面向有效错误定位的偶然正确性识别方法

错误定位是软件调试中耗时费力的活动之一.针对偶然正确性影响错误定位效率的问题,提出面向错误定位的偶然正确性识别方法.该方法首先识别偶然正确性元素;然后,挑选"偶然正确性特征元素",使用该特征元素约简程序执行轨迹;在此基础上,建立基于模糊c均值聚类的偶然正确性识别模型,将其结果应用于错误定位.为验证该方法的有效性,基于3组测试程序开展偶然正确性识别,并将其结果应用于Tarantula等4种错误定位方法.实验结果表明,与基于k-means聚类的偶然正确性识别方法相比,该方法在偶然正确性识别方面具有较低的误报率和漏报率,并且更能提高错误定位的效率.

怀疑度计算公式受偶然正确性影响理论分析

软件错误定位效率可能受诸多因素影响,如测试用例优先级排序、测试用例构成、测试用例覆盖率及偶然正确性测试用例等.主要关注偶然正确性对怀疑度计算公式错误定位效率的影响.为此,提出一个基于函数单调性的理论分析框架来证明30个经典怀疑度计算公式受偶然正确性影响的程度.偶然正确性对怀疑度计算公式影响是有益的理论探索.

以偶然正确性概率为基础的测试充分度准则

提出了一种基于偶然正确性概率的测试充分度准则。考虑偶然正确性问题对测试的充分度衡量带来的影响,设计了一种算法来计算程序中的一个错误因为偶然正确性的发生而使输出结果正确的概率。根据动静态数据流信息分析,追溯了动态语句实例之间的定义-使用依赖关系,并据此建立了定义-使用依赖关系图。对不同语句结构和跳转条件定义各种影响因子,量化这些影响因子对错误的掩盖程度。给出了一种算法来计算程序的一次执行过程的测试充分度。选取五个C语言程序作为实验对象,计算基于偶然正确性的测试充分度准则与错误发现效率之间的关系,并与语句覆盖度的错误发现率进行了比较。实验结果显示基于偶然正确性的测试充分度准则能较好地发现错误。

基于偶然正确性概率的回归测试选择方法

数据驱动的智能系统的核心是处理数据的算法,对算法正确性的要求高,导致其测试开销大,需要有效地缩减测试的规模,其中回归测试选择是控制测试规模的有效手段.数据驱动的智能系统由于其动态信息流强度弱的原因,发生偶然正确性现象的概率较高,并且该现象会导致常用的回归测试选择技术所选择出的测试集包含大量检测不到故障的测试用例.因此,从偶然正确性现象的角度出发,提出一种基于偶然正确性概率的回归测试选择技术,进一步排除可能发生偶然正确性现象的用例.该方法能够兼顾代码覆盖,同时从偶然正确性的角度保证缩减后的测试用例集合对被修改的代码的测试是充分的.根据在用例缩减和故障检测能力之间侧重的不同,提出了基于最小化和安全性技术的两种选择策略,并给出3种具体的选择算法.在实验中将所提方法与一种安全的测试选择技术进行比较,结果表明,这3种选择算法都很好地缩减了测试集合的规模,提高了测试选择的精度,并提高了安全性和精度的综合指标.

基于偶然正确性概率的错误定位技术

基于代码覆盖的错误定位技术是一种常用的错误定位方法,被用来识别与故障相关的程序元素.然而,有研究工作表明,基于代码覆盖的错误定位技术的有效性受到了偶然正确性现象的影响.偶然正确性现象是指程序中包含的错误被执行,但没有产生错误结果的情况,它在实际场景中是非常普遍的.根据以往的研究工作,提出了一种估算发生偶然正确性现象概率的方法.该方法从程序运行时内存中值的定义-使用关系出发,将各语句的执行对程序输出的影响进行了估计.基于偶然正确性概率,对基于代码覆盖的错误定位技术中可疑度的计算方法进行了修正,以消除偶然正确性现象对错误定位技术的影响.在SIR(software-artifact infrastructure repository)中提供的西门子测试套件上进行了实验,这也是偶然正确性相关工作中常被使用的目标程序.实验结果表明,相对于基于代码覆盖信息的错误定位技术,提出的方法提高或至少维持了原有的安全性,并较好地提高了错误定位的精确度.

一种基于层次聚类的测试用例集约简方法

为降低测试用例集约简过程中故障检测能力的损失,减少偶然正确性现象对测试可靠性的不利影响。提出了一种基于层次聚类的测试用例集约简方法,使用欧氏距离计算测试用例的相似性,得出相异矩阵作为聚类的输入;另外,基于变异测试能够提高测试用例集故障检测能力的特性,给出偶然正确性概率的计算公式,在结果簇中使用基于变异测试的测试用例选择算法获取约简后的测试用例集。实验结果表明,所提方法比充分的和其他不充分的测试用例约简方法分别降低了9.8%和12%的故障检测能力的损失。