CN103473175A - 一种软件测试用例集的提取方法 - Google Patents

Abstract

本发明公开了一种软件测试用例集的提取方法，本方法首先分析软件测试用例提取的主要影响因素，创建测试用例库模型，再分析测试用例匹配模型，最后根据模糊优选法建立相似测试用例提取流程，找出相似测试用例。在进行测试用例提取时，根据测试用例集需求规模情况，对相似用例进行选取排除，得到目标测试用例提取集。本发明避免了个人主观原因带来的偏好选择，用例形成或设计过程中不受个人经验影响，可以针对用户需求、过往测试问题、资源成本做一个合理的科学权衡，获得测试用例的最佳选择组合。并且本发明通过对测试用例进行有效分析，生成最佳测试用例集，最大限度地对软件进行高效率的测试。

Description

一种软件测试用例集的提取方法

技术领域

本发明涉及计算机软件测试领域，尤其是一种简化型软件测试用例集的提取方法。 

背景技术

随着技术的发展，软件开发设计越来越复杂，系统越来越庞大，测试过程也越来越繁琐，其中一方面就是测试用例越积越多，如何对测试用例进行高效的选择，在一定条件下使成本最低，花费资源最少，测试周期最短成为了一个需要考虑的重要问题。 

构建一个合理有限的测试集合，要尽可能的覆盖软件的缺陷，达到用户需求，提高测试的效率，使其达到测试的最佳效果，是申请人一直致力于研究的课题。实际中，软件测试用例的生成是软件测试的核心问题，测试用例的选择直接影响测试执行的覆盖率，进而影响测试的质量，如何优化选择测试准则，对提高测试用例发现软件错误的效率具有重要意义。 

现有技术中主要通过人工花费大量的精力对测试用例进行评估选择，主要存在的困难有：首先，系统或模块越大越复杂，测试用例越多，测试用例集合无限大，对测试用例的提取需要一定的权重；其次，测试用例选择太少，容易导致问题遗漏，测试用例选择太多，又会导致资源的浪费，效率产能的低下，缺少一种平衡或者有效的选择方法。 

并且目前的测试过程无法避免个人主观原因带来的偏好选择，工作疏忽影响测试用例的选择和覆盖度。究其原因，用例形成或设计过程中受个人经验影响较多，无法对用户需求、过往测试问题、资源成本做一个合理的科学权衡，最终无法获得测试用例的最佳选择组合。 

发明内容

发明目的：针对现有技术的不足，申请人经过长期的实践探索，设计了一种软件测试用例集的提取方法。 

技术方案：为了实现上述发明目的，本发明所采用的技术方案为：一种软件测试用例集的提取方法，所述提取方法基体包括以下步骤： 

步骤一：分析系统测试需求，确定软件测试用例提取的关键影响因素：测试需求R和测试经验值E； 

步骤二：在步骤一的基础上，创建测试用例库模型； 

步骤三：分析测试用例，建立测试用例匹配模型； 

步骤四：利用模糊优选法确立相似测试用例提取流程，找出相似测试用例； 

步骤五：根据测试用例集需求规模的实际情况，对相似用例进行选取排除，得到目标测试用例提取集。 

进一步地，所述步骤三分析测试用例包括：对测试用例按照系统、集成、模块三方面进行用例匹配，步骤三通过所述方式得到所有测试用例的参数，确定用于步骤四的测试用例。 

再进一步地，对于用例匹配模型下得到的测试用例采用模糊优选法，步骤四中建立的相似测试用例提取模型进行相似度排序。 

再次，所述测试用例集T与所述测试需求集R的二元联系应该满足如下关系：S(T，R)＝{(t，r)∈T×R：用例t满足需求r}，即S(T，R)表示测试用例t∈T与测试需求r∈R的满足关系。在不引起混淆的情况下，S(T，R)可以简写为S。 

对于任意测试用例t∈T或测试用例提取集

分别用Req(t)和Req(O_d)表示所有测试用例t和测试用例提取集O_d所满足的测试用例需求所组成的集合。类似的，分别用Test(r)和Test(R’)表示所有满足测试需求r∈R和测试需求集

