敏感变量和感知机结合的测试预言生成方法

测试预言生成技术是软件工程测试领域的研究热点之一.没有可以利用的历史测试用例是目前大部分测试预言生成技术的普遍假设,但是这种假设会使我们错过利用现有部分测试用例协助自动生成新测试用例预言的机会.在已知部分测试用例集的情况下,提出了基于敏感变量和线性感知机的新测试用例的测试预言自动生成方法.首先,收集已知测试用例执行的语句覆盖和不同断点处内存值集合作为训练集,计算与新测试用例执行覆盖信息高度相似的测试用例集;其次,计算各断点处表征成功或失败的敏感变量集;然后,应用线性感知机求解每个断点处成功或失败概率预测的门限值;在此基础上,给出新测试用例测试预言自动生成的方法,并对方法进行讨论;最后,采用7个程序的129个故障版本作为实验对象,对共计14 300个测试用例生成测试预言.实证评价表明,测试预言准确率平均达到96.2%.该成果可以形成测试用例集合构造的"滚雪球效应",不断迭代自动生成新测试用例的测试预言.

基于时序规范的测试预言自动生成技术评述

测试预言是一种检验待测系统在特定执行下是否正确运行的方法,是软件测试过程中必不可少的阶段,也是软件测试研究的薄弱环节。针对反应式实时系统,我们使用时序规范来描述系统性质。本文详细阐述了基于时序规范的测试预言自动生成技术的研究现状,并按预言生成的理论基础将预言生成方法分为四类进行介绍。最后,并分析了基于时序规范的测试预言生成面临的困难。

蜕变测试在机器学习领域的应用

机器学习的普遍应用引起了人们对其信任度的关注,利用蜕变测试技术研究机器学习程序质量逐步成为软件测试领域的研究热点之一。为了对蜕变测试技术在机器学习领域的应用相关研究工作进行总体评价,并对蜕变测试技术进行了一些展望,首先,通过筛选得到多篇文献并对研究主题进行了分类,梳理了近年来蜕变测试在机器学习领域的应用和发展概况;其次,从应用场景、蜕变关系识别、蜕变测试度量和蜕变测试框架等方面分别对蜕变测试进行分析和讨论;最后,展望了蜕变测试在机器学习领域应用的未来研究热点。

蜕变测试和断言检查的比较与实验研究(英文)

在软件测试中,测试预言是一种用于检查程序在测试中是否正常运行的机制.然而在某些实际情况下,还无法制定测试预言或者难以有效地应用测试预言.针对此类测试预言问题,蜕变测试于近年应运而生,但蜕变测试的效率问题还没有被充分地加以研究.作者用控制实验的方法研究了使用蜕变测试的成本及效率,进而将蜕变测试和常用的断言检查两种方法的错误检测率和时间成本进行了比较和分析.实验结果表明,相比于断言检查方法,蜕变测试具有检测到更多错误的潜力.通过分析蜕变测试的效率和性能,与断言测试相比,蜕变测试的错误检测率更高效而效率有待提高,可适用于较为粗粒度的测试需求.

程序时序属性的自动测试

测试预言是一种用来检测被测系统的测试执行是否正确的方法。文中,作者设计并实现了一种根据程序的线性时序逻辑(LTL)的性质产生测试预言的方法。首先,作者将一线性时序逻辑公式转换为一个有限状态自动机,然后,管理源代码,以便抽取与线性时序逻辑性质有关的状态序列。最后,用该信息来模拟状态自动机,并决定程序执行是否满足线性时序逻辑的性质。

以太坊智能合约模糊测试技术研究综述

运行在区块链平台之上的智能合约,完成了不同参与者之间协议的达成和自动执行,同时也管理了大量的数字资产,智能合约漏洞的频繁爆出,造成了难以估量的经济损失。模糊测试是一种有效的动态漏洞检测技术,已经被应用于智能合约安全研究。文中分析了现有综述工作对智能合约模糊测试的总结不足的问题,并提出了智能合约模糊测试的基本框架;以目前智能合约安全研究中最广泛的以太坊智能合约为例,介绍了与智能合约紧密相关的账户机制和交易结构,总结了智能合约区别于传统程序的特点;阐述了智能合约的漏洞,并对这些智能合约模糊测试技术覆盖的漏洞进行了比较;进一步地,从单交易和交易序列两个方面对已有智能合约模糊测试技术的输入生成进行了分析;从函数层面、交易层面和交易序列层面对测试输入变异进行了总结;对已有智能合约模糊测试技术的测试预言使用进行了简述;另外,还总结了智能合约模糊测试的技术评价指标。最后,提出了当前智能合约模糊测试技术研究面临的问题,并对未来的研究方向进行了展望。

基于WCET分析的实时系统轨迹获取技术

时序约束是判断实时系统运行是否正确的重要规约.为了减小测试时由于对系统进行插装而产生的对实时系统行为的影响,提出了一种混合式监控方法.它对系统的时间干扰比纯软件方式小,并支持对系统的完全测试.此外,还提出一种基于WCET(worst-caseexecutiontime)分析技术的目标系统时间补偿方法,在精确地计算插入断言对目标系统的时间影响基础上,给出时间补偿.

