Practical Guidance for IoT Systems Testing: A Taxonomy
Notice bibliographique
Résumé
The Internet of Things (IoT) has transformed the way we interact with technology and devices. Several IoT systems are being deployed across diverse domains. They fulfill critical tasks and, thus, must function correctly and securely and meet the users' expectations. However, testing IoT systems poses many challenges, primarily due to their distributed nature, dynamism, and heterogeneity as well as the multiple layers of which they are composed, i.e., device, edge, cloud, and application layers. The absence of testing guidance can hinder the quality of IoT systems. Testing guidelines, including taxonomy, are vital for proper IoT systems testing. In the context of software testing, taxonomy organizes and categorizes testing aspects, helping testers to understand what, how, and when to test. However, no IoT systems testing taxonomy exists, and traditional software testing taxonomy may not sufficiently meet IoT systems testing requirements. To address this, we introduce an IoT-specific testing taxonomy, informed by a review of 83 primary studies and validated through surveys with 16 IoT industry practitioners. The feedback collected from practitioners shows that our taxonomy can help IoT testers to improve efficiency of testing. This taxonomy can help the testers to increase test coverage, enhance the efficiency and effectiveness of testing efforts, and ensure thorough testing of important system aspects, thus ensuring functional correctness, improving the security of IoT systems, and better meeting users' expectations.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,037 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,027 | 0,015 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,010 | 0,018 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».