CN101908020B - 一种基于分类挖掘和版本变更的测试用例优先化方法 - Google Patents
一种基于分类挖掘和版本变更的测试用例优先化方法 Download PDFInfo
- Publication number
- CN101908020B CN101908020B CN2010102640269A CN201010264026A CN101908020B CN 101908020 B CN101908020 B CN 101908020B CN 2010102640269 A CN2010102640269 A CN 2010102640269A CN 201010264026 A CN201010264026 A CN 201010264026A CN 101908020 B CN101908020 B CN 101908020B
- Authority
- CN
- China
- Prior art keywords
- test case
- version
- test
- module
- change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 198
- 230000008859 change Effects 0.000 title claims abstract description 45
- 238000009412 basement excavation Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 230000007547 defect Effects 0.000 claims abstract description 14
- 230000002950 deficient Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000012986 modification Methods 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 241000288113 Gallirallus australis Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100433727 Caenorhabditis elegans got-1.2 gene Proteins 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Images
Landscapes
- Debugging And Monitoring (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于分类挖掘和版本变更的测试用例优先化方法,首先收集不同版本下的测试用例执行结果和模块变更的信息,转化成测试用例执行结果数据矩阵和模块变更数据矩阵;再为每个测试用例建立分类挖掘训练和预测所需训练集;选择贝叶斯分类HNB和AODE两个分类挖掘模型,对每个测试用例采用对应的训练集进行模型训练;根据训练好的模型预测新版本中每个测试用例发现软件缺陷的概率;根据模型预测的综合结果,结合回归测试执行的时间限制,对测试用例进行优先化排序。本发明能够以较少的测试用例数量更快更多发现新版本软件缺陷。
Description
技术领域
本发明涉及软件自动化测试中的回归测试用例选择,特别涉及在软件系统存在大量升级版本、以及存在大量测试用例的情况下,根据测试用例在此前版本的历史数据及新版本的变更数据,挖掘出版本变更与测试用例执行结果之间的关系,从而在新版本回归测试中指导测试用例的优先选择。
背景技术
软件系统在整个产品生命周期中面临持续的升级换代和变更(称为软件演化)以满足不断变化的软件需求,这需要频繁对软件系统实施回归测试,使得回归测试成本在软件产品生命周期总成本中占据较大比例。研究指出,回归测试成本占据高达80%的测试总成本,在软件维护成本中占到50%左右。研究回归测试选择技术,提高回归测试的效率和有效性,能够降低回归测试成本,带来可观的经济效益。在回归测试中,测试人员需要复用已有测试用例。在软件系统开发和升级过程中存在大量可用的测试用例,如何重用并选择测试集成为回归测试的核心问题。在测试资源和时间约束下,测试用例优先化技术能够提高回归测试的缺陷检测率,从而减少所需的测试用例数量,在保证测试效果的前提下降低测试成本。
测试集优先化技术根据回归测试需求的优先化目标将已有的测试用例进行排序,使高优先级的测试用例先于低优先级的测试用例执行。传统测试优先化技术主要从代码覆盖角度,以代码的全覆盖为目标完成测试用例的优先化排序;需要获得测试用例在以前版本的代码覆盖情况,且需要覆盖所有的软件代码。考虑到缺陷通常由新的修改导致,而新的修改又通常只占据全部代码的一部分;本发明方法通过考虑软件最近的代码变更,结合测试用例在旧版本上的执行历史,预测测试用例在新版本上的“不通过率”(即发现软件缺陷的概率),以指导完成对测试用例的优先选取,达到以较少的测试用例数量更快更多发现新版本软件缺陷的目标。
