基于語句覆蓋和缺陷檢測(cè)的多目標(biāo)測(cè)試數(shù)據(jù)縮減方法
【專利摘要】本發(fā)明提出一種基于語句覆蓋和缺陷檢測(cè)的多目標(biāo)測(cè)試數(shù)據(jù)縮減方法，目的是有效減少測(cè)試數(shù)據(jù)的冗余度，提高軟件測(cè)試的效率。首先，將測(cè)試數(shù)據(jù)縮減問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題，優(yōu)化的目標(biāo)是使得測(cè)試數(shù)據(jù)集的語句覆蓋率和缺陷檢測(cè)率盡可能地多，并且測(cè)試數(shù)據(jù)的個(gè)數(shù)盡可能地少；然后明確各個(gè)目標(biāo)函數(shù)，建立多目標(biāo)優(yōu)化模型；最后提出一種遺傳算法對(duì)該問題進(jìn)行求解。該方法能夠找到有效的測(cè)試數(shù)據(jù)，使其同時(shí)滿足滿足語句覆蓋率、缺陷檢測(cè)率的最大化，測(cè)試數(shù)據(jù)個(gè)數(shù)最小化。
【專利說明】基于語句覆蓋和缺陷檢測(cè)的多目標(biāo)測(cè)試數(shù)據(jù)縮減方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)軟件測(cè)試領(lǐng)域，設(shè)計(jì)了一種基于語句覆蓋和缺陷檢測(cè)的多目標(biāo) 測(cè)試數(shù)據(jù)縮減及進(jìn)化求解方法。該方法區(qū)別于已有方法的特色在于，基于語句覆蓋和缺陷 檢測(cè)建立測(cè)試數(shù)據(jù)縮減問題的多目標(biāo)優(yōu)化模型，從而保證縮減后的測(cè)試數(shù)據(jù)具有較好的質(zhì) 量；另外，給出一種遺傳算法來對(duì)上述模型進(jìn)行求解。該方法不但可以有效減少測(cè)試數(shù)據(jù)的 數(shù)量，還可以保證縮減后的測(cè)試數(shù)據(jù)具有較好的檢錯(cuò)能力，對(duì)提高軟件測(cè)試的效率和質(zhì)量 具有重要意義。

【背景技術(shù)】
[0002] 軟件測(cè)試的目的是為了發(fā)現(xiàn)軟件中存在的缺陷甚至錯(cuò)誤，從而提高軟件的質(zhì)量。 而進(jìn)行軟件測(cè)試的核心，是采用有針對(duì)性的理論和方法，生成有效的測(cè)試數(shù)據(jù)，以滿足既定 的測(cè)試充分性準(zhǔn)則。但是，傳統(tǒng)方法生成的測(cè)試數(shù)據(jù)往往存在大量冗余。測(cè)試數(shù)據(jù)之所以會(huì) 出現(xiàn)冗余，是因?yàn)楦采w某一測(cè)試目標(biāo)的測(cè)試數(shù)據(jù)往往同時(shí)覆蓋其他測(cè)試目標(biāo)。另外，在回歸 測(cè)試中，會(huì)根據(jù)新的測(cè)試要求不斷補(bǔ)充大量測(cè)試數(shù)據(jù)，從而導(dǎo)致測(cè)試用例的數(shù)量不斷攀升。
[0003] 測(cè)試數(shù)據(jù)冗余是軟件測(cè)試領(lǐng)域面臨的一個(gè)重要難題。如果能夠找到更少的測(cè)試數(shù) 據(jù)滿足既定的測(cè)試要求，那么，無疑將會(huì)提高軟件測(cè)試的效率，因?yàn)檫@可以減少執(zhí)行測(cè)試數(shù) 據(jù)集所需的時(shí)間，從而降低測(cè)試成本。為此，人們提出多種測(cè)試數(shù)據(jù)進(jìn)行縮減策略，從而達(dá) 到減少冗余、提高軟件測(cè)試效率的目的。
[0004] 一般來說，測(cè)試數(shù)據(jù)縮減的思想是：按照某種覆蓋準(zhǔn)則，找到原有測(cè)試數(shù)據(jù)集的子 集，使得該子集也能夠覆蓋所有測(cè)試目標(biāo)，該子集稱為原有測(cè)試數(shù)據(jù)集的代表集。如果一個(gè) 測(cè)試數(shù)據(jù)集的任何真子集都不能滿足既定的測(cè)試準(zhǔn)則，那么，稱該測(cè)試數(shù)據(jù)集為最優(yōu)集或 最小集。
