CN107992426A - 一种基于频繁子图挖掘的软件错误定位方法及处理装置 - Google Patents

Abstract

本发明涉及软件测试技术领域，特别是一种基于频繁子图挖掘的软件错误定位方法及处理装置。该方法首先对测试用例获取软件中程序动态依赖关系生成的程序动态依赖图中的偶然正确性程序动态依赖图进行去除，再对去除偶然正确性的程序动态依赖图采用频繁子图算法进行挖掘，从而进行错误定位，并得出错误相关的程序上下文信息，为开发人员提供包含上下文的调试信息，有利于开发人员理解错误定位的结果，有利于提高错误定位的精度，解决了目前软件错误定位过程中错误定位效率低的问题。

Description

一种基于频繁子图挖掘的软件错误定位方法及处理装置

技术领域

本发明涉及软件测试技术领域，特别是一种基于频繁子图挖掘的软件错误定位方法及处理装置。

背景技术

软件错误定位可以促进软件产业的健康发展，保障国家信息安全，软件质量的提升可以改善人们的生活和工作，显著推动国民经济和信息产业发展。随着软件规模和复杂程度的提高，软件错误出现的频率迅速上升，软件错误可能会给人类造成严重的经济损失和不利影响，软件错误定位为查找软件中错误提供了有效的方法。

频繁子图挖掘是关联规则技术在图论上的应用，是数据挖掘中的一个活跃和重要的分支。在各种图模式中，频繁子结构可以在图集合中发现非常基本的模式，用来刻画图集合的特征，以发现有趣的模式。该技术反映了两个或多个事务之间存在一定的关联关系，其中一个事务就能通过其他的事务来预测，搜索所有事务以发现重复出现概率较高的有趣模式。运用频繁子图挖掘算法，可以挖掘出与错误语句高相关的信息，构造包含程序的上下文信息以有效地定位软件错误。本项目拟采用频繁子图挖掘算法来定位软件中的错误，并提供软件错误相关的上下文信息，方便开发人员定位错误。

现有研究大部分考虑了程序执行的动态信息与程序执行失败的关联关系，但较少考虑错误定位的上下文信息，另有一部分方法大都使用统计方法计算程序实体的怀疑度，并按怀疑度大小排序，这类方法在定位单错误时的效果优于多错误的效果。目前，衡量错误定位的指标主要是错误可疑度的序列或集合，以此为依据检查错误，这种指标被目前的研究普遍采用，但这是一种较为理想化的结果，缺少定位错误的上下文信息。

有中国专利公开号为CN104536882A的专利文献公开了一种基于频繁子图挖掘的错误定位方法，将程序的所有实体共同作为一个整体，通过图挖掘方法获取失败用例执行中的特征模式，进而实现更加准确且包含运行时上下文的自动化错误定位结果，其中利用熵值得到子图的信息增益，若子图g1包含g2，则移除g2，若出现误删，则会导致找不到错误语句，并且利用信息增益排序得到高可疑的k个频繁子图，提供给测试者定位错误，若错误语句不在前k个频繁子图，则找不到错误语句。

在大型开源软件系统的错误定位研究领域中，主要存在的问题是缺乏定位错误的上下文信息。目前，软件错误定位技术的研究尚不完善，主要集中在如何缩小错误的可疑范围以及提高错误程序实体的排名顺序，开发人员在程序调试过程中通常需要了解错误相关的上下文环境来定位错误，开发人员无法获知某一时刻程序中变量的状态和依赖信息，无法快速理解错误发生时程序的状态和环境，导致无法找到错误语句，从而降低了程序调试的效率。

