CN105068928A - 一种基于复杂网络理论的软件测试用例生成方法 - Google Patents

Abstract

本发明提供了一种基于复杂网络理论软件测试用例生成方法，首先针对被测软件，基于类层次网络模型，构建出类层次的软件网络，并提取软件网络的特征参数；对提取特征参数进行归一化处理；再基于主成分分析法，计算各特征参数的权重；之后基于灰色关联分析方法，计算各节点的关键性取值并进行排序；最后将各节点的点权设置为关键性取值，计算软件网络的关键路径，则每条关键路径就对应一个软件测试用例。本发明通过建立有向复杂网络模型，综合软件参数对软件系统节点关键性的影响，进行权重计算及各节点的灰色关联度，作为节点重要性的评价数据，最终得到关键路径，进而对软件测试路径进行压缩，减少测试数据，达到节约测试时间，提高测试效率的目的。

Description

一种基于复杂网络理论的软件测试用例生成方法

技术领域

本发明涉及软件测试领域，尤其是一种软件测试用例的生成方法。

背景技术

随着计算机软件的快速发展，软件的计算模式、应用模式、产品形态以及盈利模式都在发生着巨大的变化，软件的系统结构变得越来越复杂，软件开发和维护的复杂性在不断上升，而软件系统的可控性却在下降。以将系统化、规范化、可度量的方法应用于软件的开发、运行和维护为目标的软件工程，也已很难应对软件系统的具大复杂性，因此软件的复杂性已成为当前“软件危机”的重要特点。

随着近年来复杂网络理论研究的兴起，复杂网络这门学科正在为软件工程的研究提供了新的数据基础和方法。复杂网络研究中，网络的拓扑性质是指不依赖于节点的具体位置和边的具体形态而表现出来的性质，相应的结构叫做网络的拓扑结构。复杂网络理论指明，系统的整体性能取决于系统的结构，要想理解整个系统就必须先理解系统的拓扑特性、成因、演化及应用。复杂网络理论给人们展示出研究软件工程的新平台。

利用复杂网络理论，可以用网络表示复杂的软件系统的拓扑结构，根据不同的标度，软件系统的组成元素可以是数据对象、服务、操作、模块、类、包、属性、子系统等。软件通过这些元素之间的信息交互和协作，完成预定的功能。将软件系统中的模块、子程序、对象、类、包、属性等元素看作节点，将其间错综复杂的交互关系(如调用、聚合、继承)看作边，那么就可以将软件系统结构抽象为一个软件结构关系网，这种从软件系统中通过关系抽取而得到的网络模型就被称为软件网络。

近几年国内外的相关工作己经通过建立软件系统的拓扑特征，揭示软件网中的一些普遍性的拓扑特性，但软件工程与复杂网络相结合的研究工作正处于起步阶段。目前研究方向大多集中在软件网络的拓扑结构分析、具有“小世界”和“无标度”特性的软件系统的形成机理和演化规律、基于复杂网络的软件系统复杂性度量和评估三个方面。但是，复杂网络对于实际指导和应用于软件开发、测试的研究与应用较少，进而无法通过提高测试效率实现软件可靠性的提高和软件质量控制。

随着软件开发需求的增加和软件复杂程度的提高，如何用尽量少的测试用例覆盖尽量多的测试路径，以提高测试效率成为急需开展的一项十分重要的课题。前文介绍了软件系统的复杂网络特性并说明了网络模型的构建，为将复杂网络理论应用于软件测试提供了有力的理论支撑。

虽然目前已有研究学者将复杂网络网络理论用于软件测试用例的生成，但这些方法虽然都以意识到基于软件关键部分产生测试用例能有效降低测试量，减少测试时间。但他们存在的共性问题是：

(1)大多方法采用单一网络特性参数作为评价节点重要性的指标；

(2)即使采用多网络参数的综合评价，但在参数选取上往往依赖主观判断，忽略了参数间的相关性。

上述问题造成一定程度的节点重要性丢失，降低了关键节点识别的合理性和准确性。故有效整合各指标，设计依赖客观权重和考虑参数关联信息的方法就成为一个亟需解决的问题。

发明内容

本发明所要解决的技术问题是为了提高软件测试的可靠性和效率，将复杂网络理论运用到软件测试中形成一种新的测试用例生成方法。

为实现上述目的，本发明采用的技术方案为：

一种基于复杂网络理论软件测试用例生成方法，其包括如下步骤：

(1)针对被测软件，基于类层次网络模型，构建出类层次的软件网络，并提取软件网络的特征参数；

(2)对步骤(1)提取的软件网络的特征参数进行归一化处理；再基于主成分分析法，计算各特征参数的权重；再基于灰色关联分析方法，利用根据主成分分析法计算得到的权重，计算各节点的关键性取值并进行排序；