的测试用例组成的集合。 

假设测试需求集R＝{r₁，r₂，…r_m}，测试用例集T＝{t₁，t₂，…，t_n}满足所有的测试需求。T_i是T的子集，是满足测试需求r_i的所有可用测试用例组成的集合，即T_i中的任何一个测试用例t(t∈T_i)都可以实现对测试需求r_i的充分测试。若设每个测试用例的效率相同，则在T中选择测试用例构成最优代表集T''，T''即满足下列两条性质： 

（1）T’

T且T’∩T_i≠Φ(i＝1，2，3…m)，即T'中至少要包含一个T_i中的测试用例； 

（2）

T”T且T”∩T_i≠Φ(i＝1，2，…，m)则有|T’|≤|T”|。 

其中，测试需求r_i可以是初始测试中由测试目标确定的测试需求，也可以是回归测试中仅与程序更改相关的测试需求。 

最后对测试用例的提取时，一般会综合考虑相对重要的测试要素，比如测试优先级，模块修改频度等。本申请中设定测试用例的提取关键影响因素为两方面，分别是测试需求R和测试经验值E。所述测试需求R的具体内容如表1所示： 

表1 

所述测试经验值E如表2所示： 

表2 

考虑以上几方面，主要是为了以测试中的用例选取关键因素为判据，根据设计的测试用例库模型，建立一个用例匹配模型，进行测试用例的提取，从而为测试用例集的匹配设计奠定基础。 

有益效果：本发明与现有技术相比，其有益效果是： 

1、本发明避免了个人主观原因带来的偏好选择，用例形成或设计过程中不受个人经验影响，可以针对用户需求、过往测试问题、资源成本做一个合理的科学权衡，获得测试用例的最佳选择组合； 

2、本发明通过对测试用例进行有效分析，生成最佳测试用例集，最大限度地对软件进行高效率的测试。 

附图说明

图1为测试用例库模型与系统测试、集成测试、模块测试之间的关系示意图。 

图2为相似测试用例提取流程示意图。 

图3为用例匹配模型示意图。 

具体实施方式

下面通过一个最佳实施例，对本技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。 

一种软件测试用例集的提取方法，所述提取方法包括以下步骤： 

步骤一：分析系统测试需求，确定软件测试用例提取的关键影响因素：测试需求R和测试经验值E； 

步骤二：在步骤一的基础上，创建测试用例库模型； 

步骤三：分析测试用例，建立测试用例匹配模型； 

步骤四：利用模糊优选法确立相似测试用例提取流程，找出相似测试用例； 

步骤五：根据测试用例集需求规模的实际情况，对相似用例进行选取排除，得到目标测试用例提取集。 

所述步骤三分析测试用例包括：对测试用例按照系统、集成、模块三方面进行用例匹配，步骤三通过所述方式得到所有测试用例的参数，确定用于步骤四的测试用例。 

对于用例匹配模型下得到的测试用例采用模糊优选法，步骤四中建立的相似测试用例提取模型进行相似度排序。 

所述测试用例库中的测试用例一般分为以下三个方面： 

1、系统测试：将已经确认的软件、计算机硬件、外设、网络等其它元素结合在一起，进行信息系统的各种组装测试和确认测试，系统测试是针对整个产品系统进行的测试，目的是验证系统是否满足了需求规格的定义，找出与需求规格不符或与之矛盾的地方。 

2、集成测试，也叫组装测试或联合测试。在单元测试的基础上，将所有模块按照设计要求组装成为子系统或系统，进行集成测试。实践表明，一些模块虽然能够单独地工作，但并不能保证连接起来也能正常的工作。程序在某些局部反映不出来的问题，在全局上很可能暴露出来，影响功能的实现。 

3、模块测试，是针对概要设计中的一个一个模块来进行测试。模块测试的目的是保证每个模块作为一个单元能正确运行，所以模块测试通常又被称为单元测试。在这个测试步骤中所发现的往往是编码和详细设计的错误。 

测试用例库模型涵盖了一个系统的所有测试内容，测试种类很多而且之间的关系也比较复杂。根据系统、集成、模块，这三个域的不同内容和特点，测试用例库的结构也有着不同的表达方式。 

如图1所示，图1反映了测试用例库模型三个测试内容之间关系，由于系统级反映用户需求空间，而集成测试和模块测试反映设计空间，这样就在用户需求空间和设计空间之间建立了关系，使得设计可以直接反映客户的需求，从图中可以看到，集成测试和模块测试之间存在映射关系，而集成测试和系统测试之间也存在对应的关系，从而使得系统测试和模块测试也存在关系。 

