Research Article

PreventativeTestPro: Proaktif Yazılım Kalite Mühendisliği için Gözlemlenebilirlik ve Üretken Yapay ZeZe'yi Kullanan Ölçeklenebilir Hibrit Test Çerçevesi

DOI:

10.3791/69316

⸱

March 24th, 2026

 ,  ,  , 
1Vishwakarma University, 2Kasetsart University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PreventativeTestPro, gözlemlenebilirlik verileri ve büyük dil modellerini kullanarak kök neden analizini, test üretimini ve sürekli doğrulamayı otomatikleştiren yapay zeka tabanlı bir test çerçevesidir; amacı, hem ön uç hem de arka uç sistemler için yazılım güvenilirliğini artırmak ve kalite güvencesini optimize etmek amacıyla daha verimli destek bileti yönetimini kolaylaştırmaktır.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu makale, gözlemlenebilirlik odaklı otomasyonu yapay zeka destekli proaktif kalite mühendisliği ile entegre eden gelişmiş ve ölçeklenebilir bir test sistemi tanıtarak çağdaş yazılım sunum zorluklarını ele almaktadır. Önerilen sistem, siyah kutu ve beyaz kutu metodolojilerini birleştiren açık kaynaklı, hibrit test platformu olan PreventativeTestPro'yu yenilikçi bir gözlemlenebilirlik tabanlı test düzenleme katmanı içererek geliştiriyor. Platform, loglar, metrikler, olaylar ve izlemelerle birlikte tarayıcı ve sunucu tarafı izleme ile birlikte anormallikleri hızlıca tespit etmek, test vakası seçimini geliştirmek ve işlevsel, performans ve güvenlik test paketlerinin oluşturulmasını otomatikleştirmek için kullanmaktadır. Ayırt edici bir özellik, kök neden içgörüleri sağlamak ve üretim davranışları ile tespit edilen anormalliklere dayalı yeni test vakalarını bağımsız olarak oluşturmak için büyük dil modellerinin (LLM) dahil edilmesidir; böylece uyarlanabilir regresyon kapsamı ve akıllı iyileştirme sağlanır.

Sistem, anında yapay zeka tabanlı log analiziyle eşzamanlı test yürütmesini kolaylaştırır ve işlemler ile test arasında sürekli bir geri bildirim döngüsü oluşturur. Mikroservis tabanlı SaaS platformları ve SAP BTP ekosistemleri dahil olmak üzere çeşitli kurumsal senaryolarda doğrulanmıştır. Dört üretim dağıtımı ve 49 mühendislik beta grubundan elde edilen ampirik bulgular, ortalama çözüm süresinin %30'a kadar azaldığını, SLA'lara %95'in üzerinde uyumu ve test kapsamı ile hata izlenebilirliğinde önemli iyileşmeler olduğunu göstermektedir. Sektör standartı araçlarla zahmetsiz bağlantı, onun takıp çalıştırma yeteneğini gösteriyor.

Bu araştırma, çevik ve DevOps ilkeleriyle tutarlı, kapsamlı ve araçtan bağımsız ve ileriye dönük kaliteli mühendislik metodolojisi sunmaktadır. Gelecek girişimler, makine öğrenimi yoluyla dinamik anomli sınıflandırması, mobil ve kullanıcı deneyimi odaklı sistemlere genişletme ve alan özelindeki test geliştirme ile arıza tahmini için artırılmış büyük dil modeli yeteneklerini kapsar.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazılım işlerinde çevik paradigmanın artan popülaritesi, sürekli entegrasyon ortamlarına olan ilginin artmasına yol açmıştır. Bu tür sistemlerin avantajları, düzenli program değişikliklerinin sorunsuz entegrasyonunu içerir; bu da yazılım evriminin hızlandırılmasına ve maliyet etkinliğine yol açar. Sonuç olarak, inşaat prosedürleri, test yürütme ve test sonuçları raporlama gibi görevleri verimli bir şekilde yönetecektir. Yazılım testi, yazılım mühendisliğinin başlangıcından beri uygulanmaktadır. Yazılım testi uygulaması, yazılımın kalitesini değerlendirmek içinuygulanmıştır 1. Test, yazılımın son kullanıcılara sunulmadan önce olası hatalarını tespit edip çözmeye yönelik çeşitli eylemleri kapsar. Yazılım testi, geliştirme sürecinde maliyetli biraşamadır 2. Yazılım testi ve hata ayıklama maliyeti, toplam geliştirme maliyetinin %50'sinden fazlasınıoluşturuyor. Regresyon testiyle ilgili maliyet, uygulamanın karmaşıklığına ve testpaketi 5'in büyüklüğüne bağlıdır.

Çevik metodoloji, üretimde hızlı değişikliklerin uygulanmasına yol açar ve bu da geri bildirim nedeniyle çok sayıda destek sorununa yol açar. Destek zorluklarını yönetmek çok önemli ve kritik bir sorumluluktur; bunun kanıtı olarak, tüketicilerin %68'i mükemmel müşteri hizmeti sunmasıyla tanınan bir işletmeden ürün ve hizmetler için ekstra ödeme yapmaya istekliolduklarını belirtmektedir 6. Bir çalışmaya göre, olağanüstü müşteri hizmeti alan müşterilerin %86'sı uzun vadede işletmenin sadık savunucuları olma olasılığı dahayüksek. Bir araştırmaya göre, alıcıların %89'u olumlu bir müşteri hizmeti deneyimi yaşamışsa tekrar alışveriş yapmaya daha yatkındır. 8. Bir araştırmaya göre, müşterilerin %93'ü olağanüstü müşteri hizmeti sunan firmalarla tekrar alışveriş yapmayaeğilimlidir. Mükemmel müşteri hizmeti sunmak için, destek taleplerini yüksek kalitede hızlı ve etkili bir şekilde çözmek şarttır. Kalite unsuru, daha hızlı teslimat hedeflenirken çok önemlidir; çünkü destek sorunlarının çözümü maliyeti zamanla ve yükseltmeseviyesi 10 artmaktadır.