[0005] Leung和White證明，尋找覆蓋所有測(cè)試目標(biāo)的最小測(cè)試數(shù)據(jù)集屬于NP困難問題。 所以，人們往往尋找該問題的近似解。Harrold等提出一種啟發(fā)式算法縮減測(cè)試數(shù)據(jù)集，該 方法首先根據(jù)測(cè)試數(shù)據(jù)和測(cè)試目標(biāo)的關(guān)聯(lián)矩陣對(duì)測(cè)試需求分類，再根據(jù)測(cè)試需求的等級(jí)， 按照一定順序選擇測(cè)試數(shù)據(jù)。Chen等提出另外一種啟發(fā)式方法，解決測(cè)試數(shù)據(jù)縮減問題，該 方法用到3種策略，分別是貪心策略、必要性策略和一對(duì)一策略，其中，貪心策略優(yōu)先選擇 覆蓋更多測(cè)試目標(biāo)的測(cè)試數(shù)據(jù)；必要性策略選擇必不可少的測(cè)試數(shù)據(jù)；而一對(duì)一策略選擇 只能由一個(gè)測(cè)試數(shù)據(jù)覆蓋的測(cè)試目標(biāo)。Lin等改進(jìn)了 Harrold的方法，區(qū)分具有相同優(yōu)先級(jí) 的測(cè)試數(shù)據(jù)。
[0006] 解決測(cè)試數(shù)據(jù)冗余問題的另一種方法，是在生成測(cè)試數(shù)據(jù)的同時(shí)，最小化測(cè)試數(shù) 據(jù)集。Ding等提出一種面向連續(xù)和并發(fā)程序的測(cè)試數(shù)據(jù)生成方法，該方法首先根據(jù)條件 語句，將程序的輸入域劃分為若干子區(qū)域；然后，在程序的每個(gè)輸出節(jié)點(diǎn)建立表達(dá)式，包括： 相應(yīng)的輸入變量、到達(dá)的條件，以及一些"與、或"操作符號(hào)等；最后，根據(jù)表達(dá)式生成相應(yīng)的 測(cè)試數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，該方法生成的測(cè)試數(shù)據(jù)避免了大量的冗余。Li等提出一種利用 語句優(yōu)先級(jí)選擇測(cè)試目標(biāo)的語句覆蓋測(cè)試數(shù)據(jù)生成方法，該方法首先按照某種準(zhǔn)則確定語 句的優(yōu)先級(jí)；然后，根據(jù)語句的優(yōu)先級(jí)選擇目標(biāo)路徑，使得該路徑能夠覆蓋更多高優(yōu)先級(jí)的 目標(biāo)語句。
[0007] 一般情況下，人們把測(cè)試數(shù)據(jù)縮減看成單目標(biāo)優(yōu)化問題，優(yōu)化的目標(biāo)是測(cè)試數(shù)據(jù) 個(gè)數(shù)最少。但是，也有把測(cè)試數(shù)據(jù)縮減和其它目標(biāo)相結(jié)合的方法，如：在Υ〇〇和Harman的 工作中，優(yōu)化的目標(biāo)包括：代碼覆蓋、以前的排錯(cuò)記錄和執(zhí)行該測(cè)試數(shù)據(jù)所需要的時(shí)間等。 Black等利用線性規(guī)劃縮減測(cè)試數(shù)據(jù)，該方法包含兩個(gè)模型，第一個(gè)優(yōu)化的目標(biāo)是測(cè)試數(shù)據(jù) 個(gè)數(shù)最少；第二個(gè)優(yōu)化的目標(biāo)有兩個(gè)，一個(gè)是測(cè)試數(shù)據(jù)個(gè)數(shù)最少；另一個(gè)是測(cè)試數(shù)據(jù)累計(jì) 覆蓋的測(cè)試目標(biāo)最多。