(3)根据步骤(2)得到的各节点的排序，将各节点的点权设置为关键性取值，计算软件网络的关键路径，则每条关键路径就对应一个软件测试用例。

上述步骤(1)的具体过程为，基于类层次网络模型，对被测软件的源代码进行分析，统计出类名和类间依赖关系，其中类名即为类层次网络模型的节点，类间依赖关系即为类层次网络模型的有向边；随后将类名和类间依赖关系这些原始数据进行转化，得到用于生成软件网络的邻接矩阵；再利用网络图形化工具对该矩阵信息进行处理，生成直观可视的软件有向网络；之后，计算网络特征参数，得到步骤(2)中关键节点识别所需的所有特征参数。这一步主要是为后续的关键节点识别提供基础。前述网络特征参数包括统计度和度分布、接近度、偏心度、最大邻居连通度、最大邻居连通密度、平均路径长度。

上述步骤(2)中对软件网络的特征参数进行归一化处理的过程为；

假设待分析的样本数为n，即网络节点数为n；每个样本包含q个网络特征参数，那么关键节点识别算法的原始数据集合则采用矩阵R来表示，为

$R={\left(\begin{array}{cccc}{r}_{1,1}& ...& r_{1,q-1}& r_{1,q}\\ ...& ...& ...& ...\\ r_{n-1,1}& ...& r_{n-1,q-1}& r_{n-1,q}\\ r_{n,1}& ...& r_{n,q-1}& r_{n,q}\end{array}\right)}_{n\×q}$

得到归一化后的矩阵R'，为

$R^{\′}={\left(\begin{array}{cccc}{r}_{1,1}^{\′}& ...& r_{1,q-1}^{\′}& r_{1,q}^{\′}\\ ...& ...& ...& ...\\ r_{n-1,1}^{\′}& ...& r_{n-1,q-1}^{\′}& r_{n-1,q}^{\′}\\ r_{n,1}^{\′}& ...& r_{n,q-1}^{\′}& r_{n,q}^{\′}\end{array}\right)}_{n\×q}$

其中归一化公式为:

$r_{i,j}^{\′}=\frac{r_{i,j}-\underset{i=1,2,...n}{min}{r}_{i,j}}{\underset{i=1,2,...n}{max}{r}_{i,j}-\underset{i=1,2,...n}{min}{r}_{i,j}},i=1,2,...n;j=1,2...q.$

上述步骤(2)中利用利用灰色关联分析法计算评价对象关联度的过程为：

首先，确定评价对象和理想对象，本方法中待评价对象是R'，理想对象为

$W=\[w_1,w_2,...w_s,...w_q\],w_s=\underset{i=1,2,...,n}{max}{r}_{i,s},s=1,2,...,q$

其中，w_s表示在n个节点中第s个网络特征参数指标最大值；

其次，计算节点i关于第j个网络特征参数的灰色关联系数的公式如下：

其中 $\mathrm{\Δ}min=\underset{i=1,2,...,n}{\min }\underset{j=1,2,...,q}{\min }|w_j-r_{i,j}^{\′}|,\mathrm{\Δ}max=\underset{i=1,2,...,n}{max}\underset{j=1,2,...,q}{max}|w_j-r_{i,j}^{\′}|,$ μ是保证的参数，这里取0.5；r′_i,j为节点i的第j个网络特征参数值的归一化结果。

再次，根据ω_j的值计算各节点的灰色关联度：

其中表示节点i关于第j个网络特征参数的灰色关联系数，ω_j表示第j个网络特征参数的权重值。

最后，将各节点根据计算得到的灰色关联度进行排序，对应的就是节点的重要性排序，关联度越大的对象评价越佳。

通过步骤(1)收集的各类网络特征参数信息在取值范围和表述含义上存在差异，因此首先需对原始特征参数数据进行以归一化处理为核心的数据格式化；随后，为简化数据，减少数据处理量，基于主成分分析法，计算各网络特征参数的权重。该权重值反映了对应指标对节点关键性影响的大小，权重值越大，说明该指标对反映节点的关键性能力越强，反之越弱；最后，基于灰色关联分析方法，利用根据主成分分析法计算得到的权重，计算各节点的关键性取值。其中，灰色关联度的排序对应的就是节点的关键性排序。

