Євгеній Олександрович Перетяка
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Євгеній Олександрович Перетяка has a total of 4 co-authors. Here are the top co-authors by number of shared publications:
- Oleksandr Yankovskyi
Харківський національний університет радіоелектроніки
1 shared publication - Olesia Barkovska
Kharkiv National University of Radio Electronics, Kharkiv, Ukraine
1 shared publication - Yana Ni
Kharkiv National University of Radio Electronics
1 shared publication - Антон Олександрович Романенко
Харківський національний університет радіоелектроніки
1 shared publication
Latest Publications
- Open Access
- 28 March 2025
- Published by Ukrainian State University of Railway Transport in Інформаційно-керуючі системи на залізничному транспорті
- Vol. 30 (1) , 47-58
Модель системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту
Стаття присвячена розробленню моделі системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту, пропонуючи інноваційний підхід для підвищення ефективності тестування програмного забезпечення в умовах динамічного розвитку сучасних технологій. Метою роботи є розроблення моделі системи автоматизованого навантажувального тестування програмних застосунків. Дослідницькою складовою в запропонованій системі є оцінювання ефективності використання методів штучного інтелекту для розпізнавання реєстраційних форм, що може призвести до скорочення часових і ресурсних затрат, а також забезпечити високу точність і надійність результатів. У роботі досліджено застосування згорткових нейронних мереж (CNN) для розпізнавання форм на основі зображень та оптичного розпізнавання символів (OCR) для аналізу тексту, що дає змогу автоматично ідентифікувати типи вебформ, таких як логін чи реєстрація, для автоматичної генерації в подальших дослідженнях тестових даних за отриманими розпізнаними формами та проведення навантажувального тестування засобами Apache JMeter. Результати демонструють, що CNN досягає точності до 92 % з розпізнаванням складних реєстраційних форм, хоча і з певними коливаннями під час валідації, тоді як OCR виявляється ефективнішим для простих форм логіна з точністю 88.9 %. Інтеграція моделі з JMeter сприяє автоматичному створенню тестових сценаріїв і підвищенню якості тестування. Отримані результати підтверджують ефективність розробленої методики, що дає змогу суттєво зменшити трудовитрати і підвищити якість навантажувального тестування. Запропонований підхід має перспективи подальшого розвитку, зокрема вдосконалення алгоритмів розпізнавання та розширення застосування для різних типів програмних інтерфейсів.
- 28 March 2025
- Published by Ukrainian State University of Railway Transport in Інформаційно-керуючі системи на залізничному транспорті
- Vol. 30 (1) , 47-58
Open AccessМодель системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту
Стаття присвячена розробленню моделі системи автоматизованого навантажувального тестування програмних застосунків із використанням методів штучного інтелекту, пропонуючи інноваційний підхід для підвищення ефективності тестування програмного забезпечення в умовах динамічного розвитку сучасних технологій. Метою роботи є розроблення моделі системи автоматизованого навантажувального тестування програмних застосунків. Дослідницькою складовою в запропонованій системі є оцінювання ефективності використання методів штучного інтелекту для розпізнавання реєстраційних форм, що може призвести до скорочення часових і ресурсних затрат, а також забезпечити високу точність і надійність результатів. У роботі досліджено застосування згорткових нейронних мереж (CNN) для розпізнавання форм на основі зображень та оптичного розпізнавання символів (OCR) для аналізу тексту, що дає змогу автоматично ідентифікувати типи вебформ, таких як логін чи реєстрація, для автоматичної генерації в подальших дослідженнях тестових даних за отриманими розпізнаними формами та проведення навантажувального тестування засобами Apache JMeter. Результати демонструють, що CNN досягає точності до 92 % з розпізнаванням складних реєстраційних форм, хоча і з певними коливаннями під час валідації, тоді як OCR виявляється ефективнішим для простих форм логіна з точністю 88.9 %. Інтеграція моделі з JMeter сприяє автоматичному створенню тестових сценаріїв і підвищенню якості тестування. Отримані результати підтверджують ефективність розробленої методики, що дає змогу суттєво зменшити трудовитрати і підвищити якість навантажувального тестування. Запропонований підхід має перспективи подальшого розвитку, зокрема вдосконалення алгоритмів розпізнавання та розширення застосування для різних типів програмних інтерфейсів.