Generative und simulative softwaretests für selbst-adaptive, cyber-physikalische systeme

Abstract

Software für cyber-physikalische Systeme interagiert durch Sensorik und Aktuatorik intensiv mit realen, physischen Objekten. Durch intelligentes, selbstadaptives Verhalten können beispielsweise Aufgaben im Anwendungsbereich von Robotik oder Heimautomatisierung in verschiedensten Szenarien automatisiert werden. Jedoch führt die Algorithmik, die den ständigen, zyklischen Fluss von Sensordaten, Datenanalyse, Adaptationsentscheidungen und -plänen bestimmt zu einer Komplexität und damit Fehleranfälligkeit, der nur schwer durch klassische Testverfahren zu begegnen ist. Eine hinreichende Abdeckung mit Testfällen kann jedoch durch automatisierte Generierung aus Modellen erreicht werden---eine Methode die als modellgetriebenes Testen bekannt ist. Dieses Verfahren eignet sich für Grey- und Black-Box-Tests und kann auf unterschiedlichsten Verhaltensmodellen wie Zustands- oder Aktivitätsmodellen basieren. Um das modellgetriebenen Testen von selbst-adaptiven Anwendungen effizient durchführen zu können, beschreiben wir in unserem Ansatz Modelle, in denen potentielle Kontextszenarien und Adaptionszusammenhänge kompakt beschrieben werden können. Neben diesem generativen Vorgehen zeigen wir, wie Tester durch Simulation Daten aus laufenden Anwendungen auch direkt in Verifikationsentscheidungen einbeziehen können. Der Ansatz wurde in unserem HomeTurtle-System getestet. Die HomeTurtle-Anwendung besteht aus einem automatisierten Lagerschrank und einem Fahrroboter, der Haushaltsartikel aus dem Lager entnehmen und an beispielsweise gehbehinderte Personen ausliefern kann.