如图2所示，根据系统或产品测试需求，实现相似测试用例模糊优选的具体实现过程如图2所示。测试人员首先需要从测试需求和测试经验值中获取测试类型，得到本次测试的测试用例属性，然后根据所要求测试系统的用例属性，从测试用例库中选择对应的模块测试用例，再根据有关理论或测试人员经验值确定属性的权重，计算相对优属度，然后从测试用例库中提取相似测试用例。 

如图3所示，相似测试用例配置模型总体结构流程如图3所示，主要是通过获取用户的测试需求特征集与测试用例库中用例的特征进行比较，计算其相对优属度，如果符合预先制定的规则，那么就可以用该求解方案作为问题的解决方案。同时，利用整个用例库中测试资源的分布，结合用例结构配置模型完成整个测试用例选取的快速匹配。系统测试匹配是在获取用户需求之后，首先按照用户需求中的性能属性变量，选择适用的系统测试用例，然后同测试用例库中的测试用例 优先级进行匹配，得到相似的测试实例并对其分析后，决定是否对集成部分的测试用例重新匹配，系统测试用例匹配阶段完成后，通过与模块修改频度进行匹配，进入集成测试匹配。集成的下一级配置是单元，参与匹配的需求特征变量由所属的单元测试用例确定，在集成匹配中，需从单元测试用例库中选择可以匹配的用例，将匹配的测试用例置换到对应的测试用例集中，直到需要匹配的所有单元匹配完成。同样，单元测试用例匹配主要是根据其BUG分布集中度和测试效率的属性进行优选。 

本方采用模糊优选法来提取相似测试用例，首先定义待提取出来的测试用例集合为测试用例提取集O_d，测试用例库中的每条具体测试用例为O_j，测试用例O_j对测试用例提取集O_d的相对优属度U_j。 

1、建立目标特征值矩阵 

首先进行如下定义： 

测试用例提取集O_d：将要提取出来的所有测试用例集合； 

测试用例O_j：测试用例库中的各条用例； 

相对优属度U_j：测试用例O_j对测试用例提取集O_d的相对优属度。 

通过m个指标衡量测试用例和测试用例提取集的相似性。则测试用例O_j与测试用例提取集O_d的m个指标特征向量为： 

以单指标的相似性而言，若X_ij=X_id，则O_j与O_d的单指标的相似程度为1，O_j的指标相对于相似的相对隶属度r_ij=1。得出下式： 

（_1-2）r_ij＝X_ijX_id X_ij≤X_id

r_ij＝X_idX_ij X_ij≥X_id

将O_j指标特征向量X_j变为相应的指标相对隶属度向量r_j＝(r_1j r_2j∧r_mj)^T，则O_d的m个指标相对隶属度向量为： 

（1-3）    r_d＝(1 1∧1)^T

设系统中m个指标的权重不同，权向量为：

w_i为目标的权重。 

广义权距离表示为： 

$(1-4)d_{\mathrm{jd}}=d(r_j,r_d)=p\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{w}}_i\right|r_{\mathrm{ij}}-r_{\mathrm{id}}\left|\right)}^p}=p\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{w}}_i\right|r_{\mathrm{ij}}-1\left|\right)}^p}$

式中：p为距离参数，p=1时为海明距离，p=2时为欧氏距离。 

2、确定目标相对优属度 

根据模糊集理论，可将隶属度定义为权重，则加权广义距优权距离为： 

$(1-5)D_{\mathrm{jd}}=D(r_j,r_d)=r_j{d}_{\mathrm{jd}}=u_j=p\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{w}}_i\right|r_{\mathrm{ij}}-1\left|\right)}^p}$

加权广义距劣权距离为： 

$(1-6)d_{\mathrm{jdl}}=d(r_j,r_d)=p\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{w}}_i\right|r_{\mathrm{ij}}-d_i\left|\right)}^p}=p\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{w}}_i{r}_{\mathrm{ij}}\right)}^p}$

为求解U_j的最优值，建立优化准则：实例j的加权距优距离平方与加权距劣距离平方之总和为最小，即目标函数为： 

$\min \left\{F\left(u_j\right)\right\}=(D_{\mathrm{jd}}^2+d_{\mathrm{jdl}}^2)=u_j^2$