[0008] 與測(cè)試數(shù)據(jù)縮減相近的另一工作是測(cè)試數(shù)據(jù)選擇，二者都是要找到原來的測(cè)試數(shù) 據(jù)集的代表集，不同的是代表集滿足的準(zhǔn)則不同。測(cè)試數(shù)據(jù)縮減的準(zhǔn)則是代表集能夠覆蓋 既定的測(cè)試目標(biāo)；而測(cè)試數(shù)據(jù)選擇主要針對(duì)回歸測(cè)試，考察代表集能否覆蓋程序中修改的 部分。
[0009] 現(xiàn)有方法對(duì)測(cè)試數(shù)據(jù)進(jìn)行縮減時(shí)，一般只要求縮減后的測(cè)試數(shù)據(jù)滿足特定覆蓋要 求。雖然也有利用多目標(biāo)方法解決測(cè)試數(shù)據(jù)縮減問題的，但很少考慮縮減后測(cè)試數(shù)據(jù)的檢 錯(cuò)能力。因此，已有測(cè)試數(shù)據(jù)縮減方法雖然可以降低測(cè)試數(shù)據(jù)的數(shù)量，但往往會(huì)消弱其缺陷 檢測(cè)能力。
[0010] 語句覆蓋是最基本的測(cè)試覆蓋準(zhǔn)則，因此，本發(fā)明把語句覆蓋率作為衡量測(cè)試數(shù) 據(jù)質(zhì)量的第一個(gè)目標(biāo)。另外，軟件測(cè)試的核心是為了查找缺陷。測(cè)試數(shù)據(jù)發(fā)現(xiàn)的錯(cuò)誤越多， 對(duì)應(yīng)測(cè)試數(shù)據(jù)的質(zhì)量也就越高。因此，本發(fā)明把缺陷檢測(cè)率作為衡量測(cè)試數(shù)據(jù)質(zhì)量的第二 個(gè)目標(biāo)。最后，為了降低測(cè)試成本，第三個(gè)目標(biāo)是希望縮減后的測(cè)試數(shù)據(jù)數(shù)量越少越好。鑒 于此，本發(fā)明建立了測(cè)試縮減問題的多目標(biāo)優(yōu)化模型，并給出其進(jìn)化求解方法。


【發(fā)明內(nèi)容】

[0011] 本發(fā)明給出一種基于語句覆蓋和缺陷檢測(cè)的多目標(biāo)測(cè)試數(shù)據(jù)縮減方法。首先，把 測(cè)試數(shù)據(jù)縮減問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題，優(yōu)化的目標(biāo)分別語句覆蓋率、缺陷檢測(cè)率和縮 減率。在此基礎(chǔ)之上，設(shè)計(jì)了一種遺傳算法對(duì)上述多目標(biāo)優(yōu)化模型進(jìn)行求解。最后的實(shí)驗(yàn) 結(jié)果表明，本發(fā)明提出的方法不但可以大幅度縮減測(cè)試數(shù)據(jù)的數(shù)量，同時(shí)可以保證其語句 覆蓋率和檢錯(cuò)能力不會(huì)降低。
[0012] 本發(fā)明所要解決的技術(shù)問題：基于語句覆蓋和缺陷檢測(cè)建立測(cè)試數(shù)據(jù)縮減問題的 多目標(biāo)優(yōu)化模型，從而保證縮減后的測(cè)試數(shù)據(jù)具有較好的質(zhì)量；提出一種求解上述優(yōu)化問 題的遺傳算法，從而保證該優(yōu)化問題求解的效率。
[0013] 本發(fā)明的技術(shù)解決方案：一種基于語句覆蓋和缺陷檢測(cè)的測(cè)試數(shù)據(jù)縮減方法，其 特征包含以下步驟：
[0014] 步驟1.把測(cè)試數(shù)據(jù)縮減問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題
[0015] 首先，明確我們所要解決的問題。假設(shè)被測(cè)程序?yàn)镚，其輸入空間為D，要求覆蓋 的目標(biāo)語句集為S = {sp s2,…，sm}，其中，m為目標(biāo)語句的個(gè)數(shù)。已有測(cè)試數(shù)據(jù)集為Ω = {Xl，x2，…，xn}，其中Xi eD。假設(shè)Ω能夠覆蓋目標(biāo)語句集S的所有目標(biāo)語句?，F(xiàn)在要解決 的問題可描述為：找到測(cè)試數(shù)據(jù)集Ω的一個(gè)子集Ω*，使其盡可能滿足以下幾個(gè)目標(biāo)要求： 能夠覆蓋的目標(biāo)語句的個(gè)數(shù)盡可能的多，即語句覆蓋率最大化；檢測(cè)到的缺陷個(gè)數(shù)盡可能 的多，即缺陷檢測(cè)率最大化；且包含的測(cè)試數(shù)據(jù)個(gè)數(shù)盡可能的少，也就是說測(cè)試數(shù)據(jù)集最小 化。