发明内容
本发明是以较少数量的测试用例更快更多的发现新版本软件缺陷为目标,提出一种测试用例的优先化方法。
为实现上述目的,本发明所述基于分类挖掘和版本变更的测试用例优先化方法,包括了以下步骤:
1)历史数据预处理:收集不同版本下的测试用例执行结果和模块变更的信息,转化成不同版本下测试用例执行结果数据矩阵和不同版本间模块变更数据矩阵;
2)分类挖掘训练集构建:根据步骤1)得到的两个数据矩阵,为每个测试用例建立分类挖掘训练和预测所需训练集;
3)分类挖掘训练和预测:选择贝叶斯分类HNB和AODE两个分类挖掘模型,对每个测试用例采用对应的训练集进行模型训练;根据训练好的模型预测新版本中每个测试用例发现软件缺陷的概率;
4)测试用例优先化排序:根据模型预测的综合结果,结合回归测试执行的时间限制,对测试用例进行优先化排序。
上述于步骤1)中执行结果数据矩阵的转化过程为:收集每个版本vj下各测试用例ti的执行结果rij,构建测试用例执行结果数据矩阵R(m,n)=[rij]m×n,其中m为测试用例数量;n为软件版本数量;rij为矩阵元素,表示测试用例ti在软件版本vj上的执行结果,rij共有三个取值:0表示测试通过;1表示测试未通过;null(空值)表示在版本vj中测试用例ti未被执行过。
上述步骤1)中模块变更数据矩阵的转化过程为:选定样例版本v0;参照版本v0,收集每个版本vj中各模块Modk的变更情况δjk,构建模块变更矩阵Δ(n,l)=[δjk]n×l,其中l为软件包含的模块数量;矩阵元素δjk表示版本vj同样例版本v0在模块Modk上相比是否发生变更,共有两个取值:0表示版本vj跟样例版本v0相比较,在模块Modk上未发生变更;1表示版本vj跟样例版本v0相比较,在模块Modk上发生变更。
上述步骤2)的分类挖掘训练集构建过程是:为每个测试用例构建分类挖掘训练集,给定测试用例集T中的测试用例ti,考虑执行过测试用例ti的每个版本vj,将版本vj中每个模块Modk的变更信息δjk和该测试用例ti在版本vj的执行结果rij合并成一个数据向量:<δj1,δj2,...,δjl,rij>;然后将测试用例ti在各版本的数据向量合并成矩阵,构成测试用例ti的训练集Trainseti;针对测试用例ti,训练集Trainseti=[Δ,Ri],是一个n’×(l+1)的矩阵,其中Δ(n’,l)取自模块变更数据矩阵Δ(n,l),且不考虑未执行用例ti的版本;Ri是一个n’×1向量,是测试用例执行结果矩阵R(m,n)中第i行的转置,表示测试用例ti在n个版本中的执行结果,同样不考虑未执行用例ti的版本。
上述步骤3)分类挖掘训练和预测中选择贝叶斯分类模型HNB和AODE进行训练和预测的过程是:载入这两个模型并进行初始化,其中载入HNB时以默认方式初始化;载入AODE时设置最小频度freq,缺省情况取1;若训练集较大时增加freq值。对每个测试用例ti,载入对应的训练集Trainseti进行训练;当训练集较大时设置最大训练步数和最大训练时间。组织新版本的模块变更信息,填入检验集Testseti=[Δnew,θi],其中新版本模块变更向量Δnew={δ1,new,δ2,new,...,δl,new};将检验集代入上一个步骤训练好的分类挖掘模型,预测出测试用例ti在新版本的执行结果θi,这个值是浮点值(处于0和1之间),代表测试用例ti能够发现新版本中软件缺陷的概率;综合所有测试用例的预测结果,最终输出是一个三元组集合Prof={<ti,θi,type>|ti∈t,0<θi≤1,1≤i≤m,type∈{HNB,AODE}}。
上述步骤4)的测试用例优先化排序的过程是:首先取测试用例ti对应的Prof集合中两个三元组,将其中的两个θi求和取平均值,得到测试用例ti发现新版本软件缺陷的最终预测概率pi;然后根据每个测试用例发现软件缺陷的最终概率pi对所有测试用例进行排序;最后根据回归测试阶段的最大允许时间timemax,选取在timemax内能够完成的前m’个测试用例构成最终的回归测试用例集。
本发明方法考虑到缺陷通常由新的修改导致,而新的修改又通常只占据全部代码的一部分;基于最近的代码变更,结合测试用例在以往版本上的执行历史,采用贝叶斯分类挖掘模型预测各测试用例在新版本中发现软件缺陷的概率,指导完成对测试用例的优先选取。本发明能够以较少的测试用例数量更快更多发现新版本软件缺陷。实证数据表明使用本发明方法优先排序的测试用例执行序列在发现新版本软件缺陷效率方面远远优于原始测试用例序列,接近最理想排序的效果。
下面结合附图进行详细说明。
附图说明
图1是基于分类挖掘和版本变更的测试用例优先化方法总体流程图,
