11.8. SBSE for Nonfunctional Proper

11.8. SBSE for Nonfunctional Properties

There has been much work on stress testing [Alander et al. 1997b; Briand et al. 2005,
2006; Garousi 2006, 2008; Garousi et al. 2008; Mantere 2003] and temporal testing
[Alander et al. 1997a, 1998, 1997b, 1996; Dillon 2005; Groß 2000, 2001; Groß et al.
2000; Groß and Mayer 2002, 2003; Pohlheim and Wegener 1999; Tlili et al. 2006;
Wegener and Grochtmann 1998; Wegener et al. 1997a, 1997b; Wegener and Mueller
2001], but far less on other non functional properties such as heat dissipation and
power consumption [Joshi et al. 2008; White et al. 2008] and thermal properties such
as temperature and heat dissipation [Joshi et al. 2008]. The problem of QoS introduced
by Canfora et al. [2005a] also denotes an area of nonfunctional optimization in SE
¨
which has recently witnessed an upsurge in activity and interest [Jaeger and Muhl
2007; Ma and Zhang 2008; Su et al. 2007; Zhang et al. 2006, 2007b].
It seems likely that the drive to ever-smaller devices and to massively networked
devices will make these issues far more pressing in the future, thereby engendering
more research in this area. These are important emergent SE paradigms, though
perhaps not widely regarded as current mainstream SE. Afzal et al. [2009] provided a
detailed in-depth survey of approaches to testing nonfunctional requirements, to which
the reader is referred for a more detailed treatment of this area.

11.9. Multiobjective Optimization

SE problems are typically multiobjective problems. The objectives that have to be
met are often competing and contradictory. For example, in project planning, seeking
earliest completion time at the least expensive overall cost will lead to a conflict of
objectives. However, there is no necessary simple trade-off between the two, making it
desirable to find “sweet spots” that optimize both.
Suppose a problem is to be solved that has n fitness function, f 1 , . . . , fn that take some
vector of parameters x . One simple-minded way to optimize these multiple objectives
is to combine them into a single aggregated fitness, F , according to a set of coefficients,
c , . . . , c : F = n c f (x ). This approach works when the values of the coefficients
i n i=1 i i
determine precisely how much each element of fitness matters. For example, if two
fitness functions, f 1 and f2 are combined using F = 2 · f 1(x ) + f2 (x ) then the coefficients
c1 = 2, c2 = 1 explicitly capture the belief that the property denoted by fitness function
f 1 is twice as important as that denoted by fitness function f2 . The consequence is that
the search may be justified in rejecting a solution that produces a marked improvement
in f2 , if it also produces a smaller reduction in the value of f 1.
Most work on SBSE uses software metrics in one form or another as fitness functions
[Harman and Clark 2004]. However, the metrics used are often those that are measured
on an ordinal scale [Shepperd 1995]. As such, it is not sensible to combine these metrics
into an aggregate fitness in the manner described earlier. The use of Pareto optimality
is an alternative to aggregated fitness. It is superior in many ways. Under Pareto
optimality, one solution is better than (i.e., dominates) another if it is better according
to at least one of the individual fitness functions and no worse according to all of the
others.
When searching for solutions to a problem using Pareto optimality, the search yields
a set of solutions that are nondominated, that is, each member of the nondominated set
is no worse than any of the others in the set, but also cannot be said to be better. Any
set of nondominated solutions forms a Pareto front. Consider Figure 6, which depicts
the computation of Pareto optimality for two imaginary fitness functions (objective 1
and objective 2). In the figure, points S 1, S2, and S3 lie on the Pareto front, while S4
and S5 are dominated. Interested readers may refer to Collette and Siarry [2004] for
further details about multiobjective optimization and Pareto optimality.

Kết quả (Việt) 1:

11.8. SBSE Nonfunctional tài sản Đã có nhiều công việc căng thẳng thử nghiệm [Alander et al. 1997b; Briand et al. 2005, năm 2006; Garousi 2006, 2008; Garousi et al. 2008; Mantere 2003] và thời gian thử nghiệm [Alander et al. 1997a, 1998, 1997b, 1996; Dillon 2005; Groß 2000, năm 2001; Groß et al. năm 2000; Groß và Mayer 2002, 2003; Pohlheim và Wegener 1999; Tlili et al. 2006; Wegener và Grochtmann năm 1998; Wegener et al. 1997a, 1997b; Wegener và Mueller năm 2001], nhưng đến nay ít hơn vào các đặc tính chức năng không như tản nhiệt và điện năng tiêu thụ [Joshi et al. 2008; Trắng et al. 2008] và nhiệt đặc tính như vậy là nhiệt độ và nhiệt tản [Joshi et al. 2008]. Vấn đề của QoS giới thiệu bởi Canfora et al. [2005a] cũng biểu thị này có diện tích tối ưu hóa nonfunctional ở SE ¨ mà gần đây đã chứng kiến đấm trong hoạt động và quan tâm đến [Jaeger và Muhl năm 2007; Ma và Zhang 2008; Su et al. 2007; Trương et al. 2006, 2007b]. Có vẻ như có khả năng rằng các ổ đĩa cho các thiết bị nhỏ hơn bao giờ hết và để một cách ồ ạt nối mạng thiết bị sẽ làm cho những vấn đề bức xúc hơn trong tương lai, do đó engendering Thêm nghiên cứu trong lĩnh vực này. Đây là quan trọng paradigms Nam cấp cứu, mặc dù có lẽ không rộng rãi coi như hiện tại chủ đạo SE. Yen et al. [2009] cung cấp một chi tiết cuộc khảo sát sâu của phương pháp tiếp cận để thử nghiệm yêu cầu nonfunctional, mà người đọc được gọi cho một điều trị chi tiết hơn của khu vực này. 11.9. tối ưu hóa multiobjective Tây-Tây Bắc vấn đề là vấn đề thường multiobjective. Các mục tiêu phải gặp gỡ thường là cạnh tranh và mâu thuẫn. Ví dụ, trong dự án quy hoạch, tìm kiếm thời gian hoàn thành sớm nhất với chi phí tổng thể ít tốn kém sẽ dẫn đến một conflict của mục tiêu. Tuy nhiên, có là không có thương mại-off đơn giản cần thiết giữa hai, làm cho nó mong muốn cho nhiều "sweet điểm" giúp tối ưu hóa cả hai. Giả sử một vấn đề là để được giải quyết rằng có n fitness hoạt động, f 1,..., fn mà phải mất một số Các véc tơ của tham số x. Một trong những cách minded để tối ưu hóa các mục tiêu nhiều là để kết hợp chúng thành một fitness tổng hợp duy nhất, F, theo một bộ coefficients, c,..., c: F = n c f (x). Cách tiếp cận này làm việc khi các giá trị của các coefficients Tôi n tôi = 1 tôi tôi xác định chính xác bao nhiêu mỗi phần tử của fitness vấn đề. Ví dụ, nếu hai Chức năng fitness, f 1 và f2 được kết hợp bằng cách sử dụng F = 2 · f 1 (x) + f2 (x) sau đó các coefficients C1 = 2, c2 = 1 một cách rõ ràng chụp niềm tin rằng tài sản ký hiệu là fitness chức năng f 1 là gấp đôi quan trọng như là biểu hiện bằng fitness chức năng f2. Hậu quả là Tìm kiếm có thể là justified trong từ chối một giải pháp mà sản xuất một cải tiến được đánh dấu ở f2, nếu nó cũng tạo ra một sự giảm nhỏ hơn trong giá trị của f 1. Các công việc hầu hết trên SBSE sử dụng phần mềm số liệu trong một hình thức này hay cách khác là fitness chức năng [Harman và Clark năm 2004]. Tuy nhiên, các số liệu được sử dụng thường là những người được đo trên một thứ tự quy mô [Shepperd 1995]. Như vậy, nó không phải là hợp lý để kết hợp các số liệu vào một fitness tổng hợp theo cách mô tả trước đó. Việc sử dụng của Pareto điều là một thay thế cho tổng hợp fitness. Nó là cao trong nhiều cách. Dưới Pareto điều, một giải pháp là tốt hơn so với (tức là, chi phối) khác nếu nó là tốt hơn theo để tối thiểu là một trong các chức năng cá nhân fitness và không có tồi tệ hơn theo tất cả các những người khác. Khi tìm kiếm các giải pháp cho một vấn đề bằng cách sử dụng Pareto điều, tìm kiếm sản lượng một tập hợp các giải pháp là nondominated, có nghĩa là, mỗi thành viên của bộ nondominated không tồi tệ hơn bất kỳ những người khác trong các thiết lập, nhưng cũng không thể nói là tốt hơn. Bất kỳ tập hợp các giải pháp nondominated tạo thành một mặt trận Pareto. Xem xét con số 6, trong đó mô tả tính toán của Pareto điều cho hai tưởng tượng fitness chức năng (mục tiêu 1 và mục tiêu 2). Trong figure, điểm S 1, S2, và S3 nằm trên mặt trận Pareto, trong khi S4 và S5 bị áp đảo. Độc giả quan tâm có thể là Collette và Siarry [năm 2004] cho biết thêm chi tiết về tối ưu hóa multiobjective và Pareto điều.