Yüksek kalite elde etmek için, destek sorunlarını bulmak ve çözmek, bilette regresyon testleri için kapsamlı test kapsamını sağlamak gerekir. Bu görev karmaşıktır ve özellikle destek sorunlarının hızlıca tespit edilmesi ve çözülmesi gibi operasyonel zorlukların artmasına yol açmıştır. Destek zorlukları, sistem performansının azalması veya öngörülemeyen arızalar gibi çok çeşitli sorunları kapsayan, yazılım sistemlerinin operasyonel aşamasında sıkça ortaya çıkar. Bu zorluklar hızla tespit edilip giderilmezse, uzun süreli hareketsizlik, tüketici memnuniyetsizliği ve finansal gerilemelere yol açabilir. Test ihtiyaçları için gözlemlenebilirlik bilgisinin mevcut kullanımı yöntemleri, genellikle manuel prosedürler, proaktif yerine yanıt verici taktikler ve anomli tespitinin test yürütmesiyle entegrasyonunda eksiklikle kısıtlanmaktadır. Gerçek zamanlı gözlemlenebilirlik verileri kullanılarak destek sorunlarının proaktif tespiti ve uygun test vakalarının otomatik olarak yürütülmesinde açık bir eksiklik vardır; bu da muhtemel arızaları önceden önlemeye yardımcı olur.

Kapsamlı, birleşik bir çözümün olmaması, yazılım bakımı ve güvenilirlik açısından birçok zararlı sonuç doğurmaktadır. Bu faktörler, sorunların gecikmeli tespit edilmesi nedeniyle sistemin uzun süreli hareketsizlik dönemlerini, ilgili test vakalarını bulmada artan el emeği ve sistemin güvenilirliğine olan güvenin azalmasını kapsar. Ayrıca, tespit edilen anormalliklerin test vakalarıyla doğru şekilde ilişkilendirilememesi, test kapsamında eksikliklere yol açar ve bu da çözülmemiş önemli sorunlara yol açabilir.

Bu farklılığın temel nedeni, mevcut izleme ve test sistemlerinin parçalanmış yapısına bağlanabilir. Mevcut birçok sistem, gözlemlenebilirlik veri analizini ilgili test vakalarının yürütülmesiyle sorunsuz bir şekilde entegre etme kapasitesinden yoksundur. Ayrıca, kusursuzlukları test vakalarıyla ilişkilendirmek için sabit düzenlemelere ve insan prosedürlerine bağımlılık, yeni sorunların hızlı ve kesin şekilde çözülmesini engellemektedir.

Sektörün destek sorunlarını nasıl ele aldığını ve önleyici testleri nasıl yürüttüğüne dair bilgi edinmek için, alandaki profesyonellerle röportaj yaparak tanımlayıcı bir araştırma çalışmasıyaptık. Röportaj verilerine dayanarak, herhangi bir çözümün uygulanmasında karşılaşılan en büyük engelin kaliteyi garanti etmek için yeterli zamanın olmaması olduğu vurgulanmıştır. Mülakat, bireylerin becerilerinin artırılması, bakım masrafları, düşük yatırım getirisi ve araç seçimi ile entegrasyon gibi çeşitliendişeler belirtildi. Bu bilgiler ayrıca Katalon'un "Kalite Durumu Raporu 2024"12'de de doğrulanmıştır. Mülakatlarda bahsedilen sorunlara çözüm sunmadan önce, belirtilen endişeleri ele alan mevcut araçlar veya algoritmalar olup olmadığını görmek için araçların karşılaştırmalı bir değerlendirmesiniyaptık 13,14. Artık mülakatlarda tartışılan zorlukları ele almak için özel olarak tasarlanmış gerekli araçlar veya algoritmalar yok.

Bu çalışma, destek sorunlarını erken aşamada (rapor edilmeden önce bile) tespit etmek ve uygun test vakalarını gerçekleştirmek için gözlemlenebilirlik verilerini kullanan yenilikçi bir yöntem tanıtıyor; böylece yazılım sistemlerinin güvenilirliği ve dayanıklılığı artırıyor. Bu strateji, anormallikleri tespit etmek, muhtemel sorunlarla bağlantılar kurmak ve sorunun temel nedenini ortaya çıkarma olasılığı yüksek olan hedefli test vakalarının yürütülmesini başlatmak için gözlemlenebilirlik verilerinin kullanılmasına dayanır. Önerilen çözüm, yazılım işlemleri ile test arasındaki uçurumu kapatmayı ve destek endişelerine proaktif ve hızlı yanıt vermeyi amaçlamaktadır. Önerilen çözüm, test vakaları süitte eksikse yeni test vakalarının oluşturulmasına olanak tanıyarak test kapsamını iyileştirir. Önerilen strateji ayrıca Katalon11,12,13,14 raporunda ve röportajlarda ortaya çıkan endişeleri ele almayı amaçlamaktadır.

Kontrol teorisi bağlamında gözlemlenebilirlik, bir sistemin iç durumlarının dış çıktılarından ne kadar çıkarılabileceğini ifade eder. Yazılım mühendisliği alanında gözlemlenebilirlik kavramı, loglar, metrikler, izler ve olaylar gibi çıktıları kullanarak bir yazılım sisteminin durumunu izleme ve anlamayeteneğini ifade eder 15,16,17. Literatür analizimiz, gözlemlenebilirlik ve yazılım testlerinde kullanımının incelenmesini içerir. Ancak, bu konuda sınırlı sayıda mevcut literatür bulduk. Bu nedenle, yenilikçi önleyici testler ve ilgili araştırmalar üzerine tartışmalar da dahil ettik. Literatür incelememiz ayrıca 3 farklı gruba ayrılmıştır.

Bogatinovski ve ark.18 , önemli alt süreçleri belirleyerek ve ani bağlam geçişleri sırasında arızaları tespit ederek kararsız günlük verilerini ve yetersiz arıza kapsamını ele almak için tasarlanmış bağlam bağımlı sinir ağı ve kümeleme tekniği olan CLog'u sunmaktadır. Busby ve ark.19 , anonimleştirilmiş test vakaları oluşturmak için log tabanlı bir metodoloji önerir; bu yöntem kullanıcı dizilerini kişisel verilerden arındırılmış çoğaltma için öngörmektedir; ancak eşzamanlılık ve logger seviyesinde varyasyonlar önemli kısıtlamalar olarak devam etmektedir. Lee ve Kang20 , değişkenlik mekanizmalarının varlığında gözlemlenebilirliği ve kontrol edilebilirliği artırmak amacıyla yazılım ürün serisi testi için bir test mimarisi uygulanmasını önermektedir. QEX model21 , testler yapılırken farklı test kaynaklarından gelen verileri birleştirerek net ve faydalı bilgiler sunar. Lal veKumar, 22 , akıllı testleri görebilmenin ve kontrol edebilmenin önemini vurguluyor. Testi daha hızlı, daha verimli ve daha kapsamlı hale getirmek için yapay zeka destekli otomasyonun kullanılmasını öneriyorlar. Briand ve ark.23 , Java'da sözleşmelerin ve invariantların etkili enstrümantasyonu için aspekt odaklı programlamanın uygulanmasını gösterirken, Baral veOffutt 24 , yanlış davranışı tanımlamayan "kör testler" ortaya çıkaran hatalı test iddialarının sorununu vurgular.

