Thèse Année : 2025

From theory to industrial application : a principled selection and evaluation of regression testing methods

De la théorie à l'application industrielle : sélection et évaluation fondées sur des principes des méthodes de tests de non-régression

Résumé

The optimization of regression testing (RT) has been widely studied in the literature, and numerous methods exist. This work focuses on the practical deployment of RT methods in Industry. It addresses the following challenge: among the many existing methods, how to determine which ones are suitable for a specific industrial context?The thesis investigates a taxonomy-based approach to assist practitioners in the characterization of their RT problem, the selection of feasible candidate solutions and their evaluation in the industrial context. The contributions are the following: 1) the proposal of an approach that builds on a recent taxonomy of RT concepts, allowing for an alignment between RT problems and candidate RT solutions; 2) an empirical assessment of the approach through a real-world case study, involving two software systems embedded into connected vehicles; 3) feedback on the usability of the taxonomy; 4) feedback on the real-world problem, including the constraints faced in the evaluation of RT methods, and the results of this evaluation. The approach delivered on its promise, enabling the identification of RT methods suitable for the studied problem. However, this success came at the cost of difficulties due to unclear taxonomy elements, missing ones, and errors in the taxonomy-based classification of methods. We conclude that the proposed alignment between problems and solution is relevant in principle, but that the taxonomy would have to mature. Our work identifies avenues for improvement.

L'optimisation du test de non régression a été très étudié dans la littérature, donnant lieu à de nombreuses méthodes. Nos travaux s'intéressent au déploiement de ces méthodes dans l'industrie. Ils traitent le défi suivant : parmi les nombreuses méthodes de test de non régression, comment déterminer celles qui seront les plus adaptées à un contexte industriel spécifique ?La thèse explore une méthodologie pour aider les praticiens à caractériser leur problème de test, sélectionner les méthodes candidates applicables et lesévaluer dans le contexte industriel. Les contributions sont : 1) la définition d'une méthodologie basée sur une taxonomie récente du test de non-régression, permettant un alignement entre le problème de test et les solutions candidates ; 2) l'évaluation empirique de la méthodologie par une étude cas industrielle, impliquant deux systèmes embarqués dans des véhicules connectés; 3) des retours détaillés sur l'utilisation de la taxonomie ; 4) des retours sur l'exemple réel étudié, incluant l'analyse des contraintes rencontrées pour évaluer les méthodes candidates, ainsi que l'analyse des résultats de cette évaluation. La méthodologie a tenu ses promesses, permettant de trouver des méthodes de test de non régression adaptées au problème étudié. Cependant, ce succès a été obtenu au prix de difficultés dues à des concepts peu clairs ou manquants dans la taxonomie, et à des erreurs dans la classification des méthodes selon la taxonomie. Nous concluons que l'alignement proposé entre problèmes et solutions est pertinent dans son principe, mais que la taxonomie aurait besoin mûrir. Nos travaux identifient des pistes d'amélioration.

Fichier principal
Vignette du fichier
2025MariaLauraBRZEZINSKIMEYER.pdf (15.8 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05409750 , version 1 (03-10-2025)
tel-05409750 , version 2 (10-12-2025)

Licence

Identifiants

  • HAL Id : tel-05409750 , version 2

Citer

Maria Laura Brzezinski Meyer. From theory to industrial application : a principled selection and evaluation of regression testing methods. Automatic Control Engineering. Université de Toulouse, 2025. English. ⟨NNT : 2025TLSEI019⟩. ⟨tel-05409750v2⟩
1442 Consultations
199 Téléchargements

Partager

  • More