图2是测试数据预处理的流程图,
图3是记录不同版本下测试用例执行结果信息的数据矩阵,
图4是模块变更数据预处理的流程图,
图5是记录不同版本下模块变更信息的数据矩阵,
图6是分类挖掘训练集构建的流程图,
图7是每个测试用例的分类挖掘训练集的组织结构示意图,
图8是分类挖掘训练和预测的流程图,
图9是利用预测结果完成测试用例优先化排序的处理流程图。
具体实施方式
如图1所示,本发明方法处理流程包含历史数据预处理、分类挖掘训练集构建、分类挖掘训练和预测、以及测试用例优先化排序四个模块。其中历史数据预处理模块负责收集和提取不同版本下测试用例执行结果,以及模块变更的历史数据,转化成后续处理所需的不同版本下测试用例执行结果数据矩阵和模块变更数据矩阵;分类挖掘训练集构建模块利用不同版本下测试用例执行结果数据矩阵和模块变更数据矩阵,为每个测试用例建立分类挖掘训练时所需的训练集;分类挖掘训练和预测模块采用不同的分类挖掘模型,基于每个测试用例的训练集进行训练,采用训练后模型预测测试用例在新版本中的执行结果;最后测试用例优先化排序模块跟据预测的执行结果,对所有测试用例进行优先化排序,优先执行排在前面的测试用例。下面详细介绍每个模块的实施步骤:
模块1是历史数据预处理模块,包含测试数据预处理和模块变更数据预处理两个部分。图2所示为测试数据预处理流程。首先收集并组织各个版本下测试用例的执行结果信息。第一步先确定测试用例执行结果矩阵的版本数n和测试用例数m。令软件系统的版本数量为n,版本集合V={v1,v2,...,vn};共有m个相异的测试用例,测试用例集T={t1,t2,...,tm}。然后建立如表1所示的测试用例执行结果矩阵R(m,n)=[rij]m×n,其中rij为矩阵元素,表示测试用例ti在版本vj上的执行结果。rij共有三个取值:0表示测试通过;1表示测试未通过;null(空值)表示在版本vj中测试用例ti未被执行过。矩阵中所有元素rij先初始化为null,然后根据测试用例ti在版本vj上的执行结果对矩阵中各元素rij进行赋值。
图4是版本变更数据预处理的流程图。首先确定软件系统包含的模块数量。令软件系统包含l个模块(模块的划分标准根据软件系统特征和测试覆盖粒度来定义,如将Java程序的一个对象定义为一个模块),于是软件系统System={Mod1,Mod2,...,Modl}。接下来需要确定样例版本v0。样例版本用来作为版本变更的参照标准,选取样例版本可遵循以下标准:第一样例版本应该是一个的稳定版本,功能和结构完整,第二样例版本应该包含软件系统System的所有模块,第三样例版本应该是测试用例执行出错几率最小的版本,即质量最稳定的版本。基于样例版本v0,以模块为单位构建版本变更矩阵Δ(n,l)=[δjk]n×l,如图5所示。其中变更矩阵元素δjk表示版本vj跟样例版本v0相比较在模块Modk上是否发生变更。δjk有两个取值:0表示版本vj跟样例版本v0相比较,在模块Modk上未发生变更;1表示版本vj在模块Modk上相对样例版本v0有变更。
模块2是分类挖掘训练集构建模块,其处理流程如图6所示。训练集构建基于模块变更跟测试用例相关联的假设:每个测试用例ti对于不同模块缺陷具有不同程度的检测能力,而新缺陷是由于新版本中某些模块中发生变更引入的;在某个模块发生变更时,一些测试用例会更敏感,即其缺陷检测能力将高于其他测试用例,于是模块变更同测试用例的执行结果具有关联性,可通过分类挖掘予以分析和测定。
如图6所示,为每个测试用例构建分类挖掘训练集。给定测试用例集T中的测试用例ti,考虑执行过用例ti的每个版本vj,将版本vj中每个模块Modk的变更信息δjk和该用例ti在版本vj执行结果rij合并成一个数据向量:<δj1,δj2,...,δjl,rij>;然后将用例ti在各版本的数据向量合并成矩阵,构成用例ti的训练集Trainseti。
每个训练集的组织结构如图7所示。对测试用例ti,训练集Trainseti=[Δ,Ri],是一个n’×(l+1)的矩阵。其中Δ(n’,l)取自模块变更数据矩阵Δ(n,l),不考虑未执行用例ti的版本;Ri是一个n’×1向量,是测试用例执行结果矩阵R(m,n)中第i行的转置,表示测试用例ti在n个版本中的执行结果,同样不考虑未执行用例ti的版本。
在分类挖掘中,训练集由一组记录(Record)组成,每个记录分成属性(Attribute)和类标签(Class Label),类标签对应分类结果。在这里,训练集的一行作为一个记录,前l列即l个模块的变更情况作为属性,最后一列既执行结果rij作为类标签。
模块3是分类挖掘训练和预测模块,其处理流程如图8所示。本发明方法在分类挖掘训练和预测部分选用HNB和AODE这两个贝叶斯分类模型。AODE是一种半朴素贝叶斯技术,同朴素贝叶斯技术相比,降低了属性间相互独立性要求,能够在实际应用中有效提高分类结果的准确性。HNB是另一种贝叶斯技术,结合简单贝叶斯模型和贝叶斯网络模型的优点,同时克服了简单贝叶斯模型的属性独立假设,以及贝叶斯网络结构学习耗时的缺点。
