של נקודות תורפה אלה.גישה זו מבטיחה כי מקרים של מבחן עם הסיכוי הגבוה ביותר של כישלון מבוצעים קודם, להגדיל את הסיכוי לגילוי פגם מוקדם.

• השלכות הכישלון
• מקרים של מבחן מסוגון המבוססים על יעילות
• הוצאה להורג על מנת לרדת
• אפשרויות עדכון המבוססות על תוצאות