Rott25 , Teamscale içindeki modern analizler ve görselleştirmelerin, test yapanların gereken sorunlara ve duruma özgü işlenmiş eserlere erişmesine olanak tanıyarak yazılım test sürecine vurgu yaptığını tartışıyor. Collins veLucena 26 , üretime aktarmadan önce CI boru hattında çok sayıda test çalıştırmanın önemini vurguluyor. Katmanlı testin, ürünün yüksek kalitede olmasını sağlamak ve destek sorunlarını azaltmak için iyi bir yol olduğunu söylüyorlar.

BugSwarm27 , CI test başarısızlıklarını incelemek için temel nedenleri ilgili çözümlerle ilişkilendirmek için bir yöntem sunar. Dudila ve Letia28 , beyaz kutu ve kara kutu test metodolojilerini inceleyerek geliştirme sürecinde hata ayıklama çabalarını azaltmak için tutarlı bir strateji öneriyor. Fushihara ve ark.29 , Python uygulamalarında "test kokularını" incelemiş, kod değişiklikleriyle ilerlemelerini analiz ederek test kodu yönetimini geliştirmiştir. SUPERNOVA30 , veri ve otomasyon ile makine öğrenimi kullanarak kalite güvencesini artırmak için testleri seçmek ve hataları önlemek için kullanılan bir sistemdir. Araujo31 , yazılım yaşlanmasına odaklanan bir bakım stratejisi önerir. Bu strateji, kod değişiklikleri mümkün olduğunda düzeltici bakım ve sistem arıza sayısını azaltabilecek değişiklikler nedeniyle önleyici stratejiler kullanır. Andrew ve ark.32 , sınıfların tekrar tekrar mutasyona uğradılması, test edilmesi ve tüm varyantlar değerlendirilene kadar yeniden yüklendiği paralelleştirilmiş mutasyon testini araştırır. Dunn ve ark.33 , kapsamlı testlerin önemini vurgulamak için bileşenlere ağırlık veren güvenlik açığı metrikleri önermektedir. Son olarak, Huo ve ark.34 , kusur konumlarını bulmak ve sorunları doğrulamak için ardışık bir küme indeksi kullanır. Bu, temel nedenlerin yazılım uygulamalarındaki başarısız test vakalarının çoğunla bağlantılı olduğunu gösterir.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sistem mimarisi ve prototip özeti:

Bu araştırma, destek sorunlarının çözümünü daha da geliştirmek için gözlemlenebilirlik verileri ve büyük dil modelleri (LLM'ler) kullanarak proaktif bir kalite mühendisliği yaklaşımı olan geliştirilmiş ve uyarlanabilir bir prototip sistem olan PreventativeTestPro'yu sunmaktadır. Sistem, anomali tespiti, kök neden analizi ve sentetik izleme, gözlemlenebilirlik verileri ve GenAI entegrasyonu kullanarak anomali tespiti, kök neden analizi ve akıllıca test vakalarının yürütülüp geliştirilmesini otomatikleştirerek modern yazılım sunum sorunlarını ele almayı amaçlamaktadır. Mimari modüler olup üç temel bileşenden oluşur: Gözlemlenebilirlik Veri Toplayıcı ve Analizörü, GenAI Odaklı Zeka Katmanı ve Şekil 1'de ayrıntılı olarak belirtildiği gibi Test Düzenleme ve Yürütme Motoru.

figure-protocol-1
Şekil 1: Önerilen sistemin giriş-çıkışı. Gözlemlenebilirlik verileri, gözlemci çıktısı, test deposu ve haritalama kuralları, test vakalarının dayanıklılığını artırmak için yapay zeka tabanlı test yatakları oluşturan BHRAMARI test yatakları ile birlikte girdi olarak sağlanır. Önerilen sistem, anormalliklerin enstrümantasyonu, yapay zeka tarafından oluşturulan öneriler, ilgili test vakalarının yürütülmesi, dokümantasyon ve raporlama ile eksik test vakalarının tespit edilmesi ve oluşturulmasını sağlar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2, önerilen yaklaşımın mimarisini göstermektedir. Şekil, sistemin giriş, işleme ve çıkışını göstermektedir. Ayrıca sistemin kapsamlı bir tasvirini sunar ve bu açıklama altında yatan özelliklerin anlaşılmasını artırmak için bir açıklamaya çevrilir.

