Identificazione Automatica di Dati di Input Significativi per il Test di Applicazioni Web​

Data la crescente diffusione e complessità delle applicazioni web, testarle propriamente è diventato fondamentale per ridurre l'impatto degli errori sull'esperienza di utilizzo dell'utente, nonché sulla sicurezza e immagine delle aziende che le offrono. Al crescere della complessità dell'applicazione, cresce il costo ed il tempo richiesto per testarla manualmente. Per questo motivo, è utile implementare generatori automatici di casi di test. Un problema della generazione automatica è quello di costruire dati strutturalmente validi, in accordo alle regole strutturali specificate dall'applicazione. Un problema più complesso è quello della generazione di dati realistici, che non solo sono strutturalmente validi, ma che abbiano anche semantiche che li leghino ad entità nel mondo reale. L'utilizzo di dati realistici aumenta la capacità di esplorare l'applicazione e di trovare malfunzionamenti. Come è possibile generare automaticamente questo tipo di dati? Una possibile soluzione viene dal fatto che le applicazioni web sono spesso collegate ad un database che può fungere da fonte di dati realistici. Questa tesi ha come obiettivo lo sviluppo e la valutazione dell'efficacia di un nuovo approccio per la generazione automatica di dati realistici per il testing basato sull'utilizzo di dati preesistenti memorizzati nel database utilizzato dall'applicazione da testare. Viene presentato un algoritmo che, tramite l'analisi di proprietà e identificatori, caratterizza gli elementi di input di una web app e crea associazioni semantiche con elementi presenti in un database. In seguito, è possibile ricavare automaticamente combinazioni realistiche di dati utilizzando queste associazioni. Questo algoritmo è stato implementato ed utilizzato in un software, scritto in linguaggio C#, che effettua black-box testing di web app. La struttura del codice è stata sviluppata a partire da quella di AutoBlackTest, un software che utilizza tecniche di machine learning per effettuare black-box testing di applicazioni desktop. ​