上述步骤(3)的具体过程为：

(3-1)依据关键节点的灰色关联度值对其进行排序，并将关联度值设置为关键节点的点权，不属于关键节点的节点点权为0；

(3-2)从根节点出发，对软件网络进行深度优先遍历，计算每条路径的点权之和；

(3-3)将第(3-2)步中找到的路径依据权值之和进行排序，并以从大到小的顺序，对其进行白盒测试，直到达到预先设定的停止条件。

有益效果：本发明通过对软件系统建立有向复杂网络模型，综合分析度、聚集系数、介数、接近度等参数对软件系统节点关键性的影响，结合主成分分析法进行参数的权重计算，采用灰色关联分析方法计算各节点的灰色关联度，作为节点重要性的评价数据(灰色关联度越大的节点越重要)，提出综合考虑多特征参数的关键节点识别算法，并根据识别的关键节点得到关键路径，进而对软件测试路径进行压缩，减少测试数据，达到节约测试时间，提高测试效率的目的。

附图说明

图1是本发明的流程图；

图2是面向对象软件Junit的类层次软件网络示意图；

图3是基于灰色关联分析和主成分分析的关键节点的识别流程图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

图1所示为基于复杂网络的软件测试用例生成方法的流程图，为了详细、清晰说明本发明的建模、描述与分解过程，本例以一个基于Java语言实现的面向对象软件Junit作为研究对象和实例进行相关说明。

第一步，针对被测软件，构建其软件网络，提取网络特征参数，具体为：

(1-1)依据软件的源代码，以类层次依赖关系为研究对象，通过分析源码提取出软件系统中基于类的基本属性信息和类间依赖关系(如继承关系、调用关系)，该步骤中面向对象软件Junit所有类及类间依赖关系可通过编写程序来获取；

(1-2)依据类间依赖关系，提取信息生成以类为节点，类间依赖关系为边的有向软件网络的邻接矩阵，来表示该软件系统，通过网络化图形工具Pajek对邻接矩阵进行处理可获得如图2所示的面向对象软件Junit的类层次软件网络；

(1-3)编程实现对面向对象软件Junit的类层次软件网络的分析，计算系统对应的复杂网络特征参数值，并分析所得的测试结果。

Junit软件在类的层次抽取得到的网络的全局统计特性表1所示。

表1类层次的Junit网络全局统计特性

粒度	类
		单元总数(节点数)	1832
单元依赖总数(边数)	3670

Junit软件网络特征参数统计出的取值范围表2所示。

表2Junit软件网络特征参数

参数名称	DC	BC	CC	CCO	MNC	DMNC
							最大值	1095	616128.4994	0.0003873	1	1068	0.8012
最小值	1	0	0.0001288	0	1	0

第二步，基于灰色关联分析和主成分分析的关键节点识别，其具体为：

(2-1)首先对原始网络特征参数进行归一化处理；

假设待分析的样本数为n(即网络节点数为n)，每个样本包含q个网络特征参数(如度、聚集系数、接近度、介数等)。那么关键节点识别算法的原始数据集合可采用矩阵R来表示：

$R={\left(\begin{array}{cccc}{r}_{1,1}& ...& r_{1,q-1}& r_{1,q}\\ ...& ...& ...& ...\\ r_{n-1,1}& ...& r_{n-1,q-1}& r_{n-1,q}\\ r_{n,1}& ...& r_{n,q-1}& r_{n,q}\end{array}\right)}_{n\×q}$

由于各参数的量纲不同，而且灰色关联分析方法要求关联度越大的对象评价越好，因此需要对节点的网络特性参数进行归一化处理，得到归一化后的矩阵R'。

$R^{\′}={\left(\begin{array}{cccc}{r}_{1,1}^{\′}& ...& r_{1,q-1}^{\′}& r_{1,q}^{\′}\\ ...& ...& ...& ...\\ r_{n-1,1}^{\′}& ...& r_{n-1,q-1}^{\′}& r_{n-1,q}^{\′}\\ r_{n,1}^{\′}& ...& r_{n,q-1}^{\′}& r_{n,q}^{\′}\end{array}\right)}_{n\×q}$