figure-protocol-2
Şekil 2: Önerilen sistemin sistem mimarisi, gözlemlenebilirlik veri toplayıcısı ve analizörü, GenAI odaklı zeka katmanı ve test orkestrasyon ve yürütme motoru. Bu şekil, PreventativeTestPro sisteminin iç mimarisini üç katmana ayırmış olarak göstermektedir: Gözlemlenebilirlik Toplayıcı Katmanı, tarayıcı olayları, günlükler, HAR dosyaları, arka uç kayıtları, metrikler ve izler dahil olmak üzere birden fazla kaynaktan gelen verileri toplar. Üretken Yapay Zeka Katmanı, bu verileri temel neden analizi yapmak, anormallikleri önceliklendirmek ve LLM'ler aracılığıyla otonom test vakaları (UI, API, manuel kullanım) ve dokümantasyon oluşturmak için kullanır. BHARAMARI modülü ayrıca yeni test yatakları kurmaktadır. Test Orkestrasyon ve Yürütme Motoru, tutarsızlıkları test vakalarına eşler, testleri eşzamanlı yürütür, sonuçları değerlendirir ve mühendislik ekiplerini, bilet sistemlerini ve gerçek zamanlı denetim ile çözüm izleme için gösterge panellerini bilgilendirir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Gözlemlenebilirlik Veri Toplayıcı ve Analizör modülü, platformun duyusal sistemi olarak hizmet verir ve değerlendirilen uygulamanın verilerini büyük ölçekte, çoklu yönlerle sürekli olarak toplar. Ön yüz izleme durumunda, sentetik izleme ajanları tarayıcı tarafı olaylarını izlemek için konuşlandırılır; örneğin Document Object Model (DOM) yapıları, kullanıcı eylemleri (tıklamalar, havalanmalar ve girişler) ve ağ ile API istek ve yanıt bilgilerini yakalayan HAR dosyaları. PreventativeTestPro ayrıca tarayıcıların kapasitesini artırmak için OBSERVER ile entegre edilmiştir. Arka uç izleme, sunucu tarafı gözlemlenebilirlik bilgilerinin istendiği ve işlendiği log analizini hedefler; bu bilgiler uygulama logları, hata, bilgi ve hata ayıklama mesajları, yığın izleme ve istisna günlükleri, yanıt süreleri gibi performans metrikleri ve OpenTelemetri veya New Relic gibi teknolojiler kullanılarak takip etmeyi içerir. Sistem, kullanıcı trafiği ve etkileşimini simüle eden sentetik ajanlarla çalışacak ve log toplayıcıları gelen gerçek zamanlı verileri yoğunlaştıracak. Toplanan veriler daha sonra yapılandırılmış formatlara normalleştirilir ve daha fazla analiz edilmek üzere diğer işlem birimlerine verilir.

PreventativeTestPro'nun özü, GPT gibi Büyük Dil Modellerini (LLM) kullanarak gözlemlenebilirlik verilerini okuyup analiz eden, yanıtları bağlamlandırıp üreten GenAI odaklı bir Zeka Katmanıdır. Modül, kök neden analizini üstlenir: kök neden logları ve izlerini, teknik hataları anlaşılabilir terimlerle açıklamak için yorumlama süreci; örneğin belirli bir kod satırında NullPointerException ve sorunun varsayılan nedeni, örneğin başlatılmamış bir değişken. Test vakası üretiminde, sistem istisna desenleri veya bir dizi olay dizisi çalıştırılabilir test betiklerine dönüştürülerek oluşturulan otomatik testler kullanır; örneğin Selenium veya API testleri, ayrıca Kalite Güvence personelinin çalıştırabileceği insan tarafından okunabilir test prosedürleri de üretir. API testleri, HAR ve iz loglarının beklenen iddialarla bir dizi API isteği dizisine dönüştürülmesiyle gelişmiştir ve oluşturulan tüm test vakaları, BHRAMARI ile entegre edilerek etkili test yataklarıyla daha da geliştirilmiştir. Analiz edilen sistem davranışına bağlı olarak, öneri sisteminde daha fazla iyileştirme, test kapsama iyileştirmeleri ve CI/CD entegrasyon fırsatları önerilir. AI Engine, istem mühendisliği ve bağlam zenginleştirme yoluyla yapılandırılmış gözlemlenebilirlik verilerini kullanarak log bağlamını LLM'e yapılandırılmış sorgular ileten prompt şablonlarıyla sunar ve nihayetinde kod parçaları, test vakası spesifikasyonları ve doğal dil dokümantasyonu gibi işlevsel biçimde çıktı üretir.

Test Orkestrasyon ve Yürütme Motoru modülü, test önceliği, zamanlama ve yürütmeyi yöneterek kod değişikliği kapsama detayları, etiketler ve anomali eşlemesi temelinde otomatik doğrulama sağlar. Testin eşlenmesi ve seçimi, harita veya enstrümantasyon desenlerindeki anomalilerin bilinen test vakalarıyla Eşleme Kuralları Motoru kullanılarak ilişkilendirilmesini ve ardından test vakalarının belirlenmiş eşlemeye uygun şekilde çalıştırılmasını içerir. Eşzamanlı test yürütme özellikleri, farklı ortamlarda işlevsel, performans veya güvenlik testleri gibi birçok test türünün aynı anda çalıştırılmasına ve Selenium, JMeter ve ZAP'ın otomasyon hatlarında araç olarak kullanımının koordine edilmesine olanak tanır. Geri bildirim döngüsü uygulaması, uygulama sonuçlarının kaydedilmesini sağlar ve test hatası durumunda değişiklikler Jira ve Azure DevOps dahil olmak üzere destek sistemlerine iletilir, böylece takip ve çözüm sağlanır.

Hipotez:

H1 (Operasyonel Verimlilik): Gözlemlenebilirlik verileri ile yapay zeka destekli zekanın birleşiminin, özellikle ortalama çözüm süresini (H1a), analiz için ortalama süreyi (H1b), üretim sorunlarını tespit etme süresini (H1c) ve düzeltmelerin üretimde dağıtılması için ortalama süreyi (H1d) azaltarak operasyonel metrikleri geliştireceği öne sürülmektedir. Bu değişiklikler, tespit etme, analiz ve dağıtımı hızlandırarak sistem kesinti süresini minimumda tutarken Hizmet Seviyesi Anlaşması (SLA) gereksinimlerinin (H1e) yerine getirilmesini kolaylaştıracaktır.

H2 (Test Etkinliği): Ayrıca, yazılım testinin etkinliğinin daha fazla test kapsamı (H2a), test vakalarının paralel çalıştırılması (H2b) ve akıllı test önceliklendirmesi (H2c) ile artacağına inanılmaktadır. Yapay zeka tarafından oluşturulan önerilerin (H2d) hem test hem de operasyonel iş akışlarında yardımcı olması bekleniyor. Bu, hataları daha hızlı bulmaya, geri bildirim döngülerini hızlandırmaya ve önleyici ve uzun ömürlü kalite güvence uygulamalarını desteklemeye yardımcı olur.

Kapsam ve hedef kitle:

Bu prototip, genel sistem tasarımını, ana fikri ve PreventativeTestPro çerçevesinin adım adım nasıl kurulup çalıştırılacağını gösterir. Ayrıca doğru test yataklarının/örnek girişlerinin nasıl kurulacağına dair detaylara ve sorunların nasıl çözüleceğine dair ipuçları veriliyor. İçerik, Java'nın temellerini zaten bilen ve yazılımı daha güvenilir ve verimli hale getirmek için önleyici testleri nasıl kullanacağını öğrenmek isteyen yazılım kalite mühendisleri içindir.

