搜索驱动的分层回归测试数据集增强技术

"这篇论文提出了一种基于搜索的分层回归测试数据集扩增方法，旨在解决原有测试数据集在回归测试中无法满足新版本软件测试需求的问题。该方法包括两个核心模块：覆盖目标方法集获取和测试数据生成。通过抽象分析新版本程序，构建方法调用图，结合已有的测试数据，确定目标方法集，并运用贝叶斯条件概率进行优先级排序。正交种群由Hadamard矩阵设计，结合已有测试数据集进行初始化，随后采用文化基因算法生成目标方法集的测试数据。实验结果表明，该方法在测试数据生成效率和检错能力上均优于随机法、遗传算法和粒子群算法，特别适合于回归测试数据的扩增。" 论文详细内容解析： 1. **方法调用图**：方法调用图是软件分析的重要工具，它表示了程序中各个方法之间的调用关系。在本研究中，通过分析新版本程序，提取出方法调用图，这有助于理解程序的执行流程和关键路径，为测试数据的生成提供依据。 2. **回归测试数据扩增**：回归测试是在软件更新后，重新运行先前通过的测试用例，确保修改没有引入新的错误或破坏现有的功能。由于新版本软件可能引入新的代码或改变原有逻辑，原有的测试数据集可能不足以覆盖所有可能的执行路径，因此需要扩增测试数据。 3. **正交种群**：正交种群是一种优化算法中的概念，它通过Hadamard矩阵设计种群结构，具有良好的多样性和独立性，能够高效地探索解决方案空间。在文中，正交种群被用于测试数据集的初始化，以确保测试数据的全面性和有效性。 4. **文化基因算法**：文化基因算法是一种结合进化算法和文化模型的优化方法，它模仿人类文化的进化过程来寻找问题的最优解。在此研究中，文化基因算法被用来生成目标方法集的测试数据，通过不断迭代和进化，提高测试数据的质量和覆盖率。 5. **实验比较**：论文对比了所提出的基于搜索的分层回归测试数据扩增方法与随机法、遗传算法和粒子群算法。结果显示，新方法在测试数据生成效率和检错能力上均有显著提升，验证了其在回归测试中的优越性。 6. **应用领域**：这种方法主要应用于软件测试领域，特别是对于需要频繁更新和维护的软件系统，如需要回归测试的大型软件项目，可以有效地提高测试效率，减少潜在的软件缺陷。 该研究提出的方法创新性地结合了方法调用图、正交种群和文化基因算法，有效地解决了回归测试中的数据扩增问题，提升了测试质量和效率，对于软件工程实践具有重要的指导价值。