发明内容

本发明的目的是提供一种基于频繁子图挖掘的软件错误定位方法及处理装置，用以解决目前软件错误定位过程中错误定位效率低的问题。

为实现上述目的，本发明一种基于频繁子图挖掘的软件错误定位方法，包括以下方法技术方案：

方法方案一：一种基于频繁子图挖掘的软件错误定位方法，包括步骤如下：

1)通过测试用例获取软件中程序动态依赖关系，并生成程序动态依赖图；

2)选取程序的偶然正确性特征元素，并根据所述偶然正确性特征元素获取去除偶然正确性的程序动态依赖图；

3)将去除偶然正确性的程序动态依赖图进行编码，并进行频繁子图挖掘得到k-频繁子图；

4)根据所述k-频繁子图产生候选子图，根据候选子图的支持度得到频繁子图；

5)根据所述频繁子图与错误结果的高关联关系进行错误定位。

有益效果是，本方法方案一通过对程序动态依赖图采用频繁子图算法进行挖掘，并得出错误相关的程序上下文信息，为开发人员提供包含上下文的调试信息，有利于开发人员理解错误定位的结果，有利于提高错误定位的精度，解决了目前软件错误定位过程中错误定位效率低的问题。

方法方案二：在方法方案一的基础上，步骤2)中偶然正确性特征元素的选取为根据偶然正确性元素的怀疑度值的大小排序，将序列的前θ部分作为偶然正确性特征元素，其中0<θ<1，公式如下：fcc_e＝{e|e∈cc_e∧θ*ranking(cc_e)}，所述偶然正确性元素的选取要求为程序实体出现在失败测试的概率是1，而出现在成功测试中的概率大于零小于1。

方法方案三：在方法方案二的基础上，步骤2)中根据偶然正确性特征元素对程序执行轨迹进行约简，并基于二路谱聚类识别偶然正确性测试用例，得到去除偶然正确性的程序动态依赖图。

有益效果是，本方法方案三通过二路谱聚类识别偶然正确性测试用例，获取去除偶然正确性的程序动态依赖图，从而去除了偶然正确性对错误定位效率的影响，提高错误定位效率。

方法方案四：在方法方案一、方法方案二或方法方案三的基础上，步骤3)中通过深度优先搜索(DFS)编码来表示一个去除偶然正确性的程序动态依赖图。

方法方案五：在方法方案四的基础上，步骤3)对编码的去除偶然正确性的程序动态图采用基于模式增长的频繁子图挖掘算法gScan进行挖掘，得到k-频繁子图。

方法方案六：在方法方案五的基础上，步骤4)中通过获取k-频繁子图，并按最右扩展规则来扩展子图；对k-频繁子图的DFS编码树进行最右路径扩展，每次添加一条边，得到(k+1)-候选子图；判断(k+1)-候选子图的支持度是否大于最小支持度，若小于，输出(k+1)-候选子图为频繁子图。

本发明提供一种基于频繁子图挖掘的软件错误定位处理装置，包括以下装置技术方案：

装置方案一：一种基于频繁子图挖掘的软件错误定位处理装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

1)通过测试用例获取软件中程序动态依赖关系，并生成程序动态依赖图；

2)选取程序的偶然正确性特征元素，并根据所述偶然正确性特征元素获取去除偶然正确性的程序动态依赖图；

3)将去除偶然正确性的程序动态依赖图进行编码，并进行频繁子图挖掘得到k-频繁子图；

4)根据所述k-频繁子图产生候选子图，根据候选子图的支持度得到频繁子图；

5)根据所述频繁子图与错误结果的高关联关系进行错误定位。

装置方案二：在装置方案一的基础上，步骤2)中偶然正确性特征元素的选取为根据偶然正确性元素的怀疑度值的大小排序，将序列的前θ部分作为偶然正确性特征元素，其中0<θ<1，公式如下：fcc_e＝{e|e∈cc_e∧θ*ranking(cc_e)}，所述偶然正确性元素的选取要求为程序实体出现在失败测试的概率是1，而出现在成功测试中的概率大于零小于1。

装置方案三：在装置方案二的基础上，步骤2)中根据偶然正确性特征元素对程序执行轨迹进行约简，并基于二路谱聚类识别偶然正确性测试用例，得到去除偶然正确性的程序动态依赖图。

