Інтелектуальна модель генерації адаптивних веб-селекторів на основі GNN
DOI:
https://doi.org/10.31649/1681-7893-2025-50-2-142-149Ключові слова:
програмне забезпечення, інформаційні технології, інтелектуальні системи, автоматизоване тестування, графові нейронні мережі (GNN)Анотація
У статті розглянуто проблему нестабільності DOM-селекторів, яка є однією з ключових причин появи flaky-тестів у сучасних системах автоматизованого тестування веб-ресурсів. Показано, що традиційні підходи до формування селекторів – як ручні, так і автоматизовані – не враховують глобальний контекст DOM-структури та є малоефективними у випадку динамічних змін інтерфейсу. Обґрунтовано доцільність використання графових нейронних мереж (GNN) як інструменту моделювання DOM-дерева у вигляді орієнтованого графа з урахуванням семантичних, атрибутивних та структурних ознак вузлів. Запропоновано теоретичну модель побудови адаптивних DOM-селекторів, що поєднує GNN з агентом прийняття рішень. Розроблено математичне подання DOM-графа, систему ознак вузлів (one-hot кодування тегів, бінарні атрибути id/class/data-testid, глибина, кількість нащадків, позиція серед сусідів), а також формалізовано метрики оцінювання селекторів: унікальність, точність, повнота, F1-міра та довжина. Сформовано функцію винагороди агента, яка оптимізує баланс між точністю, стабільністю та компактністю селектора. Показано, що поєднання графових репрезентацій DOM (Document object model) та механізму оптимізації рішень дає змогу створювати селектори, стійкі до структурних змін веб-сторінок, а також скорочує потребу у ручній підтримці тестів. Запропонована модель формує теоретичне підґрунтя для створення інтелектуальних систем автоматизованого тестування, здатних адаптувати локатори під час зміни DOM без необхідності повного аналізу інтерфейсу тестувальником.
Посилання
Lawson, R. Web Scrapping with Python; Packt Publishing: Birmingham, UK, 2015
K. Parikh, D. Singh, D. Yadav, and M. Rathod, “Detection of web scraping using machine learning,” Open access international journal of Science and Engineering, pp. 114–118, 2018.
Kipf, T. N. & Welling, M. Semi-supervised classification with graph convolutional networks. International Conference on Learning Representations (2017). DOI:
https://doi.org/10.48550/arXiv.1609.02907.
Veličković, P. et al. Graph attention networks. International Conference on Learning Representations (ICLR, 2017). DOI: https://doi.org/10.48550/arXiv.1710.10903.
Jianan Zhao, Xiao Wang, Chuan Shi, Binbin Hu, Guojie Song, and Yanfang Ye. 2021. Heterogeneous graph structure learning for graph neural networks. In Proceedings of the AAAI Conference on Artificial Intelligence. 4697–4705. DOI: https://doi.org/10.1609/aaai.v35i5.16600.
Zheng Y, Liu Y, Xie X, et al. Automatic web testing using curiosity-driven reinforcement learning. In: Proceedings of the 43rd International Conference on Software Engineering, 2021. 423–435. DOI: https://doi.org/10.48550/arXiv.2103.06018.
Vu Nguyen, Thanh To, and Gia-Han Diep. 2021. Generating and selecting resilient and maintainable locators for Web automated testing. Software Testing, Verification and Reliability 31, 3 (2021), e1760. DOI: https://doi.org/10.1002/stvr.1760.
Nguyen, L. M., Hui, S. C., & Fong, C. A. (2013). Large-scale multiobjective static test generation for web-based testing with integer programming. IEEE Transactions on Learning Technologies, (1), 46–59. DOI: https://doi.org/10.1109/TLT.2012.22.
M. T. Taky, Automated Testing With Cypress. PhD thesis, 2021.
Sanjay Dutta, What is One-hot Encoding in Machine Learning? A Comperehesive Guide with examples. Medium. Режим доступу https://medium.com/@sanjay_dutta/what-is-one-hot-encoding-in-machine-learning-a-comprehensive-guide-with-examples-090f037a6bbe
B. Yeoh and H. Wang, “Grown+ up: A “graph representation of a webpage ” network utilizing pre-training,” in Proceedings of the 31st ACM International Conference on Information & Knowledge Management, pp. 2372–2382, 2022. DOI: https://doi.org/10.1145/3511808.3557340.
Sheng Jia, Jamie Kiros, Jimmy Ba, “DOM-Q-NET: Grounded RL on Structured Language”. International Conference on Learning Representations (2017). DOI:
https://doi.org/10.48550/arXiv.1902.07257
Y. Lan, Y. Lu, Z. Li, M. Pan, W. Yang, T. Zhang, and X. Li, “Deeply reinforcing android gui testing with deep reinforcement learning,” in Proceedings of the 46th IEEE/ACM International Conference on Software Engineering, 2024, pp. 1–13. DOI: https://doi.org/10.1145/3597503.3623344
Ali Hassaan Mughal. 2025. An Autonomous RL Agent Methodology for Dynamic Web UI Testing in a BDD Framework. DOI: https://doi.org/10.48550/arXiv.2503.08464
##submission.downloads##
-
PDF
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