如图8所示,在步骤3.1中分别载入这两个模型并进行初始化。由于HNB不需要设置任何参数,因此在载入HNB时以默认方式初始化。对于AODE,需要设置最小频度freq,该参数为整数,表示出现至少freq次的组合予以考虑。正常情况取1即可;若训练集较大,也可适当增加freq的值,减少偶然组合的影响。在步骤3.2中,对每个测试用例ti,载入对应的训练集Trainseti进行训练。当训练集较大时,可设置最大训练步数和最大训练时间。在步骤3.3中,准备好新版本的模块变更信息,以训练集相同的格式要求填入检验集Testseti=[Δnew,θi]。其中新版本变更信息集合Δnew={δ1,new,δ2,new,...,δl,new},代表新版本中的模块变更向量。将检验集代入上一个步骤训练好的分类挖掘模型,预测出测试用例ti在新版本的执行结果θi,这个值是浮点值(处于0和1之间),代表测试用例ti能够发现新版本中软件缺陷的概率。
综合所有测试用例的预测结果,模块3的最终输出是一个三元组集合Prof={<ti,θi,type>|ti∈t,0<θi≤1,1≤i≤m,type∈{HNB,AODE}},其中ti为测试用例;type是选用的分类模型;概率θi表示测试用例ti能够发现新版本软件缺陷的概率,θi越高表示测试用例ti的价值越高,越值得优先测试。
模块4是测试用例优先化排序模块,其处理流程如图9所示。由于本发明方法采用HNB和AODE两个贝叶斯分类挖掘模型分别预测,在步骤4.1中首先取测试用例ti对应的Prof集合中两个三元组,将其中的两个θi求和取平均值,得到测试用例ti发现新版本软件缺陷的最终预测概率pi。然后在步骤4.2中,根据每个测试用例发现软件缺陷的最终概率pi对所有测试用例进行排序。最后在步骤4.3中,考虑回归测试阶段的时间是有限的,令回归测试的总时间为timemax,选取在timemax内能够完成的前m’个测试用例构成最终的回归测试用例集。
为验证本发明方法的有效性,设计实验选取7个软件系统的历史测试数据和版本数据集完成测试用例优先化。这7个软件系统分别是:replace,printtokens,printtokens2,schedule,schedule2,tcas及totinfo。它们是软件测试领域权威的公开数据集,最初由西门子公司的研究人员建立。实验采用WEKA提供的HNB和AODE分类挖掘模型实现。WEKA是Java语言实现的数据挖掘平台,在数据挖掘领域得到了广泛的认可和应用。
实验选择M1准则衡量优先化方法的有效性。M1是公认的评价黑盒测试有效性的准则,M1考虑测试执行过程中已检测到缺陷的测试用例占能够检测到缺陷的用例总数比例的变化,不考虑是否检测到重复的缺陷。M1计算公式如下:
其中m为测试集规模,fi代表测试用例是否能够检测到缺陷(对应ti在新版本的执行结果ri):0表示未检测到缺陷,1表示能够检测缺陷。
表1
Optimal | 本发明方法 | Original | |
printtokens | 99.16 | 54.12 | 35.13 |
printtokens2 | 97.28 | 85.92 | 32.78 |
schedule | 98.32 | 62.37 | 25.70 |
schedule2 | 94.42 | 62.42 | 26.54 |
totinfo | 95.98 | 82.53 | 44.45 |
replace | 94.39 | 81.52 | 44.16 |
tcas | 97.62 | 83.20 | 46.61 |
表1所示是本发明方法在7个西门子数据集上的M1值。其中Optimal是理想化的最优测试用例排序,是逆向推导的排序,由于事先不可预知测试用例在新版本的执行结果,所以Optimal代表M1上界,且不可达成。Original是没有经过排序的原始测试用例序列。综合上表的数据,本发明方法取得的M1值在各个数据集上均远远优于未排序的原始测试序列,接近理想的Optimal序列的效果。
Claims (3)
1.一种基于分类挖掘和版本变更的测试用例优先化方法,其特征在于包括以下步骤:
1)历史数据预处理:收集不同版本下的测试用例执行结果和模块变更的信息,转化成不同版本下测试用例执行结果数据矩阵和不同版本间模块变更数据矩阵;其中执行结果数据矩阵的转化过程为:收集每个版本vj下各测试用例ti的执行结果rij,构建测试用例执行结果数据矩阵R(m,n)=[rij]m×n,其中m为测试用例数量;n为软件版本数量;rij为矩阵元素,表示测试用例ti在软件版本vj上的执行结果,rij共有三个取值:0表示测试通过;1表示测试未通过;null即空值,表示在版本vj中测试用例ti未被执行过;
