信息熵驱动的MBFL测试用例约减方法

"面向MBFL的测试用例约减策略" 本文主要探讨了一种针对基于变异的错误定位（Mutation-Based Fault Localization，MBFL）技术的测试用例约减策略，旨在解决MBFL在实际应用中由于执行开销过大而受限的问题。MBFL是一种高效的自动化程序错误定位技术，它通过生成和执行变异体来定位程序中的错误，但其高精度的背后伴随着巨大的计算成本。 研究人员已经尝试从减少变异体数量和优化变异体执行过程来提高MBFL的效率，这两种方法已经在实践中得到了广泛的研究和良好的效果。然而，关于如何有效地减少测试用例数量同时保持错误定位精度的研究相对较少，并且现有方法往往导致定位精度下降。 为此，文章提出了一种新的方法——基于信息熵的测试用例约减方法（Information Entropy-based TestCase Reduction，IETCR）。IETCR利用信息熵作为衡量测试用例价值的指标，计算每个测试用例的信息熵，然后依据信息熵对测试用例进行排序，最终选取信息熵较高的少量测试用例来执行变异体。这种方法旨在保留那些能更有效地揭示错误的测试用例，从而在降低执行开销的同时，尽可能保持错误定位的准确性。 实验在SIR（Software Improvement Repository）中的6个程序及其100个版本上进行了验证，结果显示，IETCR成功地减少了56.3%至88.6%的MBFL执行开销，且几乎未影响原始MBFL的错误定位精度。这一成果对于推动MBFL在工业领域的广泛应用具有重要意义，因为它降低了MBFL的运行成本，使得这种高效的技术更易于在实际项目中实施。 关键词涉及的核心概念包括基于变异的错误定位、信息熵以及测试用例约减。通过这些关键点，文章提供了一种创新的优化策略，有望改善软件测试的效率，特别是在大规模软件工程中，这种优化策略的应用将极大地提升错误定位的实用性和经济性。