Efficient implementation of conformance testing techniques in active automata learning

Αναγνώστου, Αναστάσιος - Στέφανος; Anagnostou, Anastasios - Stefanos

dc.contributor.author	Αναγνώστου, Αναστάσιος - Στέφανος	el
dc.contributor.author	Anagnostou, Anastasios - Stefanos	en
dc.date.accessioned	2025-11-12T10:32:18Z
dc.date.available	2025-11-12T10:32:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62846
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30542
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Εκμάθηση μοντέλων	el
dc.subject	Ενεργή εκμάθηση αυτομάτων	el
dc.subject	έλεγχος λογισμικού	el
dc.subject	έλεγχος πρωτοκόλλων	el
dc.subject	Έλεγχος συμμόρφωσης	el
dc.subject	Model learning	en
dc.subject	Active automata learning	en
dc.subject	Software testing	en
dc.subject	Protocol testing	en
dc.subject	Conformance testing	en
dc.title	Efficient implementation of conformance testing techniques in active automata learning	en
dc.title	Αποδοτική υλοποίηση τεχνικών εξέτασης συμμόρφωσης (Conformance Testing) στην ενεργή εκμάθηση αυτομάτων	el
dc.contributor.department	Εργαστήριο Τεχνολογίας Λογισμικού	el
heal.type	bachelorThesis
heal.classification	επιστήμη υπολογιστών	el
heal.classification	έλεγχος πρωτοκόλλων	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-05-16
heal.abstract	Η παρούσα εργασία προτείνει αλγορίθμους συμμόρφωσης στο πλαίσιο της Ενεργής Εκμάθησης Αυτομάτων, οι οποίοι αξιοποιούν γνώσεις από προηγούμενους γύρους εκμάθησης για τη βελτίωση της αποδοτικότητας στην αναζήτηση αντιπαραδειγμάτων. Η έμφαση δίνεται στην αξιολόγηση του αντίκτυπου της στοχοθέτησης των νεοεκμαθημένων καταστάσεων μιας υπόθεσης. Τρεις τροποποιήσεις υπαρχόντων αλγορίθμων---της μεθόδου W, της μεθόδου Wp και της μεθόδου Random Wp---δοκιμάστηκαν παράλληλα με μία νέα προσέγγιση, τη μέθοδο Stochastic State Coverage. Τα πειραματικά αποτελέσματα δείχνουν ότι η τροποποίηση της μεθόδου Wp υπερέχει της αρχικής της εκδοχής. Αντίθετα, οι τροποποιήσεις της μεθόδου W και της μεθόδου Random Wp, καθώς και η νεοπροταθείσα μέθοδος, έδωσαν μικτά αποτελέσματα, χωρίς σαφή συνολική βελτίωση σε όλα τα σενάρια. Η μελέτη αυτή δείχνει ότι η στοχοθέτηση των νέων καταστάσεων μιας υπόθεσης μπορεί να βελτιώσει την απόδοση των δοκιμών συμμόρφωσης. Μελλοντική εργασία μπορεί να εστιάσει στην διερεύνηση των συνθηκών υπό τις οποίες επιτυγχάνονται καλύτερα αποτελέσματα, καθώς και στην ανάπτυξη νέων αλγορίθμων που ακολουθούν παρόμοια προσέγγιση.	el
heal.abstract	This thesis proposes conformance testing algorithms, in the context of Active Automata Learning, that leverage knowledge from previous learning rounds to improve the efficiency of counterexample search. The focus is on evaluating the impact of targeting the newly learned states of a hypothesis. Three modifications of existing algorithms—the W Method, the Wp Method, and the Random Wp Method—were tested alongside a novel approach, the Stochastic State Coverage Method. Experimental results show that the modification of the Wp Method outperforms its original version. In contrast, the modifications of the W Method and the Random Wp Method, as well as the newly proposed method, yielded mixed results, with no clear overall improvement across all scenarios. This study shows that targeting the new states of a hypothesis may improve conformance testing performance. Future work can focus on exploring the circumstances under which better results can be achieved, as well as on the development of new algorithms that follow a similar approach	en
heal.advisorName	Σαγώνας, Κωστής
heal.committeeMemberName	Σαγώνας, Κωστής
heal.committeeMemberName	Παγουρτζής, Αριστείδης
heal.committeeMemberName	Φωτάκης, Δημήτρης
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Τεχνολογίας Λογισμικού	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false