模块变更数据矩阵的转化过程为:选定样例版本v0;参照版本v0,收集每个版本vj中各模块Modk的变更情况δjk,构建模块变更矩阵Δ(n,l)=[δjk]n×l,其中l为软件包含的模块数量,n为软件版本数量;矩阵元素δjk表示版本vj同样例版本v0在模块Modk上相比是否发生变更,共有两个取值:0表示版本vj跟样例版本v0相比较,在模块Modk上未发生变更;1表示版本vj跟样例版本v0相比较,在模块Modk上发生变更;
2)分类挖掘训练集构建:根据步骤1)得到的两个数据矩阵,为每个测试用例建立分类挖掘训练和预测所需训练集;分类挖掘训练集构建过程是:为每个测试用例构建分类挖掘训练集,给定测试用例集T中的测试用例ti,考虑执行过测试用例ti的每个版本vj,将版本vj中每个模块Modk的变更信息δjk和该测试用例ti在版本vj的执行结果rij合并成一个数据向量:<δj1,δj2,...,δjl,rij>;然后将测试用例ti在各版本的数据向量合并成矩阵,构成测试用例ti的训练集Trainseti;针对测试用例ti,训练集Trainseti=[Δ,Ri],是一个n’×(l+1)的矩阵,其中Δ(n’,l)取自模块变更数据矩阵Δ(n,l),且不考虑未执行用例ti的版本;Ri是一个n’×1向量,是测试用例执行结果矩阵R(m,n)中第i行的转置,表示测试用例ti在n个版本中的执行结果,同样不考虑未执行用例ti的版本;
3)分类挖掘训练和预测:选择贝叶斯分类HNB和AODE两个分类挖掘模型,对每个测试用例采用对应的训练集进行模型训练;根据训练好的模型预测新版本中每个测试用例发现软件缺陷的概率;
4)测试用例优先化排序:根据模型预测的综合结果,结合回归测试执行的时间限制,对测试用例进行优先化排序。
2.根据权利要求1所述的基于分类挖掘和版本变更的测试用例优先化方法,其特征在于步骤3)中分类挖掘训练和预测中选择贝叶斯分类模型HNB和AODE进行训练和 预测的过程是:载入这两个模型并进行初始化,其中载入HNB时以默认方式初始化;载入AODE时设置最小频度freq,缺省情况取1;若训练集较大时增加freq值;对每个测试用例ti,载入对应的训练集Trainseti进行训练;当训练集较大时设置最大训练步数和最大训练时间;组织新版本的模块变更信息,填入检验集Testseti=[Δnew,θi],其中新版本模块变更向量Δnew={δ1,new,δ2,new,...,δl,Δnew};将检验集代入上一个步骤训练好的分类挖掘模型,预测出测试用例ti在新版本的执行结果θi,这个值是浮点值,并处于0和1之间,代表测试用例ti能够发现新版本中软件缺陷的概率;综合所有测试用例的预测结果,最终输出是一个三元组集合Prof={<ti,θi,type>|ti∈T,0<θi≤1,1≤i≤m,type∈{HNB,AODE}}。
3.根据权利要求2所述的基于分类挖掘和版本变更的测试用例优先化方法,其特征在于步骤4)的测试用例优先化排序的过程是:首先取测试用例ti对应的Prof集合中两个三元组,将其中的两个θi求和取平均值,得到测试用例ti发现新版本软件缺陷的最终预测概率pi;然后根据每个测试用例发现软件缺陷的最终概率pi对所有测试用例进行排序;最后根据回归测试阶段的最大允许时间timemax,选取在timemax内能够完成的前m’个测试用例构成最终的回归测试用例集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102640269A CN101908020B (zh) | 2010-08-27 | 2010-08-27 | 一种基于分类挖掘和版本变更的测试用例优先化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102640269A CN101908020B (zh) | 2010-08-27 | 2010-08-27 | 一种基于分类挖掘和版本变更的测试用例优先化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908020A CN101908020A (zh) | 2010-12-08 |
CN101908020B true CN101908020B (zh) | 2012-05-09 |
Family
ID=43263484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102640269A Expired - Fee Related CN101908020B (zh) | 2010-08-27 | 2010-08-27 | 一种基于分类挖掘和版本变更的测试用例优先化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101908020B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750153A (zh) * | 2012-06-29 | 2012-10-24 | 南京大学 | 一种基于程序变更的回归测试用例集构建方法 |
