اپراتورهای تغییر برای خطوط تولید نرم‌افزار ویژگی محور

آزمون ارتقا روشی برای ارزیابی کیفیت حالت‌های تست است. ارتقا یافته ها نسخه‌های اصلاح‌شده سیستم هستند که به طور ایده‌آل رفتار معیوب را درست می کنند. موارد تست برای یک سیستم در صورتی موثر هستند که این ارتقاییافته را بکشند. برای خطوط تولید نرم‌افزار، چندین اثر به آزمایش ارتقا تبدیل شده‌اند تا خطاهای تغییرپذیری را تزریق کنند که ممکن است تنها در برخی از متغیرها وجود داشته باشد. این کارها بر روی مدل‌های تغییرپذیری یا تکنیک‌های اجرایی خاص تمرکز می‌کنند. در مقابل، برنامه‌نویسی شی گرا به ندرت مورد بررسی قرار می‌گیرد، و در نتیجه ما (۱)اپراتورهای ارتقا مربوطه را استنتاج می‌کنیم، (۲)بررسی امکان‌سنجی اپراتورهای طرح پیشنهادی و مرسوم ما در چهار خط تولید نرم‌افزار و (۳)در مورد چالش‌های باز در تست ارتقا خطوط تولید نرم‌افزار بحث می کنیم. نتایج نشان می‌دهد که اپراتورهای طرح پیشنهادی ما برای ایجاد خطاهای تغییرپذیری و گسترش قابلیت‌های اپراتورهای معمولی مناسب هستند. با این وجود، آزمایش ارتقا در خطوط تولید نرم‌افزار بسیار پر هزینه است، به دلیل تعداد زیادی از متغیرها و ارتقاییافته، که منجر به تعادل و افزونگی م

Summary

Mutation testing is an approach to assess the quality of test cases. Mutants are modified versions of a system that ideally compose faulty behaviour. Test cases for a system are effective if they kill these mutants. For software product lines, several works have addressed mutation testing to inject variability faults, which may only exist in some variants. These works focus on variability models or specific implementation techniques. In contrast, feature‐oriented programming has been rarely investigated, wherefore, we (1) derive corresponding mutation operators, (2) investigate the feasibility of our proposed and conventional operators on 4 software product lines, and (3) discuss open challenges in mutation testing of software product lines. The results show that our proposed operators are suitable to cause variability faults and extend the capabilities of conventional operators. Nonetheless, mutation testing of software product lines is comparably expensive, due to a high n