Ortam kurulumu:

Ek Dosya 1, PreventativeTestPro ile iletişim kurmak için gereken adım adım bir açıklama ve program içerir. Bu, gerekli ortamın kurulumu için talimatları, aracın hizmetlerinin nasıl başlatılacağı ve durdurulacağı ile aracın temel kullanımının net bir açıklamasını içerir. Daha ayrıntılı bir dokümantasyon ve gelişmiş araçların nasıl kullanılacağına dair talimatlar, kurulum talimatları ve diğer organizasyon detayları için projeye adanmış resmi GitHub kaynaklarına bakabilirsiniz: https://github.com/sohambpatel/PreventativeTests/wiki bulunduğu yerdeki özel Wiki sayfası ve https://github.com/sohambpatel/PreventativeTests?tab=readme-ov-file/readme'daki ana README.

Örnek girdiler:

Örnek giriş dosyaları GitHub deposunda bulunabilir: https://github.com/sohambpatel/PreventativeTests/tree/main/preventativetestframework/Inputs. Çerçeve, bu dosyaların önceden belirlenmiş test vakalarını ve veri setlerini hemen çalıştırabilir. Çevre kurulumunu kontrol etmek ve bu protokolde tanımlanan aynı sonuçları almak için referans girdileri olarak kullanılırlar.

Örnek çıktılar:

GitHub deposu (https://github.com/sohambpatel/PreventativeTests/tree/main/preventativetestframework/SampleOutputs), önleyici test çerçevesinin çıktı verilerinin ham formatında somut örneklerini içerir. Bu dosyalar aracılığıyla kullanıcılar, oluşturulan raporların ve metriklerin düzenini ve detaylarını doğrudan görebilir ve aracın çalışma sürecinde elde ettiği sonuçları gösterebilir. Bu rehber, veri boru hattını bilmek ve deneysel süreci yeniden oluşturmak altında beklenen çerçeve davranışını doğrulamak için önemlidir.

Uygulama prototipi:

Bu bölüm, PreventativeTestPro çerçevesinin nasıl kullanılacağına dair ayrıntılı ve adım adım bir rehber sunar. Kullanıcıların iş akışını yeniden üretmesine yardımcı olmak için her aşama sırayla tanımlanır. Bu bölüm, sonuçların yeniden üretilmesini kolaylaştırmak, önemli kontrol noktalarını işaret etmek ve PreventativeTestPro çerçevesinin farklı deneysel veya operasyonel ortamlarda tutarlı şekilde kullanılmasını sağlamak için uygulama adımlarını yapılandırılmış bir formatta sunar.

Bu adımda, PreventativeTestPro GUI kullanılarak en iyi önleyici test iş akışı seçilebilir. Şekil 3 , test sürecinde farklı bir adımı temsil eden beş seçeneği göstermektedir: testleri paralel çalıştırmak, mevcut test vakalarını önceliklendirerek çıktıyı izlemekten test paketi oluşturmak, manuel test vakaları oluşturmak, otomatik test vakaları oluşturmak ve temel nedeni bulmak. Kullanıcı bir seçim yaptığında, belirlenen iş akışı başlar. Bundan sonra, sonraki aşamalarda ek modlar (örneğin yapay zeka tabanlı test vakası oluşturma veya kök neden analizi) eklenebilir. Bu iyi organize edilmiş arayüz, tekrarlanıp daha küçük parçalara ayrılabilen önleyici test çalışmaları yapmanın bir yolunu sunar.

figure-protocol-3
Şekil 3: Sistemin kullanıcı arayüzü 1. Bu şekil, önleyici test yapmak için beş farklı yoldan seçim yapma imkanı veren PreventativeTestPro kullanıcı arayüzünü göstermektedir: 1. Önleyici Test, Paralel Yürütme: Teste Başlama, 2. Önleme Testi, Sentetik Uygulama İzlemesine Dayalı Test Paketinin Sonlandırılması, 3. Önleme Testi, GenAI ile Manuel Test Vakaları Oluşturma, 4. Koruyucu Test, GenAI ile Otomatik Test Vakaları Oluşturma, 5. Koruyucu Test, GenAI kullanarak Kök Neden Analizi. Aynı anda sadece bir seçenek seçilebilir. Modüler tasarım, önleyici testleri yapmayı kolaylaştırır ve yapay zeka destekli test oluşturma ve tanı ekliyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4 , framework'ün Paralel Yürütme arayüzü olarak gösterilmektedir. Bu adımda kullanıcı, test etmek istediği uygulamanın URL'sini ve yapılandırma ayarlarını içeren özellikler dosyasına giden mutlak yolu girer. Girdiler ayarlandıktan sonra, kullanıcı aynı anda Test Başlat butonuna tıklayarak testleri çalıştırmaya başlayabilir; bu buton aynı zamanda test edilen web sitesini izler ve güvenlik, performans, konsol ve JavaScript kayıtlarını oluşturur. Devam eden yürütmeyi Testi Durdur butonuna tıklayarak durdurabilirsiniz. Tavsiye Al butonu sayesinde kaydedilen loglardan yapay zeka kaynaklı içgörüler elde edebilirsiniz. Bu tasarım, birden fazla test kategorisinin (işlevsel, performans ve güvenlik) aynı anda çalışmasını sağlar ve bu da sorunları daha hızlı bulmayı kolaylaştırır.

figure-protocol-4
Şekil 4: Sistemin kullanıcı arayüzü 2. Bu şekil, PreventativeTestPro çerçevesinin Paralel Yürütme modunu göstermektedir. Kullanıcı, hedef uygulama URL'sini ve yapılandırma detaylarını içeren bir özellik dosyasına giden yolu belirtir. Seçenekler arasında Teste Başla (işlevsel, güvenlik ve performans testlerini paralel çalıştırmak ve logları kaydetmek için), Stop Testing (yürütmeyi durdurmak için) ve Tavsiye Alma (loglar ve metriklerden yapay zeka tabanlı içgörüler elde etmek için) yer alır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 5, PreventativeTestPro çerçevesinin İzleme tabanlı Test Sonlandırma arayüzünü göstermektedir. Bu adımda kullanıcı, izleme çıktı dosyası için yolu, hata veya istisna düğümlerini almak için JSON yol sorgusunu ve oluşturulan vakaları kaydetmek için test deposu yolunu ayarlar. Girdiler ayarlandıktan sonra, kullanıcı önce onlara eşlik eden sınıf ve metodun isimlerini alabilir ve test çekimindeki test vakalarını bulunan sınıf ve yönteme göre sıralayabilir. Bu önceliklendirme adımı, test vakalarını etkili şekilde sıralamak için izleme verilerinin nasıl kullanılacağını gösterir.