$(1-7)={\left[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{w}}_i\right|r_{\mathrm{ij}}-1\left|\right)}^p\right]}^{2/p}+{(1-u_j)}^2{\left[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{w}}_i{r}_{\mathrm{ij}}\right)}^p\right]}^{2/p}$

根据 $\frac{\mathrm{dF}\left(u_j\right)}{{\mathrm{du}}_j}=0$

解得： 

$(1-8)u_j=1/1+\left\{{\left[\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{w}}_i\right|r_{\mathrm{ij}}-1\left|\right)}^p}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(w_i{r}_{\mathrm{ij}}\right)}^p}\right]}^{2/p}\right\}j=\mathrm{1,2},...m$

此式即测试用例O_j与测试用例提取集O_d相似的相对优属度计算模型。 

为进一步减小相似用例集合的规模，需进行用例筛选。用例筛选的方法有两种：一种方法是设定一个阈值δ，整体相似度大于该阈值的用例被保留作为候选用例；另一种方法是设定用例数目n，按照相似度从大到小的原则，只取前n个用例。然后对检索出的用例按一定的修改策略进行调整，最终得到提取用例集的求解方案。一般而言，以整体相似度最大的用例作为初始设计方案。考虑到用户自身的要求，一般采用人机交互的方法，让用户自己在候选用例库中选择作为初步设计方案的测试用例。 

用例的评价主要根据整体相似度来进行。设置一个阈值δ₁＝0.95，当整体相似度u_j≥0.95时，相似用例可认为与期望基本符合，可直接选用此用例；当0.5≤u_j≤0.95时，相似用例需进行修改；而当u_j≤0.95时，则否定此用例为相 似用例。 

下面用5个测试用例作为一个测试用例库为例，进行计算，比较与目标测试用例的相似度，从而排除相似用例。测试用例实例库如表3所示： 

表3 

将用例库中的数据转化为目标特征值矩阵为： 

$X=\left[\begin{array}{ccccc}3& 5& 5& 2& 10\\ 13.5& 16.5& 13.5& 13.5& 16.5\\ 30& 30& 69.7& 30& 30\\ 20& 20& 44.3& 20& 20\\ 8& 8& 8& 8& 7\end{array}\right]$

目标用例转换为设计向量如下： 

X_d＝(3 16.5 20 20 8)^T

进一步由式（1-2）得到相对隶属度矩阵： 

$R=\left[\begin{array}{ccccc}1& 0.6& 0.6& 0.67& 0.3\\ 0.82& 1& 0.82& 0.82& 1\\ 0.67& 0.67& 0.29& 0.67& 0.67\\ 1& 1& 0.45& 1& 1\\ 1& 1& 1& 1& 0.88\end{array}\right]$

得到权重向量为： 

W＝[0.3 0.25 0.04 0.06 0.3]^T

将向量W和矩阵R代入（1-8）式可得： 

U_j＝[0.989 0.935 0.910 0.879 0.698] 

将相对优属度最大的作为相似用例，在以上测试用例实例中，测试用例1为相似用例，其相对优属度为0.989，根据用例唯一性原则及冗余测试用例的定义，测试用例1将被排除在测试用例提取集以外。同理，若认为测试用例集仍太多，则可进一步排除相对优属度为0.935的测试用例2。 

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。 

Claims (3)

1.一种软件测试用例集的提取方法，其特征在于：所述提取方法包括以下步骤：

步骤一：分析系统测试需求，确定软件测试用例提取的关键影响因素：测试需求R和测试经验值E；

步骤二：在步骤一的基础上，创建测试用例库模型；

步骤三：分析测试用例，建立测试用例匹配模型；

步骤四：利用模糊优选法确立相似测试用例提取流程，找出相似测试用例；

步骤五：根据测试用例集需求规模的实际情况，对相似用例进行选取排除，得到目标测试用例提取集。

2.根据权利要求1所述的一种软件测试用例集的提取方法，其特征在于：所述步骤三分析测试用例包括：对测试用例按照系统、集成、模块三方面进行用例匹配，步骤三通过所述方式得到所有测试用例的参数，确定用于步骤四的测试用例。

3.根据权利要求1或权利要求2所述的一种软件测试用例集的提取方法，其特征在于：对于用例匹配模型下得到的测试用例采用模糊优选法，步骤四中建立的相似测试用例提取模型进行相似度排序。

Images