US9495642B1 (en) | 2015-07-07 | 2016-11-15 | International Business Machines Corporation | Predictive model scoring to optimize test case order in real time |
US10296446B2 (en) | 2015-11-18 | 2019-05-21 | International Business Machines Corporation | Proactive and selective regression testing based on historic test results |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104516897B (zh) * | 2013-09-29 | 2018-03-02 | 国际商业机器公司 | 一种针对应用对象进行排序的方法和装置 |
CN105487970B (zh) * | 2014-10-13 | 2019-01-08 | 中国移动通信集团公司 | 一种界面展示方法及装置 |
WO2016172950A1 (en) | 2015-04-30 | 2016-11-03 | Hewlett-Packard Development Company, L.P. | Application testing |
US10430320B2 (en) | 2015-09-17 | 2019-10-01 | International Business Machines Corporation | Prioritization of test cases |
CN108153658A (zh) * | 2016-12-02 | 2018-06-12 | 富士通株式会社 | 优先级模型训练方法及确定测试用例优先级的方法和装置 |
CN106708738B (zh) * | 2016-12-23 | 2020-02-11 | 上海斐讯数据通信技术有限公司 | 一种软件测试缺陷预测方法及系统 |
CN108287785B (zh) * | 2017-01-09 | 2021-06-22 | 富士通株式会社 | 测试例排序方法和设备 |
CN108345979B (zh) * | 2017-01-23 | 2021-07-09 | 阿里巴巴集团控股有限公司 | 一种业务测试方法及装置 |
EP3401849A1 (de) * | 2017-05-09 | 2018-11-14 | dSPACE digital signal processing and control engineering GmbH | Produktreifebestimmung eines technischen systems |
CN107678951A (zh) * | 2017-09-21 | 2018-02-09 | 平安科技(深圳)有限公司 | 测试用例自动化管理方法、装置、设备及存储介质 |
CN108268373A (zh) * | 2017-09-21 | 2018-07-10 | 平安科技(深圳)有限公司 | 自动化测试用例管理方法、装置、设备及存储介质 |
CN109976990A (zh) * | 2017-12-27 | 2019-07-05 | 航天信息股份有限公司 | 一种用于确认软件测试用例优先级的方法及系统 |
US10073763B1 (en) * | 2017-12-27 | 2018-09-11 | Accenture Global Solutions Limited | Touchless testing platform |
CN108197028B (zh) * | 2018-01-05 | 2020-12-01 | 中国矿业大学 | 一种面向黑盒测试背景下的回归测试用例分类方法 |
CN108073518A (zh) * | 2018-01-24 | 2018-05-25 | 广东睿江云计算股份有限公司 | 一种测试用例管理方法及装置 |
CN108287792B (zh) * | 2018-01-26 | 2021-09-07 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN108681505B (zh) * | 2018-04-13 | 2021-08-17 | 广东睿江云计算股份有限公司 | 一种基于决策树的测试用例排序方法和装置 |