figure-protocol-5
Şekil 5: Sistemin kullanıcı arayüzü 3. Bu şekil, sentetik izleme çıktıları kullanılarak PreventativeTestPro çerçevesinde bir test paketinin nasıl önceliklendirileceğini gösterir. Kullanıcı, izleme çıktı dosyasına giden yolu, istisnaları/hataları almak için JSON yolunu ve test deposuna giden yolu (çevrimdışı) girer. Sınıf/Yöntem Adı Alın ve Test Vakaları Alın seçenekleri, eşleme anomalilerini çalıştırılabilen test vakalarına dönüştürmek için kullanılabilir. Bu, çalışma zamanı sorunlarının test sürecine dahil edilmesini sağlar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 6 , PreventativeTestPro'nun Manuel Test Vakası Oluşturma arayüzünü göstermektedir. Bu adımda, kullanıcı programa yığın iz dosyasını nereden bulacağını belirtir; bu dosyanın anomali gösterdiği için yığın iz dosyasına mutlak yol ve yapılandırma özellikleri dosyasına giden yolu sağlar. Girdiler ayarlandıktan sonra, Generate Test Cases seçeneği çalıştırılabilir; bu da anormaliyi yapılandırılmış manuel test vakalarına dönüştürür. Bu, daha önce yaşanan çalışma zamanı hatalarının test sürecine her zaman dahil edilmesini sağlar. Framework, süreci otomatikleştirerek test vakaları oluşturmayı kolaylaştırır. Bu, manuel çalışmayı azaltır, test kapsamını artırır, testleri daha güvenilir hale getirir ve aynı sorunun tekrar yaşanmasını engeller. Bu adım, sorunları bulma ile kalitenin iyi olduğundan emin olmak arasında çok önemli bir bağlantıdır.

figure-protocol-6
Şekil 6: sistemin kullanıcı arayüzü 3. Bu şekil, PreventativeTestPro'nun test vakası oluşturma arayüzünü göstermektedir. Anomali yığını izlerini, Davranış Odaklı Geliştirme (BDD)'de manuel test vakalarına dönüştürür ve kullanılabilir. Kullanıcı, stack trace dosyasına ve özellikler dosyasına giden yolları verir ve ardından "Test Vakaları Oluştur" seçeneğine tıklayarak bulunan hatayla otomatik olarak eşleşen vakalar oluşturur. Bu, çalışma zamanı sorunlarının her zaman tekrarlanabilir regresyon testlerine dönüştürülmesini sağlar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 7 , PreventativeTestPro'nun Otomatik Test Vakası Oluşturma arayüzünü göstermektedir. Bu adımda kullanıcı, gözlemlenebilirlik JSON çıktı dosyasına mutlak yolu ve özelliğin yapılandırma dosyasına giden yolu verir. Otomatik Test Vakaları Oluştur butonuna tıklandığında, sistem izleme verilerini işler ve aynı sorunları göstermek için çalıştırılabilen test vakaları oluşturur.

figure-protocol-7
Şekil 7: Sistemin kullanıcı arayüzü 4. Bu şekil, gözlemlenebilirlik verileri kullanılarak çalıştırılabilen testler yapan PreventativeTestPro'nun otomatik test vakası oluşturma arayüzünü göstermektedir. Kullanıcı, özellikler dosyasına giden yolu ve gözlemlenebilirlik JSON çıktı dosyasını verir. Sonra, "Otomatik Test Vakaları Oluştur" tuşuna tıklayarak çalıştırılabilen betikler (Selenium ve TestNG formatında) oluşturuluyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-protocol-8
Şekil 8: Sistemin kullanıcı arayüzü 5. Bu şekil, PreventativeTestPro'nun Kök Neden Analizi (RCA) için anomli enstrümantasyon arayüzünü göstermektedir. Kullanıcı, özellikler dosyasına ve yığın iz dosyasına giden yolu verir, ardından yapay zeka destekli analizi başlatmak için RCA'yı seçer. Bu adım, tespit edilen anomalileri yapılandırılmış tanısal içgörülere dönüştürür; bu da hataların tekrarlanabilir ve soruna özgü şekilde düzeltilebilmesini sağlar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Sorun Çözümü:

Tablo 1 , yalnızca uygulama koduyla ilgili en önemli sorun giderme noktalarını gösterir. Bu noktalar, PreventativeTestPro çerçevesini çalıştırırken ortaya çıkan kod düzeyindeki sorunları nasıl düzeltileceğini hatırlamanın hızlı bir yoludur. Proje dokümantasyonu, uygulamanın genel işlevselliğini etkileyen sorunların giderilmesinde daha fazla yardım isteyen okuyucular için daha fazla bilgi ve adım adım talimatlar sunar. Tam kaynak şu bağlantıdan alınabilir: https://github.com/sohambpatel/PreventativeTests/wiki/How-to-use%3F. Bu ek referans, kullanıcıların sadece kodlama sorunlarını çözmekle kalmayıp, aynı zamanda fonksiyonların nasıl arıza gidereceğini öğrenmelerini sağlar ve böylece framework'ü daha etkili kullanmalarını sağlar.

Hata DavranışıKök NedenNasıl Düzeltilir?
Uygulama başlamıyorJava Yolu ayarlanmamıştırOrtam değişkeninde JAVA_HOME
Server başlatıldığında arızalanır8080/9090 portu kullanımda (özellikle Docker kullanılırken)Docker port eşlemesi güncellen
GenAI içeriği sıfırToken süresi dolmuş olabilirToken oluşturun ve config.properties dosyasını güncellemeden önce bunu giriş olarak verin
Çerçeve tarafından oluşturulan tarayıcı örneği ağa bağlanmıyorYa ZAP sunucusu çalışmıyor ya da ZAP kimlik bilgileri yanlıştırUygulamayı çalıştırmadan önce ZAP'i aç, eğer çalışıyorsa ve sorun devam ediyorsa, config.properties'te ZAP kimlik bilgilerini güncellemeden önce bunu giriş olarak vermeden önce güncelleyin

Tablo 1: Yaygın önerilen sistem hataları ve hızlı çözümler. Bu tablo, yaygın uygulama spesifik hataları, sorun giderme ve hızlı çözümleri göstermektedir.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Başlangıçta, çeşitli sektörlerle iş birliği içinde yapılan vaka çalışmalarından elde edilen sonuçları gerçek zamanlı olarak paylaştık. Ayrıca, bu çerçeveyi ve algoritmayı kullanan beta testçilerinden elde edilen sonuçları ve sonuçların geçerliliğine yönelik potansiyel riskler üzerine son gözlemleri sunduk.

