Aplicación de modelos de aprendizaje profundo al Predictive Mutation Testing

Abstract

Este proyecto surge de una de las principales limitaciones de la técnica de Prueba de Mutantes, o Mutation Testing. Este método de validación del software permite evaluar la eficacia de un conjunto de pruebas introduciendo modificaciones pequeñas e intencionadas, denominadas mutantes, en el código fuente. El objetivo es comprobar si las pruebas implementadas son capaces de detectar los cambios generados, lo que sirve como indicador de su capacidad para encontrar errores reales.

En este contexto, es el proyecto elaborado el que se centra en abordar los principales desafíos asociados a esta técnica, el elevado coste computacional que implica ejecutar la totalidad de las pruebas sobre cada mutante generado. Con este trabajo se propone avanzar en la prueba de mutantes predictiva, conocida como PMT (Predictive Mutation Testing), que plantea reemplazar la ejecución directa de los mutantes por un proceso de predicción automatizada, mediante el diseño y análisis de modelos basados en técnicas de deep learning, con el objetivo de explorar su capacidad para identificar patrones más complejos en las métricas del código y de las ejecuciones de pruebas. El propósito es determinar si los enfoques investigados logran una mayor precisión en la predicción de mutantes, sin que ello implique un aumento significativo en el coste computacional del entrenamiento o la inferencia.

Para dar soporte al proceso completo de análisis y predicción, se ha desarrollado una plataforma web que centraliza todas las etapas implicadas en el estudio del PMT. Esta herramienta permite cargar proyectos, gestionar las características previamente extraídas y preparar estos datos para su uso por los algoritmos predictivos. Asimismo, facilita la administración de los modelos utilizados en la predicción, incluyendo su incorporación, actualización y evaluación, y ofrece un entorno unificado para visualizar los resultados obtenidos.

La plataforma constituye una solución pionera en su ámbito, al integrar en un único entorno web un flujo de trabajo modular y extensible que cubre desde la gestión de datos hasta la experimentación con modelos de predicción. Gracias a esta infraestructura, el proceso de investigación en PMT se vuelve más accesible, reproducible y escalable, lo que permitirá explorar nuevos enfoques, comparar modelos y avanzar en el desarrollo de técnicas más precisas y eficientes.

This project arises from one of the main limitations of the Mutant Testing technique, also known as Mutation Testing. This software validation method evaluates the effectiveness of a test suite by introducing small and intentional modifications, called mutants, into the source code. The goal is to determine whether the implemented tests are able to detect the generated changes, which serves as an indicator of their ability to find real faults.

In this context, the present project focuses on addressing one of the main challenges associated with this technique: the high computational cost of executing the full test suite for every generated mutant. To tackle this issue, this work proposes advancing Predictive Mutation Testing (PMT), which replaces the direct execution of mutants with an automated prediction process. This is achieved through the design and analysis of models based on deep learning techniques, aimed at identifying more complex patterns in code metrics and test execution data. The objective is to determine whether the proposed approaches can achieve higher accuracy in mutant prediction without a significant increase in the computational cost of training or inference.

To support the complete analysis and prediction workflow, a web platform has been developed that centralizes all stages involved in the study of PMT. This tool allows users to upload projects, manage previously extracted features, and prepare these data for use by predictive algorithms. It also facilitates the management of the models used for prediction, including their incorporation, updating, and evaluation, and provides a unified environment for visualizing the obtained results.

The platform represents a pioneering solution in its domain, as it integrates into a single web environment a modular and extensible workflow covering everything from data management to experimentation with predictive models. Thanks to this infrastructure, PMT research becomes more accessible, reproducible, and scalable, enabling the exploration of new approaches, comparison of models, and advancement in the development of more accurate and efficient techniques.