CN108614778B (zh) * | 2018-05-10 | 2022-08-16 | 天津大学 | 基于高斯过程回归的安卓App程序演化变更预测方法 |
CN110554952B (zh) * | 2018-06-04 | 2023-01-20 | 西安邮电大学 | 一种基于搜索的分层回归测试数据生成方法 |
CN109542510B (zh) * | 2018-11-16 | 2021-11-23 | 北京广利核系统工程有限公司 | 一种基于贝叶斯理论的软件v&v有效性度量方法 |
CN110297764B (zh) * | 2019-05-30 | 2023-04-07 | 北京百度网讯科技有限公司 | 漏洞测试模型训练方法和装置 |
CN110515843B (zh) * | 2019-08-13 | 2022-05-06 | 成都飞机工业(集团)有限责任公司 | 基于缺陷集合与倒排索引的测试用例优先排序方法 |
CN110727593B (zh) * | 2019-10-12 | 2023-07-25 | 四川新网银行股份有限公司 | 基于历史需求数据挖掘的测试用例智能生成方法及介质 |
CN110955608B (zh) * | 2019-12-23 | 2024-03-08 | 金蝶软件(中国)有限公司 | 测试数据处理方法、装置、计算机设备和存储介质 |
CN111429003B (zh) * | 2020-03-23 | 2023-11-03 | 北京互金新融科技有限公司 | 数据处理方法及装置 |
CN111639024B (zh) * | 2020-05-18 | 2023-06-09 | 四川新网银行股份有限公司 | 基于特征频度数据挖掘的软件质量预测方法 |
CN112988606B (zh) * | 2021-05-11 | 2021-07-23 | 成都爱瑞无线科技有限公司 | 测试用例生成方法、装置、设备及存储介质 |
CN113672506B (zh) * | 2021-08-06 | 2023-06-13 | 中国科学院软件研究所 | 基于机器学习的动态比例测试用例排序选择方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2358563A1 (en) * | 2001-10-05 | 2003-04-05 | Ibm Canada Limited - Ibm Canada Limitee | Method and system for managing software testing |
CN1145900C (zh) * | 2003-03-04 | 2004-04-14 | 杨炳儒 | 一种Web挖掘系统的构造方法 |
CN100535869C (zh) * | 2006-09-12 | 2009-09-02 | 中兴通讯股份有限公司 | 一种基于设备的软件测试自动化系统及其方法 |
-
2010
- 2010-08-27 CN CN2010102640269A patent/CN101908020B/zh not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750153A (zh) * | 2012-06-29 | 2012-10-24 | 南京大学 | 一种基于程序变更的回归测试用例集构建方法 |
CN102750153B (zh) * | 2012-06-29 | 2015-11-25 | 南京大学 | 一种基于程序变更的回归测试用例集构建方法 |
US9495642B1 (en) | 2015-07-07 | 2016-11-15 | International Business Machines Corporation | Predictive model scoring to optimize test case order in real time |
US10176426B2 (en) | 2015-07-07 | 2019-01-08 | International Business Machines Corporation | Predictive model scoring to optimize test case order in real time |
US10296446B2 (en) | 2015-11-18 | 2019-05-21 | International Business Machines Corporation | Proactive and selective regression testing based on historic test results |
Also Published As
Publication number | Publication date |
---|---|