Sektör vaka çalışması sonuçları:

Pratik uygulamalara odaklanan ve destek endişelerini ele alan araştırmalarımız...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırma, yazılım kalite güvencesini artırmak için sentetik izleme, gözlemlenebilirlik verileri ve üretken yapay zeka destekli otomasyonu entegre eden kapsamlı bir test ve gözlemlenebilirlik platformu olan PreventativeTestPro'yu sunmaktadır. Sistem, üç temel modülden oluşur: bir gözlemlenebilirlik veri toplayıcı ve analizörü, üretken bir yapay zeka tabanlı zeka katmanı ve bir test düzenleme ve yürütme motoru. Bu bileşenler birlikte, gerçek zamanlı sistem davranışlarının test vakası ü...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu makalede bildirilen çalışmayı etkileyebilecek bilinen hiçbir rekabet eden finansal çıkarları veya kişisel ilişkileri olmadığını belirtmektedir. İkizler cümlelerinin yalnızca dilbilgisi cilalaması ve cümlelerin okunmasını kolaylaştırmak için yeniden ifade edilmesi için uygulandığını doğruluyoruz. Doğru ve etik olarak doğru olmak için, yazarlar yapay zekanın önerdiği tüm değişiklikleri özenle revize ederek orijinal bilimsel çağrışımı korudu.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazar, bu araştırma boyunca aşağıdaki kuruluşların sağladığı önemli destek ve iş birliği için teşekkür eder. Bu şirketlerle yapılan iş birliğine dayalı deneysel vaka çalışmaları, önerilen araç ve yöntemi doğrulamada kritik rol oynadı. Deneysel aşamada pratik çevreye, teknik içgörülere ve değerli girdilere erişim sağladıkları için GazonTech, Lopa Engineering, Afour Technologies, QJ Technologies ve SecureLayer7'ye teşekkür edilir. Aktif katılımları, araştırma bulgularının pratik önemini ve kullanılabilirliğini büyük ölçüde artırdı. Yazar, akademik araştırmalara katılmaya hazır olmaları ve yazılım mühendisliği ile siber güvenlik alanlarında yenilik ve sürekli gelişime olan bağlılıkları için derin minnettarlığını ifade etmektedir.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Apache MavenApache Yazılım Vakfı3.9.6Java projeleri için bağımlılık ve proje yönetimi aracı
ChatGPT (GPT-3.5 Turbo API)OpenAIhttps://platform.openai.com/api-keysLoglardan yapay zeka tabanlı test önerileri oluşturmak, manuel test vakalarını oluşturmak, otomatik test vakalarını oluşturmak ve temel neden analizini almak için
Bilgisayar (Geliştirme/Test Makinesi)Standart Masaüstü/Dizüstü Bilgisayar-PreventativeTestPro'nun geliştirilmesi, yürütülmesi ve test edilmesi için kullanılır
Disk Alanı--Loglar, raporlar ve test eserleri için en az 10 GB boş disk alanı önerilir
DockerDocker Inc.27 (https://docs.docker.com/desktop/setup/install/windows-install/) Ortamlar arasında tekrarlanabilirliği sağlamak için konteynerleştirme için kullanılır
GitGit SCMGit Version 2.45.2.windows.1Geliştirme ve iş birliği için kullanılan sürüm kontrol sistemi
GitHub RepositoryGitHubhttps://github.com/sohambpatel/PreventativeTestsKaynak kodu, dokümantasyon, veri setleri ve örnekler içeren halka açık depo
Google ChromeGoogle140.0.7339.128Sentetik izleme ve test için kullanılan birincil tarayıcı
JavaOracle / OpenJDK21.0.2PreventativeTestPro'nun yazılım geliştirmesi ve yürütülmesi için kullanılır
İşletim SistemiPlatform Bağımsız-Araç, Java ve Maven yüklü olan herhangi bir işletim sisteminde (Windows, Linux, macOS) çalışıyor
OWASP ZAPOWASP Vakfı2.14.0Güvenlik tarama ve güvenlik açığı tespit aracı
İşlemci--Intel i5 veya üzeri (veya eşdeğeri) paralel çalıştırma ve yapay zeka işleme için önerilir
RAM--Testler ve tarayıcı tabanlı izleme için en az 8 GB RAM önerilir