智能化软件新技术专刊前言

智能化软件新技术是使用人工智能与机器学习技术辅助软件工程的新兴技术.近年来以深度学习为代表的人工智能技术飞速发展,在计算机科学的各个领域中都开始发挥重要作用.随着软件工程领域对数据积累的重视,人工智能技术在软件开发过程中的应用也逐渐增加.利用人工智能技术辅助软件工程中的代码编写、纠错、测试等具体工作,可以大量节省人工劳动,提升软件开发效率.将人工智能技术更好地与软件工程的各个环节相结合,进一步提升软件开发过程的自动化、智能化程度,是智能化软件新技术研究的主要关注点.

基于程序频谱的动态缺陷定位方法研究

基于程序频谱的动态缺陷定位是软件自动化调试研究中的一个热点问题,通过搜集测试用例的程序频谱和执行结果,基于特定模型以定位缺陷语句在被测程序内的可能位置.对近些年来国内外学者在该研究领域取得的成果进行系统总结:首先,给出预备知识和基本假设;随后,提出缺陷定位研究框架并识别出框架内一系列可影响缺陷定位效果的内在影响因素,包括程序频谱构造方式、测试套件构成和维护、内在缺陷数量、测试用例预言设置、用户反馈和缺陷修复开销等;接着,对实证研究中采用的评测指标和评测程序进行总结和分析;然后,对缺陷定位方法在一些特定测试领域中的应用进行总结;最后,对该领域未来值得关注的研究方向进行了展望.

基于频谱的缺陷定位技术:逆向切片优于执行切片

一般情况下,缺陷定位技术的应用前提是必须存在测试预言,以判断测试用例的运行结果是失败或者成功,否则将无法使用。然而,在许多实际情况下,测试预言不存在或者很难定义,这就是著名的"预言家难题"。为了应对"预言家难题",利用蜕变测试,扩充了采用逆向切片基于频谱的缺陷定位技术的方法学,实现了其在无测试预言下的有效应用。基于上述研究,进一步对比了SFL技术中执行切片与逆向切片的缺陷定位能力。实验表明,在有测试预言和无测试预言两种情况下,逆向切片比执行切片具有更强的缺陷定位能力,并且公式GP19和ER1’相比于其他公式,更有可能达到最优结果。

基于蜕变测试的图像分类软件的鲁棒性评估方法

图像分类是人工智能技术的重要分支,被广泛应用在安全关键的领域,如自动驾驶、人脸识别、视频监控等。图像分类软件的潜在安全漏洞可能会造成严重的危害,所以保障其质量、评估其鲁棒性的工作尤为重要。考虑到图像分类软件内部逻辑不明确、难以构造预期输出的特点,采用蜕变测试解决它的测试预言问题。同时,考虑到颜色特征的变换对分类结果的影响,比如:绿色背景下穿同色系衣服的人能否被正确分类,提出了基于颜色特征的鲁棒性评估方法,通过将图像进行分割,改变背景图与主体图之间的颜色差异的方式来评估图像分类软件对颜色特征变换的鲁棒性,最后定量分析了鲁棒性指标。

一种基于扩展有限状态机的自动化测试用例生成方法

扩展有限状态机(EFSM)是使用最广泛的测试模型之一.由于不可行路径的存在,运用EFSM模型生成测试用例仍然是个难题.本文提出了一种基于EFSM模型的自动化测试用例生成方法 (ATGEM).为解决不可行路径问题,首先提出一种基于数据流分析的路径可行性度量方法来预测路径的可行性,以尽可能避开不可行路径,提高测试用例自动化生成的效率.然后通过建立动态可执行模型来获取运行时反馈信息作为搜索算法的适应度函数(fitness function),实现测试数据和预言信息的自动生成.该方法结合静态分析和动态分析技术生成一个较优可行路径子集和对应测试用例来达到指定的覆盖准则,能够应用于多种数据类型的测试用例生成,适用范围较广.通过实验在多个EFSM模型上验证了ATGEM方法中测试用例生成和路径可行性度量方法的有效性,实验结果表明,利用路径可行性度量方法可以大幅度提高测试用例生成效率,与现有方法相比,ATGEM中的测试用例生成方法具有更高的效率.

面向环境非确定性的信息物理融合系统测试技术研究

信息物理融合系统(cyber-physical system,CPS)是“人-机-物”三元融合模式背景下新型软件基础设施的重要一环.为了处理不断涌现的新环境、新模式和新平台,CPS软件必须具备一定质量保障水平的可成长和可持续演化能力.然而CPS软件在与环境交互过程中所必然面对的环境非确定性给CPS软件的质量保障带来了新的挑战.本文深入分析了环境非确定性中的感知非确定性和规约非确定性分别给软件测试研究带来的挑战.为了应对这些挑战,提出了一个迭代式的研究框架,用于有效测试受环境非确定性影响的CPS软件.基于该研究框架,介绍了现有CPS软件测试技术研究进展,并重点介绍了3种考虑环境非确定性的软件测试技术,分别解决CPS软件测试中的测试输入生成、测试预言生成和环境适应性评估问题.本文基于一个自适应自控小车的CPS软件实例,初步验证了所介绍方法测试CPS软件的有效性.