装置方案四：在装置方案一、装置方案二或装置方案三的基础上，步骤3)中通过深度优先搜索(DFS)编码来表示一个去除偶然正确性的程序动态依赖图。

装置方案五：在装置方案四的基础上，步骤3)对编码的去除偶然正确性的程序动态图采用基于模式增长的频繁子图挖掘算法gScan进行挖掘，得到k-频繁子图。

装置方案六：在装置方案五的基础上，步骤4)中通过获取k-频繁子图，并按最右扩展规则来扩展子图；对k-频繁子图的DFS编码树进行最右路径扩展，每次添加一条边，得到(k+1)-候选子图；判断(k+1)-候选子图的支持度是否大于最小支持度，若小于，输出(k+1)-候选子图为频繁子图。

附图说明

图1是一种基于频繁子图挖掘的软件错误定位方法的流程示意图；

图2是程序动态依赖图生成的流程图；

图3是偶然正确性特征元素选取的流程图；

图4是偶然正确性测试用例识别的流程图；

图5是频繁子图挖掘的流程图；

图6是候选子图产生的流程图；

图7是软件错误定位的流程图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

本发明提供一种基于频繁子图挖掘的软件错误定位处理装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其中处理器执行一种基于频繁子图挖掘的软件错误定位方法，通过分析偶然正确性对错误定位效率的不利影响，结合特征元素提取，提出基于模糊c均值聚类的偶然正确性测试用例识别方法，研究消除偶然正确性对错误定位效率的提升程度；再根据获取的程序执行信息及执行结果，处理的粒度可以是函数、基本块、语句等，收集程序动态依赖关系，生成程序动态依赖图，并通过DFS(Depth-First-Search)编码动态依赖图，在此基础上，挖掘与错误相关的频繁子图，找到频繁子图和程序失败执行结果的关联关系；深入分析执行轨迹中语句与执行结果之间的关联，从中发现重复出现概率较高的规则或模式，挖掘出隐藏在这些信息之间的关联，挖掘出高频率出错的模式，研究基于频繁子图挖掘的错误定位方法；最后，从错误相关的频繁子图中提供定位错误的上下文信息，以方便开发人员理解错误相关语句，更准确的定位软件错误。如图1所示，具体步骤如下：

步骤S1：程序动态依赖图生成。

获取程序执行信息及程序执行结果，收集程序动态依赖关系，生成程序动态依赖图。详细地，如图2所示，包括以下步骤：

S101：开始状态；

S102：使用测试用例驱动程序的源代码，在Ubuntu 12.04.2操作系统和gcc-4.6.3编译器下，使用gcc的Gcov组件获取程序执行轨迹信息，并通过测试用例获取相应的程序执行结果；

S103：收集程序动态依赖关系，生成程序动态依赖图；

S104：程序动态依赖图生成完毕。

步骤S2：偶然正确性特征元素选取。

程序实体e为偶然正确性元素要求该程序实体出现在失败测试的概率是1，而出现在成功测试中的概率大于零小于1。使用某怀疑度计算公式计算偶然正确性元素cc_e的怀疑度，并对其按怀疑度从大到小排序得到ranking(cc_e)序列，取序列的前θ(0<θ<1，θ参数)部分为偶然正确性特征元素，公式如下：fcc_e＝{e|e∈cc_e∧θ*ranking(cc_e)}。详细地，如图3所示，包括以下步骤：

