基于分支概率引导的回归测试案例生成方法

提出一种基于分支概率引导的回归测试案例生成方法。首先,通过对程序建模生成程序控制依赖图并计算分支概率,分支概率是指对某分支取反后所生成的测试案例能够覆盖程序修改部分的概率;然后,根据分支概率引导符号执行来生成能够覆盖程序修改部分的测试案例,符号执行每次选择分支概率最大的分支取反来生成测试案例,并迭代生成测试案例使之逐渐逼近符合期望的测试案例。对2个程序的20个演化版本进行测试案例生成,在相同实验环境下与已有的两种回归测试案例生成方法即eXpress和传统DSE进行比较。实验结果显示:相对原有方法本方法减少了45.6%和61.1%的搜索次数。

一种基于形式化描述的测试案例生成方法

基于形式化描述的验证测试是高安全系统的有效评估方法,而如何生成测试案例是基于形式化测试中的关键问题。针对形式化方法生成测试案例的不足,在分析形式化描述语言Z结构特点的基础上,提出了一种基于形式化描述的测试案例生成方法。从分析Z语言描述的输入空间、前置条件和后置条件出发,对前置条件适当重写,然后根据前置条件利用更改的判定条件覆盖准则来生成测试案例集,该方法引入了控制流覆盖准则,克服了经验方法输入空间划分不完整的缺点,降低了形式化描述的难度,并可以使测试案例生成过程自动化。

Codecomb:基于符号执行的嵌入式软件测试案例自动生成与缺陷检测

嵌入式系统在生活、工业以及军事等领域的应用日益增多,嵌入式软件的可靠性要求也越来越高.设计一套嵌入式系统的测试工具,全面深入地对嵌入式系统可靠性进行检测对系统可靠性的提高具有极其重要的意义.设计的工具Codecomb通过采用客户端和服务器端架构实现被测软件与测试工具的分离,将复杂的测试计算转移到服务器上,同时分离的测试架构可以更好的适用于不同嵌入式平台软件的测试.采用动态符号执行技术生成测试案例可以实现较高的分支覆盖度,进而针对程序的缺陷检查也会更加全面和深入,能够发现程序中隐藏较深的错误.实验结果表明,本文所设计的工具能够实现软件缺陷的自动化判定,并对程序运行过程中的缓冲区溢出、内存泄漏等错误准确地进行定位.

车路协同混合交通场景要素解析与测试案例生成

面向混合交通环境下多车效率类和单车安全类场景测试需求,研究了基于混合交通场景要素解析的车路协同测试案例生成方法;为提高测试案例的多样性和覆盖度,分析了混合交通特征要素相互作用机理,构建了混合交通场景要素层次模型,提出了场景要素重要度的一致性描述指标,并在此基础上建立了测试案例复杂度模型;针对多车效率类场景仿真测试,提出了复杂度激励的组合测试案例生成方法,设计了场景要素强耦合组合策略;针对单车安全类场景仿真测试,提出了基于复杂度聚类的蒙特卡洛测试案例生成方法,设计了风险场景特征参数抽样机制;选取车路协同混合交通典型场景开展仿真试验,验证了提出的测试案例生成方法的有效性。研究结果表明,对于多车效率类混合交通高速公路匝道合流场景测试,提出的方法比传统成对测试方法的场景最大复杂度提高了11.93%,高复杂度场景占比提高了60.02%,测试案例覆盖度提高了12.08%;对于单车安全类车路协同换道预警场景测试,提出的方法比传统蒙特卡洛测试方法的危险场景数提高了195%,且其参数估计误差降低了5.95%,高风险场景数提高了119%,且其参数估计误差降低了4.78%。可见,提出的方法能够提高测试案例的多样性和覆盖度,有助于开展复杂环境和风险条件下车路协同系统功能测试,能够有效满足多车效率类和单车安全类场景测试需求。

基于模型的CTCS-3级列控系统测试案例自动生成方法

为了提高CTCS-3级列控系统测试案例生成效率,提出了基于混合通信顺序进程(hybrid communication sequential process,HCSP)形式化模型和时间自动机(timed automaton,TA)形式化模型的列控系统测试案例自动生成方法;建立了列控系统运营场景的时序模型,分析了列控系统运营场景规范中时序功能的正确性;在时序模型的基础上,设计了满足全状态、全变迁和自定义-使用3种领域无关覆盖准则的列控系统测试案例自动生成算法,并以RBC(radio block center,RBC)切换场景为例,生成了100%全状态、全变迁和自定义-使用覆盖准则的测试案例套.从测试套数量、测试时间和内存消耗3个方面分析测试案例的生成效率表明:自定义-使用覆盖准则的测试案例套测试时间和内存消耗最小,分别为0.02 s和9.4 MB,本文方法提高列控系统测试案例生成效率最大达30%.

高速列车自主视觉定位的测试方法研究

列车定位是保障高速列车安全运行的关键技术。随着“故障-安全运行”需求的提出,基于深度学习的列车自主视觉定位技术受到了广泛关注。本文针对列车定位的安全性问题,提出了一种神经网络模型测试方法,通过图像变换得到测试案例,并通过深度变异方法对测试案例进行量化评价。实验结果表明,该方法产生的测试案例能够有效暴露出不同场景下神经网络模型的识别错误,为提升新型列.