RT bachelor thesis
T1 Aplicación de modelos de aprendizaje profundo al Predictive Mutation Testing
A1 Rosano Barroso, Mario
A2 Ingeniería Informática
K1 Mutation Testing
K1 Predictive Mutation Testing
K1 mutantes
K1 deep learning
K1 modelos predictivos
K1 métricas de código
K1 plataforma web
K1 mutants
K1 predictive models
K1 code metrics
K1 web platform
AB 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.
YR 2026
FD 2026-01-12
LK http://hdl.handle.net/10498/39116
UL http://hdl.handle.net/10498/39116
LA spa
DS Repositorio Institucional de la Universidad de Cádiz
RD 07-nov-2026