S201：起始状态；

S202：偶然正确性元素筛选要求该程序实体e出现在失败测试的概率是1，而出现在成功测试中的概率大于零小于1；

S203：使用某种怀疑度计算公式计算偶然正确性元素的怀疑度值，并按怀疑度大小排序；

S204：取序列的前θ部分为偶然正确性特征元素，其中0<θ<1，公式如下：fcc_e＝{e|e∈cc_e∧θ*ranking(cc_e)}；

S205：偶然正确性特征元素选取完毕。

步骤S3：偶然正确性测试用例识别。

根据偶然正确性特征元素对程序执行轨迹进行约简，基于二路谱聚类识别偶然正确性测试用例；去除偶然正确性的程序动态依赖图获取。详细地，如图4所示，包括以下步骤：

S301：起始状态；

S302：根据偶然正确性特征元素对程序执行轨迹进行约简；

S303：基于二路谱聚类识别偶然正确性测试用例；

S304：去除偶然正确性的程序动态依赖图获取；

S305：偶然正确性测试用例识别完毕。

步骤S4：频繁子图挖掘。

首先用DFS(深度优先搜索)编码来表示一个图；由于一个图可能对应多个DFS树，对每个DFS树，根据定点的访问顺序和某些规则转换为边序列，称为DFS编码；选择最小的DFS编码来唯一表示一个图，因此，图的同构计算可以通过比较其最小DFS编码来进行。去除偶然正确性的程序动态依赖图上挖掘频繁子图，拟采用基于模式增长的频繁子图挖掘算法gScan。详细地，如图5所示，包括以下步骤：

S401：起始状态；

S402：首先用DFS(深度优先搜索)编码来表示一个图；由于一个图可能对应多个DFS树，对每个DFS树，根据定点的访问顺序和某些规则转换为边序列，称为DFS编码；

S403：图的同构计算可以通过比较其最小DFS编码来进行，选择最小的DFS编码来唯一表示一个图；

S404：去除偶然正确性的程序动态依赖图上挖掘频繁子图，采用基于模式增长的频繁子图挖掘算法gScan进行挖掘；

S405：频繁子图挖掘完毕。

步骤S5：候选子图产生。

按最右扩展规则来扩展子图，对k-频繁子图的DFS编码树进行最右路径扩展，每次添加一条边，得到(k+1)-候选子图。gSpan搜索树中，每个节点是DFS编码，第n层中节点由第n-1层节点的扩展得到。若(k+1)-候选子图不是最小编码形式，则判定该图是冗余的，从候选子图中删除。每次计算k-频繁子图支持度的时候，同时记录频繁子图的所有嵌入，(k+1)-候选子图的支持度则可以通过对k-频繁子图的所有嵌入进行最右路径扩展获取。详细地，如图6所示，包括以下步骤：

S501：起始状态；

S502：从步骤4)获取k-频繁子图；

S503：按最右扩展规则来扩展子图，对k-频繁子图的DFS编码树进行最右路径扩展，每次添加一条边，得到(k+1)-候选子图；

S504：每次计算k-频繁子图支持度的时候，同时记录频繁子图的所有嵌入，(k+1)-候选子图的支持度则可以通过对k-频繁子图的所有嵌入进行最右路径扩展获取；

S505：频繁子图获取；

S506：候选子图产生完毕。

步骤S6：软件错误定位。

获取频繁子图，使用频繁子图与错误结果的高关联关系，提供错误定位的上下文信息，进行错误定位。详细地，如图7所示，包括以下步骤：

S601：起始状态；

S602：获取频繁子图，使用频繁子图与错误结果的高关联关系，提供错误定位的上下文信息；

主要通过频繁子图挖掘算法挖掘中频繁出错的模式，该模式中语句与程序执行结果错误高关联，通过此高关联关系，调试人员查找频繁出错的模式以找出程序错误语句。

S603：利用提供错误定位的上下文信息，进行软件错误定位；

S604：软件错误定位完毕。

综上所述，本发明提供的一种基于频繁子图挖掘的软件错误定位方法，解决了目前软件错误定位过程中错误定位效率低的问题，采用频繁子图算法挖掘错误相关的程序上下文信息，为开发人员提供包含上下文的调试信息，有利于开发人员理解错误定位的结果，有利于提高错误定位的精度。

