基于搜索的回归测试数据生成方法研究

发布时间：2020-06-29 23:14

【摘要】：随着软件应用在各个行业领域的作用日益重要,对软件规模和质量的要求也日益增高。软件测试是目前软件质量保障的主要手段,其中回归测试一般占测试成本的80%,因此提高回归测试的效率是非常有必要的。在软件生命周期中,由于频繁地对软件进行更新换代,从而导致原测试数据集往往无法覆盖到软件新增或修改的部分,进而无法揭示软件中存在的缺陷或潜在错误。为了保证原测试数据集对新版本软件的完备性,则需要对其进行扩充。本文针对回归测试数据生成过程中存在的不同问题,利用基于搜索的测试数据生成技术,提出适应于各个场景的测试数据生成方法,并通过实验验证方法在特定场景下的可行性。主要工作如下:1、在程序缺陷修复后进行回归测试的场景下,针对测试数据生成过程易陷入局部最优的问题,提出一种基于文化基因算法的回归测试数据集生成方法。对Java程序进行测试执行分析提取理论路径集,基于相关性检测可达路径并进而优化排序,从而得到覆盖目标路径集,再依据路径覆盖准则建立回归测试数据生成模型,并采用文化基因算法进行测试数据的生成。将不同的方法应用于五个基准程序进行对比试验,结果表明该方法覆盖率平均提高14.4%,生成时间平均提高57%,在一定程度上提高了测试数据生成的效率。2、在软件系统新增功能模块之后进行回归测试的场景下,针对原有测试数据集往往不能满足新版本软件测试需求的问题,提出一种基于搜索的分层回归测试数据集扩增方法。依次从方法和语句级别提取覆盖目标,利用贝叶斯理论对覆盖目标方法集进行优先选择,进而对其进行静态分析提取目标路径,再针对目标路径集利用文化基因算法生成测试数据。将本方法与随机法、遗传法、和粒子群算法进行对比实验,结果反映出该方法的生成效率至少提高50.5%,测试数据的检错能力至少提高18.2%,为有效提升测试数据集的充分性提供了一种思路。3、针对多任务测试数据生成问题,提出一种基于Spark的多因子进化回归测试数据集生成方法。获取覆盖目标任务,利用Spark框架的分布式弹性数据集将目标任务集进行分解并下发到各个结点,再启动Spark分布式环境中各个集群结点,利用多因子进化算法生成测试数据。将该方法应用于五个基准程序并与基于独立搜索的方法进行对比,实验证明本方法可以有效地解决多任务问题,且生成效率至少提高3倍。4、依据本文提出的测试数据生成方法,利用UML统一建模语言中的顺序图和交互图,完成对该系统的建模,设计开发了一个面向回归测试数据生成的原型系统。
【学位授予单位】：西安邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP311.53
【图文】：

语句,示例,程序,覆盖路径

图 2. 4 示例程序及其如图 2. 4 所示，假设语句 3 为当前的目标测试数据分别为 1t 2 0,10, 20、 2t 2,1为 ( ) 1p t s ,1, 4,5,e 、 ( ) 2p t s ,1, 2， 4, 5,e试数据覆盖路径节点的情况，表示目标语句。表 2. 2 测数据覆A B X11t -20 10 20 +2t 2 10 20 +3t 2 1 20 +通过对比三个测试数据的覆盖路径发现，目了语句 2，则说明其覆盖到语句 3 的可能性1t 已经偏离了测试目标语句所在的分支，因

框架图,文化基因,框架,算法

第 3 章基于文化基因算法的回归测试数据集生成方法索到比当前个体具有更好适应度的新个体，来提高整个种群中个体的适应性，从而使得种群达到可进行相互操作的预备状态；然后，进行个体与个体之间的互相操作。这种相互的操作可以为竞争操作，也可以为协作操作。竞争操作可以理解为遗传算法中的个体选择算子，协作操作可以理解为遗传算法中的交叉算子和变异算子，也可将个体相互操作理解为个体的信息交换；最后，互相竞争、协作操作以及局部搜索三种过程交替循环进行，直至满足算法的中止条件。其中，局部搜索的过程模拟了变异的过程，该过程需要大量的专业知识的支撑，因此整个局部搜索过程并不是混乱无章，也不是随机无序的搜索，而是具有规律的向更好的个体进行变异和进化，这也是文化基因算法比一般进化算法进化过程快的原因。文化基因算法的基本流程如图 3. 1 所示，局部搜索可以放在不同的位置：

【相似文献】