[0016] 因此，我們需要得到滿足上述目標(biāo)的一個(gè)子集Ω*。為了有效解決該問題，需要建 立語句覆蓋率函數(shù)、缺陷檢測(cè)率函數(shù)以及縮減率函數(shù)，從而本發(fā)明將測(cè)試數(shù)據(jù)縮減問題建 模為一個(gè)多目標(biāo)優(yōu)化問題。
[0017] 步驟2.明確測(cè)試數(shù)據(jù)縮減問題各個(gè)目標(biāo)函數(shù)，建立多目標(biāo)優(yōu)化模型
[0018] 我們?cè)趯?duì)測(cè)試數(shù)據(jù)集進(jìn)行約簡(jiǎn)時(shí)，同時(shí)考慮三個(gè)因素，即保證測(cè)試數(shù)據(jù)得到約簡(jiǎn)， 并且測(cè)試數(shù)據(jù)集的語句覆蓋率和缺陷檢測(cè)能力不會(huì)降低。因此，所建立的優(yōu)化模型包含三 個(gè)目標(biāo)函數(shù)，分別是語句覆蓋率、缺陷檢測(cè)率和測(cè)試數(shù)據(jù)縮減率。
[0019] (1)語句覆蓋率
[0020] 語句覆蓋準(zhǔn)則要求測(cè)試數(shù)據(jù)集能夠覆蓋所有的目標(biāo)語句。若Ω *覆蓋了目標(biāo)語句 集S中的t條語句，那么，Ω *對(duì)S的語句覆蓋率可定義為：
[0021]

【權(quán)利要求】
1. 基于語句覆蓋和缺陷檢測(cè)的多目標(biāo)測(cè)試數(shù)據(jù)縮減方法，其特征在于如下步驟： 步驟1.1:把測(cè)試數(shù)據(jù)縮減問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題，優(yōu)化目標(biāo)是能夠覆蓋的目標(biāo) 語句的個(gè)數(shù)盡可能的多；檢測(cè)到的缺陷個(gè)數(shù)盡可能的多；包含的測(cè)試數(shù)據(jù)個(gè)數(shù)盡可能的 少，也就是說測(cè)試數(shù)據(jù)集最小化。 步驟1. 2 :明確測(cè)試數(shù)據(jù)縮減問題的各個(gè)目標(biāo)函數(shù)，建立多目標(biāo)優(yōu)化模型。 步驟1. 3 :利用遺傳算法對(duì)基于語句覆蓋和缺陷檢測(cè)的多目標(biāo)測(cè)試數(shù)據(jù)縮減問題進(jìn)化 求解。
2. 權(quán)利要求1中步驟1. 1所述的把測(cè)試數(shù)據(jù)縮減問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題，其特征 在于本發(fā)明優(yōu)化的目標(biāo)是使得測(cè)試數(shù)據(jù)集的語句覆蓋率和檢錯(cuò)率不會(huì)降低，以及使得測(cè)試 數(shù)據(jù)的個(gè)數(shù)盡可能的少。
3. 權(quán)利要求1中步驟1. 2所述的明確測(cè)試數(shù)據(jù)縮減問題各個(gè)目標(biāo)函數(shù)，建立多目標(biāo)數(shù) 學(xué)模型，其特征在于將目標(biāo)函數(shù)建立為多目標(biāo)優(yōu)化模型。
4. 權(quán)利要求1中步驟1. 3所述利用遺傳算法進(jìn)化求解，其特征在于以下步驟： 步驟4. 1 :個(gè)體編碼方法 設(shè)是待求問題（4)的一個(gè)候選解，下面將給出的編碼方法。對(duì)于原有測(cè)試數(shù) 據(jù)集Q = {x,，Xa…，xj，令
