Machine learning kan softwaretesten slimmer maken. Met predictive test selection bepaal je automatisch welke tests relevant zijn bij een codewijziging, in plaats van steeds de hele suite te draaien. In deze afstudeeropdracht onderzoek je hoe deze techniek in het Stryker framework kan worden toegepast en bouw je een Proof of Concept dat testen sneller, efficiënter en duurzamer maakt.

💡Interessegebieden: Software, testen, duurzaamheid

Deze afstudeeropdracht maakt deel uit van het afstudeerproject CODE GREEN. Binnen dit project onderzoeken we hoe software duurzamer kan worden gemaakt gedurende de hele lifecycle, van ontwerp en ontwikkeling tot testen en onderhoud. Jouw opdracht is één van de bouwstenen waarmee we samen concrete oplossingen ontwikkelen die energie besparen, CO₂-uitstoot verminderen en software groener maken.

Testautomatisering is onmisbaar in moderne softwareontwikkeling, maar het draaien van volledige test suites bij elke kleine codewijziging kost veel tijd en rekenkracht. Dat leidt tot verspilling van resources, hogere cloudkosten en een onnodig hoge CO₂-uitstoot.

Facebook (Meta) onderzocht hoe predictive test selection (PTS) dit probleem kan aanpakken. Met machine learning voorspelt PTS welke tests geraakt worden door een specifieke wijziging, zodat alleen die tests uitgevoerd hoeven te worden. Zo wordt testen slimmer, sneller en duurzamer.

Binnen Info Support willen we deze techniek inzetten binnen het Stryker framework, dat nu al wordt gebruikt voor mutation testing in JavaScript-, .NET- en Scala-projecten. Stryker biedt nu alleen nog geen mechanisme om tests selectief te draaien op basis van codewijzigingen.

De opdracht

Onderzoek hoe predictive test selection werkt en hoe deze techniek toegepast kan worden binnen het Stryker framework. Ontwerp en implementeer vervolgens een Proof of Concept (PoC) waarmee op basis van recente codewijzigingen automatisch een relevante subset van tests wordt geselecteerd en uitgevoerd.

In je onderzoek beantwoord je onder andere de volgende vragen:

• Hoe werkt predictive test selection technisch, zoals bij Facebook?
• Welke features uit de Stryker toolset kunnen worden hergebruikt?
• Welke externe tooling of libraries zijn nodig om predictive test selection te integreren in Stryker?
• Welke besparingen in tijd, kosten en CO₂-uitstoot zijn te verwachten?

Je demonstreert de werking van je oplossing met een case study op een bestaande JavaScript-, .NET- of Scala-codebase. Blijkt de feature succesvol, dan is de kans groot dat jouw werk na afstuderen wordt opgenomen in de officiële Stryker release, waarmee je direct impact maakt binnen de open source community.

Onderzoek hoe predictive test selection werkt en hoe deze techniek toegepast kan worden binnen het Stryker framework. Ontwerp en implementeer vervolgens een Proof of Concept (PoC) waarmee op basis van recente codewijzigingen automatisch een relevante subset van tests wordt geselecteerd en uitgevoerd.

In je onderzoek beantwoord je onder andere de volgende vragen:

1. Hoe werkt predictive test selection technisch, zoals bij Facebook?
2. Welke features uit de Stryker toolset kunnen worden hergebruikt?
3. Welke externe tooling of libraries zijn nodig om predictive test selection te integreren in Stryker?
4. Welke besparingen in tijd, kosten en CO₂-uitstoot zijn te verwachten?

Je demonstreert de werking van je oplossing met een case study op een bestaande JavaScript-, .NET- of Scala-codebase. Blijkt de feature succesvol, dan is de kans groot dat jouw werk na afstuderen wordt opgenomen in de officiële Stryker release, waarmee je direct impact maakt binnen de open source community.

Over Info Support

Info Support is specialist in maatwerksoftware, data/AI solutions, beheer en trainingen en actief in de sectoren Finance, Industry, Agriculture, Food & Retail, Mobility & Public en Healthcare. Wij bieden solide en innovatieve oplossingen voor complexe en bedrijfkritische softwarevraagstukken. Onze hoofdkantoren zijn gevestigd in Veenendaal (NL) en Mechelen (BE). Op dit moment zijn er circa 500 medewerkers bij Info Support in dienst.

De werkwijze van Info Support kenmerkt zich door een aantal kernwaarden: soliditeit, integriteit, vakmanschap en passie. Deze kernwaarden zijn verweven in ons werk en de manier waarop we met elkaar omgaan.

Om te zorgen dat alle medewerkers altijd op de hoogte kunnen zijn van de nieuwste ontwikkelingen beschikt Info Support over een inhouse kenniscentrum waar graag wordt voldaan aan de honger naar meer of andere kennis en vaardigheden.

Om deze opdracht te kunnen doen is B2-taalvaardigheid in het Nederlands vereist.