函数调用路径下的回归测试用例智能选择与排序

该论文研究主要关注在软件开发周期中常见的问题——回归测试效率低下和测试用例数量庞大。针对这些问题，研究人员提出了一个创新的方法，即基于函数调用路径的回归测试用例选择与排序。该方法的核心思想是利用面向函数调用的路径覆盖生成策略，通过对程序中的函数调用关系进行深入分析。 首先，论文构建了一个函数调用关系图，通过分析被修改函数与其他函数之间的关联性，这有助于识别那些在修改后可能影响全局功能的关键路径或潜在风险。测试用例的选择过程始于初始测试用例集，通过对这些用例进行功能和路径关联性的筛选，确定出对回归测试影响较大的测试场景。 接下来，对选择出的测试用例进行优先级排序。这个阶段的关键在于动态调整排序，考虑到随着软件修复，新的代码变动可能影响原有序列的优先级。通过实时评估每个测试用例的重要性，排序策略得以优化，确保每次回归测试都能有效地检测出新出现的问题。 最后，通过再次选择和优化排序结果，确定出最小的回归测试用例集，以实现最高效的测试覆盖。这种方法旨在减少不必要的测试用例，从而降低回归测试的成本和时间消耗。 实验结果显示，该方法在实践中证明了其有效性，显著减少了回归测试用例的数量，提高了测试效率，对于软件开发团队来说，这意味着更少的时间投入，更快的回归测试响应速度，以及更低的维护成本。 该研究的贡献不仅在于提供了一种新的测试用例选择策略，还在于它结合了测试理论（如路径覆盖）与实际软件开发流程中的需求，为回归测试的优化提供了实用的工具。此外，它也为后续的研究者们探索更智能的测试自动化和优化策略提供了参考依据。