مقاله مجموعه داده عملکرد سیستم آزمایش وسترمو

چکیده

There is a growing body of knowledge in the computer science, software engineering, software testing and software test automation disciplines. However, a challenge for researchers is to evaluate their research findings, ideas and tools due to lack of realistic data. This paper presents the Westermo test system performance data set. More than twenty performance metrics such as CPU and memory usage sampled twice per minute for a month on nineteen test systems driving nightly testing of cyber-physical systems has been anonymized and released. The industrial motivation is to spur work on anomaly detection in seasonal data such that one may increase trust in nightly testing. One could ask: If the test system is in an abnormal state – can we trust the test results? How could one automate the detection of abnormal states? The data set has previously been used by students and in hackathons. By releasing it we hope to simplify experiments on anomaly detection based on rules, thresholds, statistics, machine learning or artificial intelligence, perhaps while incorporating seasonality. We also hope that the data set could lead to findings in sustainable software engineering.

چکیده به فارسی (ترجمه ماشینی)

دانش در حال رشد دانش در علوم کامپیوتر ، مهندسی نرم افزار ، تست نرم افزار و رشته های اتوماسیون تست نرم افزار وجود دارد.با این حال ، یک چالش برای محققان ارزیابی یافته ها ، ایده ها و ابزارهای تحقیق خود به دلیل عدم وجود داده های واقع گرایانه است.در این مقاله مجموعه داده های عملکرد سیستم تست WesterMo ارائه شده است.بیش از بیست معیار عملکردی مانند CPU و استفاده از حافظه دو بار در دقیقه برای یک ماه در نوزده سیستم آزمایشی که در حال آزمایش آزمایش شبانه سیستم های سایبر فیزیکی هستند ، ناشناس و منتشر شده است.انگیزه صنعتی این است که در داده های فصلی به کار در مورد تشخیص ناهنجاری برسد به گونه ای که ممکن است اعتماد به آزمایش شبانه افزایش یابد.می توان پرسید: اگر سیستم آزمون در حالت غیر طبیعی قرار دارد – آیا می توانیم به نتایج آزمون اعتماد کنیم؟چگونه می توان تشخیص حالت های غیر طبیعی را خودکار کرد؟مجموعه داده ها قبلاً توسط دانشجویان و هکاتون ها استفاده شده است.با انتشار آن امیدواریم که آزمایشات مربوط به تشخیص ناهنجاری را بر اساس قوانین ، آستانه ها ، آمار ، یادگیری ماشین یا هوش مصنوعی ساده کنیم ، شاید در حالی که فصلی را در بر می گیرد.ما همچنین امیدواریم که مجموعه داده ها می تواند به یافته های مهندسی نرم افزار پایدار منجر شود.