CN101908020A (zh) | 2010-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101908020B (zh) | 一种基于分类挖掘和版本变更的测试用例优先化方法 | |
CN102637143B (zh) | 基于改进的支持向量机的软件缺陷优先级预测方法 | |
CN102880545A (zh) | 一种测试用例优先级排序动态调整方法 | |
Horak et al. | A review of spatio-temporal urban energy system modeling for urban decarbonization strategy formulation | |
Zhang et al. | Energy transition, geopolitical risk, and natural resources extraction: A novel perspective of energy transition and resources extraction | |
CN103870384B (zh) | 测试用例推定方法及系统 | |
CN105653450A (zh) | 基于改进遗传算法与Adaboost结合的软件缺陷数据特征选择方法 | |
Yasmin et al. | Assessment of spatial transferability of an activity-based model, TASHA | |
CN108268373A (zh) | 自动化测试用例管理方法、装置、设备及存储介质 | |
Sučić et al. | The concept of an integrated performance monitoring system for promotion of energy awareness in buildings | |
Adeleye et al. | Investigating growth-energy-emissions trilemma in South Asia | |
CN115691125A (zh) | 基于城市轨道交通设施系统的可靠度分析方法及相关装置 | |
Talib et al. | Techniques for quantitative analysis of software quality throughout the sdlc: The swebok guide coverage | |
CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
Schroeder et al. | Predicting and evaluating software model growth in the automotive industry | |
JP2011138247A (ja) | プログラム影響範囲検証方法及び装置 | |
Jahangirian et al. | Economics of modeling and simulation: Reflections and implications for healthcare | |
CN104978260A (zh) | 软件测试方法及装置 | |
CN113807579A (zh) | 一种基于机器学习的航班抵港延误时间预测方法 | |
CN111061626B (zh) | 基于神经元激活频率分析的测试用例优先级排序方法 | |
Karthik et al. | Defect association and complexity prediction by mining association and clustering rules | |
Gunu et al. | Modern predictive models for modeling the college graduation rates | |
Yu et al. | Time-constrained test selection for regression testing | |
CN103336763A (zh) | 一种语义Web服务组合结果的复合相似度度量方法 | |
Patrizio et al. | Socially equitable energy transitions: Analytical challenges and policy implications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120509 Termination date: 20140827 |
|
EXPY | Termination of patent right or utility model |