Szczegóły publikacji
Opis bibliograficzny
An unsupervised machine learning approach for regression testing queue optimisation in 5G base stations — Wykorzystanie metod nienadzorowanego uczenia maszynowego do optymalizacji kolejki testów regresyjnych w stacjach bazowych 5G / Sebastian ZARĘBSKI, Marcin Jokiej, Marcin Szczukiewicz, Krzysztof RUSEK, Piotr CHOŁDA // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496. — 2023 — R. 96 nr 4, s. 208–211. — Tryb dostępu: https://krit2023.tele.agh.edu.pl/files/Przeglad_Telek_4_2023_... [2023-09-29]. — Bibliogr. s. 211, Streszcz., Abstr. — S. Zarębski - dod. afiliacja: NOKIA Kraków. — Konferencja Radiokomunikacji i Teleinformatyki KRiT 2023 : 20–22 września 2023, Kraków
Autorzy (5)
- AGHZarębski Sebastian
- Jokiej Marcin
- Szczukiewicz Marcin
- AGHRusek Krzysztof
- AGHChołda Piotr
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 148946 |
|---|---|
| Data dodania do BaDAP | 2023-09-29 |
| DOI | 10.15199/59.2023.4.44 |
| Rok publikacji | 2023 |
| Typ publikacji | referat w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne |
Streszczenie
W organizacji działającej w oparciu o zwinne podejście do rozwoju oprogramowania, gdzie cykle życia oprogramowania są bardzo krótkie (np. dwa tygodnie), zmiany w oprogramowaniu są bardzo częste. Zazwyczaj zasoby są ograniczone — prąd jest drogi, linie testowe są stale zajęte, a części sprzętu muszą być zarezerwowane tylko do testów regresyjnych. W tej perspektywie testy regresyjne mogą wprowadzić wiele niepotrzebnych kosztów całkowitych. Porównując metody statystyczne oraz nienadzorowanego uczenia maszynowego odkryliśmy, że dzięki jednolitej naturze zmian w kodzie, można łatwo osiągnąć 90% dokładności przewidywania błędów przy jednoczesnym zmniejszeniu pierwotnej kolejki testów o 25%.
Abstract
In organization with applied agile software development, where software life cycles are very short (i.e. two weeks), changes to the software are very frequent. Usually resources are scarce – power is expensive, test lines are constantly occupied, and hardware parts must be booked only for regression testing. In this perspective, regression testing might introduce a lot of unnecessary overhead. By comparing statistical methods and related to unsupervised machine learning methods, we discovered that due to a uniform nature of code changes, one can easily achieve 90% of bug prediction accuracy while reducing the original testing queue by 25%.