其中归一化公式为:

$r_{i,j}^{\′}=\frac{r_{i,j}-\underset{i=1,2,...n}{min}{r}_{i,j}}{\underset{i=1,2,...n}{max}{r}_{i,j}-\underset{i=1,2,...n}{min}{r}_{i,j}},i=1,2,...n;j=1,2...q$

(2-2)利用主成分分析法计算各网络特征参数的权重；

通过主成分分析法确定权重可避免主观确定造成的重要性评价偏差，因此本文采用主成分分析法实现各网络特征参数的权重计算。具体计算公式如下:

${\mathrm{\ω}}_j=\frac{{\mathrm{\λ}}_j}{\underset{a=1}{\overset{q}{\Σ}}{\mathrm{\λ}}_a},a=1,2,...q$

(2-3)利用灰色关联分析法计算评价对象关联度；

灰色关联分析法需要根据理想对象计算待评价对象的关联度，因此本部分的计算过程如下。

首先，确定评价对象和理想对象，本方法中待评价对象是R'，理想对象为

$W=\[w_1,w_2,...w_s,...w_q\],w_s=\underset{i=1,2,...,n}{max}{r}_{i,s},s=1,2,...,q,$

其中，w_s表示在n个节点中第s个网络特征参数指标最大值，

其次，计算节点i关于第j个网络特征参数的灰色关联系数的公式如下：

其中 $\mathrm{\Δ}min=\underset{i=1,2,...,n}{\min }\underset{j=1,2,...,q}{\min }|w_j-r_{i,j}^{\′}|,\mathrm{\Δ}max=\underset{i=1,2,...,n}{max}\underset{j=1,2,...,q}{max}|w_j-r_{i,j}^{\′}|,$ μ是保证的参数，这里取0.5；r′_i,j为节点i的第j个网络特征参数值的归一化结果。

最后，根据ω_j的值计算各节点的灰色关联度CR：

其中表示节点i关于第j个网络特征参数的灰色关联系数，ω_j表示第j个网络特征参数的权重值。图3是基于灰色关联分析和主成分分析的关键节点的识别流程图。

灰色关联度排序对应的就是节点的重要性排序，关联度越大的对象评价越佳。

本实施例得到各个特征参数的权重如表3所示。

表3Junit网络各特征参数的权重

参数名称	DC	BC	CC	CCO	MNC	DMNC
							权值	0.167367	0.397659	0.069739	0.085009	0.183159	0.097068

根据计算得到的权值，采用灰色关联分析算法，计算各节点的关联度，并将关联度值由大到小排序，把前5％的关键节点编号确定出来。在本例中，仅将关联度值为前5％的节点为关键节点。

此步骤通过仿真软件Matlab来完成计算，由于数据量较大，本例就不再将所有中间计算数据列出。

第三步，基于关键节点的软件测试用例生成

针对第二步得到的关键节点的灰色关联度值对其进行排序，并将关联度值设置为关键节点的点权。不属于关键节点的节点点权设为0，随后针对网络中的所有路径计算点权之和，确定该Junit软件网络所有12100条路径的权值，在本例中，我们选取1％的路径(121条路径)作为测试用例进行白盒级测试。

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 (7)

1.一种基于复杂网络理论软件测试用例生成方法，其特征在于包括如下步骤：

(1)针对被测软件，基于类层次网络模型，构建出类层次的软件网络，并提取软件网络的特征参数；

(2)对步骤(1)提取的软件网络的特征参数进行归一化处理；再基于主成分分析法，计算各特征参数的权重；再基于灰色关联分析方法，利用根据主成分分析法计算得到的权重，计算各节点的关键性取值并进行排序；

(3)根据步骤(2)得到的各节点的排序，将各节点的点权设置为关键性取值，计算软件网络的关键路径，则每条关键路径就对应一个软件测试用例。

2.根据权利要求1所述的基于复杂网络理论软件测试用例生成方法，其特征在于，步骤(1)的具体过程为：基于类层次网络模型，对被测软件的源代码进行分析，统计出类名和类间依赖关系，其中类名即为类层次网络模型的节点，类间依赖关系即为类层次网络模型的有向边；随后将类名和类间依赖关系这些原始数据进行转化，得到用于生成软件网络的邻接矩阵；再利用网络图形化工具对该矩阵信息进行处理，生成直观可视的软件有向网络；之后，计算网络特征参数，得到步骤(2)中关键节点识别所需的所有特征参数。