以上给出了本发明涉及的具体实施方式，但本发明不局限于所描述的实施方式。在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (10)

1.一种基于频繁子图挖掘的软件错误定位方法，其特征在于，包括步骤如下：

1)通过测试用例获取软件中程序动态依赖关系，并生成程序动态依赖图；

2)选取程序的偶然正确性特征元素，并根据所述偶然正确性特征元素获取去除偶然正确性的程序动态依赖图；

3)将去除偶然正确性的程序动态依赖图进行编码，并进行频繁子图挖掘得到k-频繁子图；

4)根据所述k-频繁子图产生候选子图，根据候选子图的支持度得到频繁子图；

5)根据所述频繁子图与错误结果的高关联关系进行错误定位。

2.根据权利要求1所述的基于频繁子图挖掘的软件错误定位方法，其特征在于，步骤2)中偶然正确性特征元素的选取为根据偶然正确性元素的怀疑度值的大小排序，将序列的前θ部分作为偶然正确性特征元素，其中0<θ<1，公式如下：fcc_e＝{e|e∈cc_e∧θ*ranking(cc_e)}，所述偶然正确性元素的选取要求为程序实体出现在失败测试的概率是1，而出现在成功测试中的概率大于零小于1。

3.根据权利要求2所述的基于频繁子图挖掘的软件错误定位方法，其特征在于，步骤2)中根据偶然正确性特征元素对程序执行轨迹进行约简，并基于二路谱聚类识别偶然正确性测试用例，得到去除偶然正确性的程序动态依赖图。

4.根据权利要求1、2或3所述的基于频繁子图挖掘的软件错误定位方法，其特征在于，步骤3)中通过深度优先搜索(DFS)编码来表示一个去除偶然正确性的程序动态依赖图。

5.根据权利要求4所述的基于频繁子图挖掘的软件错误定位方法，其特征在于，步骤3)对编码的去除偶然正确性的程序动态图采用基于模式增长的频繁子图挖掘算法gScan进行挖掘，得到k-频繁子图。

6.一种基于频繁子图挖掘的软件错误定位处理装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

1)通过测试用例获取软件中程序动态依赖关系，并生成程序动态依赖图；

2)选取程序的偶然正确性特征元素，并根据所述偶然正确性特征元素获取去除偶然正确性的程序动态依赖图；

3)将去除偶然正确性的程序动态依赖图进行编码，并进行频繁子图挖掘得到k-频繁子图；

4)根据所述k-频繁子图产生候选子图，根据候选子图的支持度得到频繁子图；

5)根据所述频繁子图与错误结果的高关联关系进行错误定位。

7.根据权利要求6所述的基于频繁子图挖掘的软件错误定位处理装置，其特征在于，步骤2)中偶然正确性特征元素的选取为根据偶然正确性元素的怀疑度值的大小排序，将序列的前θ部分作为偶然正确性特征元素，其中0<θ<1，公式如下：fcc_e＝{e|e∈cc_e∧θ*ranking(cc_e)}，所述偶然正确性元素的选取要求为程序实体出现在失败测试的概率是1，而出现在成功测试中的概率大于零小于1。

8.根据权利要求7所述的基于频繁子图挖掘的软件错误定位处理装置，其特征在于，步骤2)中根据偶然正确性特征元素对程序执行轨迹进行约简，并基于二路谱聚类识别偶然正确性测试用例，得到去除偶然正确性的程序动态依赖图。

9.根据权利要求6、7或8所述的基于频繁子图挖掘的软件错误定位处理装置，其特征在于，步骤3)中通过深度优先搜索(DFS)编码来表示一个去除偶然正确性的程序动态依赖图。

10.根据权利要求9所述的基于频繁子图挖掘的软件错误定位处理装置，其特征在于，步骤3)对编码的去除偶然正确性的程序动态图采用基于模式增长的频繁子图挖掘算法gScan进行挖掘，得到k-频繁子图。