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. A novel approach to multiple criteria based test case prioritization. Abid, R., Nadeem, A. 2017 13th International Conference on Emerging Technologies (ICET), Islamabad, Pakistan, , (2017).
  2. Khatibsyarbini, M., Isa, M. A., Jawawi, D. N., Tumeng, R. Test case prioritization approaches in regression testing: A systematic literature review. Inf Softw Technol. 93, 74-93 (2017).
  3. Enhanced weighted method for test case prioritization in regression testing using unique priority value. Ammar, A., Baharom, S., Ghani, A. A. A., Din, J. 2016 International Conference on Information Science and Security (ICISS), Pattaya, Thailand, , (1109).
  4. Using artificial bee colony for code coverage based test suite prioritization. Konsaard, P., Ramingwong, L. 2015 2nd International Conference on Information Science and Security (ICISS), Seoul, Korea, 10, Forthcoming.
  5. Rosero, R. H., Gómez, O. S., Rodríguez, G. Regression testing of database applications under an incremental software development setting. IEEE Access. 5, 18419-18428 (2017).
  6. Customer Service Expectations 2018. , Gladly. Available at: https://www.gladly.com/blog/2018-customer-service-expectations-survey/ (2018).
  7. Must-Know Customer Service Statistics. , Khoros. Available at: https://khoros.com/blog/must-know-customer-service-statistics (2025).
  8. State of the Connected Customer, 4th Ed. , Salesforce. Available at: https://c1.sfdcstatic.com/content/dam/web/en_us/www/documents/research/salesforce-state-of-the-connected-customer-4th-ed.pdf (2025).
  9. Customer Acquisition Study. , HubSpot. Available at: https://blog.hubspot.com/service/customer-acquisition-study (2025).
  10. IT Ticket Handling Best Practices. , Ivanti. Available at: https://www.ivanti.com/blog/it-ticket-handling-best-practices (2025).
  11. Patel, S., Patil, K., Chumchu, P. Quantitative data set on test prioritization and preventative tests. Mendeley Data. V2, (2023).
  12. State of Software Quality Report 2024. , Katalon. Available at: https://katalon.info/hubfs/download-content/ebook/State%20of%20Software%20Quality%20Report%202024.pdf (2025).
  13. Patel, S., Patil, K., Chumchu, P. OBSERVER: Observing Browser Synthetic Environments for Robotization, Verification, Efficiency, and Resilience. Softw Impacts. 24, 100752(2025).
  14. Patel, S., Patil, K., Chumchu, P. Comparative analysis of software solutions for preventative testing and test prioritization. Mendeley Data. V2, (2024).
  15. Intro to Synthetic Monitoring . , New Relic. Available at: https://docs.newrelic.com/docs/synthetics/synthetic-monitoring/using-monitors/intro-synthetic-monitoring (2025).
  16. Observability Glossary. , SolarWinds. Available at: https://www.solarwinds.com/resources/it-glossary/observability (2025).
  17. Patel, S., Patil, K., Chumchu, P. BHRAMARI: Bug driven highly reusable automated model for automated test bed generation and integration. Softw Impacts. 21, 100687(2024).
  18. Failure identification from unstable log data using deep learning. Bogatinovski, J., Nedelkoski, S., Wu, L., Cardoso, J., Kao, O. 2022 22nd IEEE International Symposium on Cluster, Cloud and Internet Computing (CCGrid), Taormina, Italy, , (2022).
  19. Creating test cases for testing software using anonymized log data. U.S. Patent. , US11709764B2. USPTO (2023).
  20. Towards test architecture based software product line testing. Lee, J., Kang, S. 2014 IEEE 38th Annual Computer Software and Applications Conference (COMPSAC), Vasteras, Sweden, , (2014).
  21. QEX: Automated testing observability and QA developer experience framework. Locke, H. L., Ting Keshia, Y. K., Yu, J. C. K., Chua, H. Y. 2023 IEEE Conference on Software Testing, Verification and Validation (ICST), Dublin, Ireland, , (1109).
  22. Intelligent testing in software industry. Lal, A., Kumar, G. 2021 12th International Conference on Computing Communication and Networking Technologies (ICCCNT), Kharagpur, India, , (2021).
  23. Instrumenting contracts with aspect-oriented programming to increase observability and support debugging. Briand, L. C., Dzidek, W. J., Labiche, Y. 2005 21st IEEE International Conference on Software Maintenance (ICSM), Budapest, Hungary, , (1109).
  24. An empirical analysis of blind tests. Baral, K., Offutt, J. 2020 IEEE 13th International Conference on Software Testing, Validation and Verification (ICST), Porto, Portugal, , (1109).
  25. Rott, J. Test intelligence: How modern analyses and visualizations in Teamscale support software testing. 2022 1st International Workshop on Visualization in Testing of Hardware, Software, and Manufacturing (TestVis), Oklahoma City, OK, USA, , (2022).
  26. Collins, E. F., de Lucena, V. F. Software test automation practices in agile development environment: An industry experience report. 2012 7th International Workshop on Automation of Software Test (AST), Zurich, Switzerland, , (2012).
  27. BugSwarm: Mining and continuously growing a dataset of reproducible failures and fixes. Tomassi, D. A., Dmeiri, N., Wang, Y., Bhowmick, A., Liu, Y. C., Devan, P. T. 2019 IEEE/ACM International Conference on Software Engineering (ICSE), Montreal, Canada, , (2019).
  28. Towards combining functional requirements tests and unit tests as a preventive practice against software defects. Dudila, R., Letia, I. A. 2013 International Conference on Control Systems and Computer Science (ICCP), Sinaia, Romania, , (2013).
  29. Fushihara, Y., Aman, H., Amasaki, S., Yokogawa, T., Kawahara, M. A trend analysis of test smells in Python test code over commit history. 2023 49th Euromicro Conference on Software Engineering and Advanced Applications (SEAA), Durres, Albania, , (2023).
  30. SUPERNOVA: Automating test selection and defect prevention in AAA video games using risk-based testing and machine learning. Senchenko, A., Patterson, N., Samuel, H., Ispir, D. 2022 IEEE Conference on Software Testing, Verification and Validation (ICST), Valencia, Spain, , (2022).
  31. A software maintenance methodology: An approach applied to software aging. Araujo, J., Melo, C., Oliveira, F., Pereira, P., Matos, R. 2021 IEEE International Systems Conference (SysCon), Vancouver, BC, Canada, , Forthcoming.
  32. Mutual Automobile Insurance Company. Mutation Testing in Parallel Threads. U.S. Patent. , US11163675B1. USPTO (2021).
  33. Machine learning-based decision-making for autonomous systems communication. U.S. Patent. , US11366748B1. USPTO (2022).
  34. Use sequential set index for root cause location and problem detection. U.S. Patent. Huo, Z. P., et al. , US11645142B1. USPTO (2023).
  35. Selenium WebDriver. , Selenium. https://www.selenium.dev (2025).
  36. The Katalon Platform. , Katalon. Available from: https://katalon.com (2025).
  37. Apache JMeter. , Apache Software Foundation. Available from: https://jmeter.apache.org (2024).
  38. OWASP ZAP (Zed Attack Proxy). , OWASP Foundation. Available from: https://www.zaproxy.org/ (2025).
  39. Xray by Xpand IT. Xray - Test Management for Jira. , Xray. Available from: https://www.getxray.app (2025).
  40. Tricentis Copilot. , Tricentis. Available from: https://www.tricentis.com/products/copilot/ (2025).
  41. SmartQ Tech Products. , SmartQ Technologies. Available from: https://www.thesmartq.com/smartq-tech-products/ (2025).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Hybrid TestingObservability AutomationGenerative AI TestingSoftware Quality EngineeringTest OrchestrationBlack Box TestingWhite Box TestingLog AnalysisRegression CoverageAnomaly Detection

Related Articles