Learning Featured Transition Systems

Défense de thèse de Sophie FORTZ

Les Systèmes hautement configurables (SHC) sont des systèmes logiciels dont les caractéristiques et le comportement peuvent être modifiés par
l’activation ou la désactivation de certaines options. Aborder la variabilité de manière proactive lors des activités de génie logiciel (GL) signifie passer
d’un raisonement basé sur un seul système, à un raisonnement au niveau d’une famille de systèmes. Adopter les bonnes techniques de gestion de la variabilité

entraînent d’importantes économies d’échelle et améliorent la qualité du système. A l’inverse, la variabilité peut également être une malédiction,
en particulier pour l’Assurance Qualité (AQ), c’est-à-dire la vérification et le test de tels systèmes, en raison de l’explosion combinatoire du nombre de
variants logiciels. En effet, en combinant seulement 33 options booléennes, on peut définir plus de variants d’un système que le nombre de personne sur Terre.
Vérifier ou tester chaque variant individuellement est donc impossible dans la grande majorité des cas pratiques.
Il y a plus d’une dizaine d’années, les Featured Transition Systems (FTSs) ont été introduits comme un formalisme pour représenter et raisonner
sur le comportement des SHC. Au lieu de représenter chaque variant par un système de transition classique, un FTS est doté d’annotations qui relient
les transitions aux options via des feature expressions. Les FTSs rendent ainsi possible la réflexion au niveau de la famille en modélisant tous les variants d’un système dans un seul modèle comportemental. Les FTSs ont montré qu’ils améliorent considérablement les possibilités et le temps d’exécution des activités automatisées d’assurance qualité telles que la vérification et les tests basés sur les modèles. Ils ont également montré leur utilité pour guider les activités d’exploration de conception. Cependant, comme la plupart des approches
basées sur les modèles, la modélisation de FTSs nécessite à la fois une grande expertise humaine et un effort significatif qui serait prohibitif dans de
nombreux cas, en particulier pour les grands systèmes avec des spécifications obsolètes et/ou des systèmes qui évoluent en continu.
Par conséquent, cette thèse vise à apprendre automatiquement des FTSs à partir d’artefacts existants, afin de faciliter la modélisation et de
soutenir les activités d’AQ continue. Pour répondre à ce challenge, nous proposons une approche en deux phases. Tout d’abord, nous nous appuyons sur des
techniques d’apprentissage profond pour localiser la variabilité à partir de traces d’exécution. A cette fin, nous avons implémenté un outil appelé VaryMinions.

Ensuite, nous utilisons ces traces annotées pour apprendre un FTS. Dans cette deuxième partie, nous adaptons l’algorithme fondateur L∗ pour apprendre la
variabilité comportementale. Les deux frameworks sont open-sources et ont été évalués séparément sur plusieurs ensembles de données de tailles et d’origines
différentes (par exemple, des lignes de produits logiciels et des processus business configurables).

 

Pour toute inscription: pour une bonne organisation, merci de donner votre réponse pour le mercredi 13 septembre au moyen de ce lien : https://www.unamur.be/info/formulaires/sfortz_thesis

Contact : Isabelle Daelman - isabelle.daelman@unamur.be
Télecharger : vCal