结合SVM与XGBoost的链式多路径覆盖测试用例生成

机器学习方法可很好地与软件测试相结合,增强测试效果,但少有学者将其运用于测试数据生成方面.为进一步提高测试数据生成效率,提出一种结合SVM(support vector machine)和XGBoost(extreme gradient boosting)的链式模型,并基于此模型借助遗传算法实现多路径测试数据生成.首先,利用一定样本训练若干个用于预测路径节点状态的子模型(SVM和XGBoost),通过子模型的预测精度值筛选最优子模型,并根据路径节点顺序将其依次链接,形成一个链式模型C-SVMXGBoost(chained SVM and XGBoost).在利用遗传算法生成测试用例时,使用训练好的链式模型代替插桩法获取测试数据覆盖路径(预测路径),寻找预测路径与目标路径相似的路径集,对存在相似路径集的预测路径进行插桩验证,获取精确路径,计算适应度值.在交叉变异过程中引入样本集中路径层级深度较大的优秀测试用例进行重用,生成覆盖目标路径的测试数据.最后,保留进化生成中产生的适应度较高的个体,更新链式模型C-SVMXGBoost,进一步提高测试效率.实验表明,C-SVMXGBoost较其他各对比链式模型更适合解决路径预测问题,可提高测试效率.并且通过与已有经典方法相比,所提方法在覆盖率上提高可达15%,平均进化代数也有所降低,在较大规模程序上其降低百分比可达65%.

利用函数影响力的相似程序间测试用例重用与生成

在回归测试过程中,用例重用是一项很重要的工作,其充分利用软件升级变更前的已有资源,提高测试的效率.从已有研究来看,回归测试的研究大部分侧重于用例优化方面,少部分提到利用程序升级变更前后的相似性来重用测试用例以提高用例生成效率.针对回归测试用例重用问题,提出一种重用变更前相似程序的测试信息,并通过设计的适应度函数为变更后程序进化生成新用例的方法.该方法利用构建的函数调用图进行程序相似部分的检测,并根据函数影响力设计适应度函数来调整个体的适应度值,保留适应度值高的优秀个体;再通过重用变更前相似部分的用例,以及进化生成的变更后的部分用例,来构成回归测试中新程序的用例.实验结果表明,在目标路径覆盖率上,对于中小规模和大规模工业程序,本文方法比经典方法分别可提高8%和17%.

基于关键边概率与路径层接近度的多路径覆盖测试

遗传算法解决多路径覆盖中难覆盖边的问题,是当前软件测试数据自动生成领域的一个研究热点.现有方法解决多路径覆盖问题的效果不够理想,本文提出一种将关键边概率与路径层接近度相结合的多路径覆盖测试方法 .首先,本文计算节点被穿越概率找到难覆盖节点,通过难覆盖节点找到难覆盖边(即,关键边),生成目标路径.然后,本文根据关键边概率计算个体贡献度,并通过程序的路径层图计算路径层接近度,再由个体贡献度及路径层接近度设计适应度函数.最后,本文利用多种群遗传算法进化生成测试数据以覆盖目标路径,在进化过程中子种群覆盖当前目标路径后,继续尝试覆盖与其相似的其它路径.实验结果表明,该方法与同类经典方法相比,在保证平均进化时间和平均进化代数占优的同时,稳定性也有所提高,生成时间增幅标准偏差较最优的降低10.19%,离散系数降低10.79%.进化代数增幅标准偏差较最优的降低19.98%,离散系数降低28.02%.

在大量数据中高效的Top-k主导计算

在众多应用中,top-k主导查询是从一个潜在的巨大的数据空间返回一组有趣的点的重要的操作,它的结果大小可以被人为控制并且查询结果在不同属性下不受影响。