MétaCan
Menu
← Retour à la cohorte
Enregistrement W2996318555 · doi:10.22215/etd/2014-10501

Modeling Use-Case Sequential Dependencies Using ACL

2014· dissertation· en· W2996318555 sur OpenAlexaff
Inam U. Haq

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueSoftware Engineering Research
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSemantics (computer science)Programming languageIndependence (probability theory)Ask priceUnary operationTheoretical computer scienceMathematics

Résumé

récupéré en direct d'OpenAlex

UML's support for modeling inter-use-case semantics is very limited.Briand and Labiche (2002) propose the TOTEM methodology to address the generation of tests for such dependencies.However, their generation algorithm, which heavily relies the notion of interleaving, presents one major problem: even for small examples, the number of sequences of use cases to test is unmanageable.The question we ask is: is it feasible to capture use cases and their sequential dependencies in a specification whose executability can allow system-level testing while avoiding the explosion of the number of use case sequences to generate?To answer positively this question we develop a specification for TOTEM's library system in Arnold and Corriveau's ACL specification language and explain how this specification can be used to generate a manageable number of tests.The key idea is that by modeling use case mutual independence we can considerably reduce the number of tests.For example, Robert Binder (2000) has introduced the notion of extended use cases (eUCs) for system-level testing.Roughly put, an eUC can be thought of as a parameterized use case, the parameters of each use case corresponding to the path sensitization variables required to cover the different scenarios (i.e., paths) through that use case (Ibid.).In UML, the requirements of a system are to be modeled using a set of use cases.These use cases, as well as their relationships (i.e., between themselves and with actors) are captured in a use case diagram (Pilone, 2013).Unfortunately, it is widely acknowledged that UML's support for modeling inter-use-case semantics is very limited.In fact, it consists of only two built-in stereotypes: i) a use case may include another one and ii) a use case may extend another one (Ibid.).The exact semantics of these relationships is still debated.More importantly, these two stereotypes are not sufficient to address (the possibly complex) sequential dependencies between use cases, as explained at length by Ryser and Glinz (2000).Binder (2000) defines system testing as concerned with testing an entire system based on its specifications.This task involves the validation of both functional and non-functional (e.g., performance) requirements.In their seminal paper on system testing using UML, Briand and Labiche (2002) remark:[T]hough system testing techniques are in principle implementation-independent, they depend on the notations used to represent the system specifications.In the context of UML-based object-oriented analysis, it is then necessary to develop techniques to derive system test requirements from analysis models such as use case models, interaction diagrams, or class diagrams.To this end, these authors propose the TOTEM methodology that addresses the generation of test requirements from a set of UML artifacts namely: a use case diagram, use case descriptions (in natural language), a sequence diagram for each use case, class diagrams,

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,022
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0040,002
Études des sciences et des technologies0,0010,002
Communication savante0,0040,006
Science ouverte0,0030,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,078
Tête enseignante GPT0,326
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoftware Engineering Research→Travaux en français237 207→