基于搜索的分层回归测试数据集扩增方法

发布时间：2024-03-31 07:59

　　针对在回归测试中原有的测试数据集往往难以满足新版本软件的测试需求问题,提出一种基于搜索的分层回归测试数据集扩增方法,主要包含覆盖目标方法集获取模块和测试数据生成模块。首先对新版本程序进行抽象分析,提取出方法调用图,利用方法调用轨迹和已有测试数据建立方法覆盖信息,获取目标方法集,并通过计算贝叶斯条件概率对目标方法集进行优先选择;利用Hadamard矩阵设计正交种群,同时结合已有测试数据集进行种群初始化,采用文化基因算法对目标集中方法生成测试数据。该方法针对四个基准程序与随机法和遗传算法以及基于粒子群算法测试数据扩增方法相比较,测试数据的生成效率平均提高了95. 2%、78. 2%和50. 5%,测试数据检错能力平均提高了47. 9%、33. 6%和18. 2%,实验结果表明该方法更适合回归测试数据扩增。

【文章页数】：6 页

【部分图文】：

图1本文方法框架1获取覆盖目标方法集

法体的回归测试和程序缺陷修复后进行的回归测试，提出一种基于搜索的分层回归测试数据扩增方法。本文的分层是指依次从方法级别和语句级别提取覆盖目标，即先从方法级别提取目标方法集，包括新增或者发生改变的方法，再针对目标方法集进行静态分析提取覆盖路径，以期降低识别提取覆盖目标的效率。利用贝....

图6针对Tcas生成测试数据覆盖率对比图表7变异算子描述变异算子描述变异算子描述

据时的耗时程序指标运行时间/sGAPSO随机本文方法Triangle均值0．2280．1720．8920．072标准差0．2090．0560．2240．028Schedule均值9．1126．11716．3414．172标准差0．9480．4230．5130．394Tcas均值6....

本文编号：3943695