3.根据权利要求2所述的基于复杂网络理论软件测试用例生成方法，其特征在于，所述网络特征参数包括统计度和度分布、接近度、偏心度、最大邻居连通度、最大邻居连通密度、平均路径长度。

4.根据权利要求1、2或3所述的基于复杂网络理论软件测试用例生成方法，其特征在于，步骤(2)中对软件网络的特征参数进行归一化处理的过程为；

假设待分析的样本数为n，即网络节点数为n；每个样本包含q个网络特征参数，r表示网络特征参数的具体值，那么关键节点识别算法的原始数据集合则采用矩阵R来表示，为

$R={\left(\begin{array}{cccc}{r}_{1,1}& ...& r_{1,q-1}& r_{1,q}\\ ...& ...& ...& ...\\ r_{n-1,1}& ...& r_{n-1,q-1}& r_{n-1,q}\\ r_{n,1}& ...& r_{n,q-1}& r_{n,q}\end{array}\right)}_{n\×q}$

得到归一化后的矩阵R'，为

$R^{\′}={\left(\begin{array}{cccc}{r}_{1,1}^{\′}& ...& r_{1,q-1}^{\′}& r_{1,q}^{\′}\\ ...& ...& ...& ...\\ r_{n-1,1}^{\′}& ...& r_{n-1,q-1}^{\′}& r_{n-1,q}^{\′}\\ r_{n,1}^{\′}& ...& r_{n,q-1}^{\′}& r_{n,q}^{\′}\end{array}\right)}_{n\×q}$

其中归一化公式为:

$r_{i,j}^{\′}=\frac{r_{i,j}-\underset{i=1,2,...n}{min}{r}_{i,j}}{\underset{i=1,2,...n}{max}{r}_{i,j}-\underset{i=1,2,...n}{min}{r}_{i,j}},i=1,2,...n;j=1,2...q.$

5.根据权利要求4所述的基于复杂网络理论软件测试用例生成方法，其特征在于，步骤(2)中利用主成分分析法计算各网络特征参数权重的过程为：

假设每个样本包含q个网络特征参数，λ_j是第j个网络特征参数的特征向量值，那么第j个网络特征参数的权重值则采用ω_j来表示，为

${\mathrm{\ω}}_j=\frac{{\mathrm{\λ}}_j}{\underset{a=1}{\overset{q}{\Σ}}{\mathrm{\λ}}_a},a=1,2,...q$

具体方法即分别计算任一网络特征参数的特征向量值占所有网络特征参数的特征向量值之和的比重。

6.根据权利要求5所述的基于复杂网络理论软件测试用例生成方法，其特征在于，步骤(2)中利用灰色关联分析法计算评价对象关联度的过程为：

首先，确定评价对象和理想对象，本方法中待评价对象是R'，理想对象为

$W=\[w_1,w_2,...w_s,...w_q\],w_s=\underset{i=1,2,...,n}{max}{r}_{i,s},s=1,2,...,q,$

其中，w_s表示在n个节点中第s个网络特征参数指标最大值；

其次，计算节点i关于第j个网络特征参数的灰色关联系数的公式如下：

其中 $\mathrm{\Δ}min=\underset{i=1,2,...,n}{\min }\underset{j=1,2,...,q}{\min }|w_j-r_{i,j}^{\′}|,\mathrm{\Δ}max=\underset{i=1,2,...,n}{max}\underset{j=1,2,...,q}{max}|w_j-r_{i,j}^{\′}|,$ μ是保证的参数，这里取0.5；r′_i,j为节点i的第j个网络特征参数值的归一化结果；

再次，根据ω_j的值计算各节点的灰色关联度CR：

数的权重值，

最后，将各节点根据计算得到的灰色关联度进行排序，对应的就是节点的重要性排序，关联度越大的对象评价越佳。

7.根据权利要求6所述的基于复杂网络理论软件测试用例生成方法，其特征在于，步骤(3)的具体过程为：

(3-1)依据关键节点的灰色关联度值对其进行排序，并将关联度值设置为关键节点的点权，不属于关键节点的节点点权为0；

(3-2)从根节点出发，对软件网络进行深度优先遍历，计算每条路径的点权之和；

(3-3)将第(3-2)步中找到的路径依据权值之和进行排序，并以从大到小的顺序，对其进行白盒测试，直到达到预先设定的停止条件。