則可得到一個(gè)長(zhǎng)為n的（0-1)串a(chǎn) a2，…，an?？梢钥闯?，（0-1)串Yi, y2，…， 和子集是一一對(duì)應(yīng)的關(guān)系。因此，我們可以使用長(zhǎng)度為n的（0-1)串Yl，Y2，…，Y n來表不個(gè)體Q*。這樣表不，為遺傳操作的順利實(shí)施奠定了基礎(chǔ)。 步驟4. 2 :種群初始化 隨機(jī)生成m個(gè)長(zhǎng)為n的（0-1)字符串，分別記為，…，。每個(gè)字符串是一個(gè)個(gè) 體，m個(gè)個(gè)體組成一個(gè)初始種群。 步驟4. 3 :個(gè)體評(píng)價(jià)方法 由于（4)式建立的是一個(gè)多目標(biāo)優(yōu)化問題，需要給出個(gè)體的評(píng)價(jià)方法。由式（1)、（2) 和⑶可知，目標(biāo)函數(shù)&(〇*)，&⑴*)和f3(Q*)的取值都在0和1之間，因此，不需要對(duì) 目標(biāo)函數(shù)進(jìn)行歸一化處理。 另外，由于和&(0*)是最大化問題，f3(Q*)是最小化問題，現(xiàn)在統(tǒng)一轉(zhuǎn)化 為最小化問題。令 Q *) = 14 ( Q *)，f2 ' （ Q *) = l-f2 ( Q *)。則 Q *)和 ⑴*)的值都在〇和1之間，且對(duì)心⑴*)和^⑴*)是最大化問題，等價(jià)于對(duì)f/⑴*) 和(Q*)的最小化問題。 最后，將f/ (Q*)，f2' (Q*)和f3(Q*)進(jìn)行加權(quán)組合，得到個(gè)體Q*的適應(yīng)值函數(shù) 如下： fit(Q*) = c〇1f1(Q>l<) + c〇2f2(Q>l<) + c〇3f3(^*) (6) 其中，〇2, 〇3為權(quán)重系數(shù)。個(gè)體的適應(yīng)值越小，就越接近我們期望的解。 步驟4. 4 :進(jìn)化策略 由于每個(gè)個(gè)體都是一個(gè)（〇，1)字符串，可以采用傳統(tǒng)的進(jìn)化算子對(duì)個(gè)體實(shí)施遺傳操 作。本文算法中，個(gè)體交叉算子為單點(diǎn)交叉，變異算子為單點(diǎn)變異，選擇算子采用輪盤賭選 擇。 步驟4. 5 :算法步驟 基于前面提出的個(gè)體編碼及適應(yīng)值計(jì)算策略，使用遺傳算法來求解式（4)的步驟如 下： (1) 遺傳算法的參數(shù)設(shè)置及個(gè)體編碼 確定算法的控制參數(shù)，包括種群規(guī)模、算法終止代數(shù)、選擇概率、交叉概率，以及變異概 率等。種群的個(gè)體為已有測(cè)試數(shù)據(jù)集的子集，并按照第4. 1小節(jié)給出的方法進(jìn)行編碼。 (2) 種群初始化 隨機(jī)生成包含若干個(gè)體的初始種群A，進(jìn)化代數(shù)t = 1。 (3) 個(gè)體適應(yīng)值計(jì)算 對(duì)第i代種群％，按照（6)式計(jì)算每個(gè)個(gè)體的適應(yīng)值。個(gè)體適應(yīng)值越小，說明該個(gè)體越 接近最優(yōu)解，被遺傳到下一代的概率也就越大。 (4) 判斷算法終止條件是否滿足 算法終止的條件是，連續(xù)進(jìn)化若干代后沒有出現(xiàn)更優(yōu)個(gè)體，或者種群進(jìn)化代數(shù)超過設(shè) 定的最大值。若終止條件被滿足，轉(zhuǎn)步驟6 ;否則，轉(zhuǎn)步驟5。 (5) 進(jìn)行遺傳操作 對(duì)個(gè)體實(shí)施選擇、交叉和變異算子；令i = i+1，轉(zhuǎn)步驟3。 (6) 停止進(jìn)化，輸出結(jié)果。
【文檔編號(hào)】G06F11/36GK104281522SQ201410543046
【公開日】2015年1月14日 申請(qǐng)日期:2014年10月14日 優(yōu)先權(quán)日:2014年10月14日
【發(fā)明者】鞏敦衛(wèi), 姚香娟, 李彬, 胡雷, 陳永偉 申請(qǐng)人:中國礦業(yè)大學(xué)