CN110515851A - 一种并行化的两两组合测试用例生成方法 - Google Patents

Abstract

本发明提出了一种并行化的两两组合测试用例生成方法，属于软件组合测试领域。发明的主要内容包括：对参数值列表进行编码并生成需要被覆盖的两两组合测试用例集；通过大数据平台Spark将组合用例集进行分组，并下发到集群中不同节点上进行寻优操作；寻优阶段，每个节点采用one‑test‑at‑a‑time策略与自适应粒子群算法相结合的方式；各个节点寻优结束后，利用Spark的收集函数collect()进行结果收集，并对收集后的用例集进行约简操作。本发明通过对粒子群算法的并行化，并将其用于两两组合测试用例的生成，由实验结果可知，本发明在两两组合测试用例集的生成规模和消耗时间上得到了一定幅度的缩减。

Description

一种并行化的两两组合测试用例生成方法

技术领域

本发明属于软件组合测试领域，具体涉及的是一种并行化的两两组合测试用例生成方法。

背景技术：

软件测试是软件工程中保证软件质量至关重要的环节，理想的软件测试方法需要同时具有高错误检测能力、低成本消耗和广泛的适用性等特点。组合测试作为一种基于用例约减的软件测试方法，旨在从庞大的组合空间中，选取少量但有效的测试用例，生成覆盖率高、揭错能力强的测试用例集。经研究发现，两两组合通常情况下可以发现％70的错误，三三组合可以发现90％的错误，六六组合可以发现全部的错误，由此可见，两两组合在组合测试中的重要作用。

粒子群算法作为启发式搜索算法中的一种，具有简单、高效、收敛速度快等特点，目前已被广泛应用于该领域中，与其它启发式搜索算法相比，它能够生成更小的测试用例集，但需要更长的计算时间。针对以上问题，本发明将one-test-at-a-time策略和自适应粒子群算法相结合，根据粒子的优劣对惯性权重进行自适应调整，在此基础上，提出了一种并行化粒子群算法，用并行化的方法快速生成组合测试用例集。经实验结果表明，基于Spark的并行化粒子群算法是生成两两组合测试用例的一种有效的方法，在用例集的消耗时间上得到了一定的缩减。

发明内容：

一种并行化的两两组合测试用例生成方法，其特征包括以下步骤：

(1)确定约束条件和覆盖强度，获取需覆盖的所有因素的取值组合，即组合覆盖集S；

(2)对组合集S进行重新排序，然后利用大数据平台Spark对S进行分组并下发到集群中不同的节点上进行寻优操作；

(3)寻优阶段，在每个节点上，主要采用one-test-at-a-time策略和自适应粒子群算法相结合的方式来生成单条测试用例；在此，构造一个优先级度量函数，对组合覆盖集中的每个成对组合进行优先级度量，选取覆盖率最高的组合用于单个测试用例的生成；

自适应粒子群算法中，根据粒子的优劣对其进行自适应调整，调整的方法是，将粒子群中粒子进行优劣划分，若粒子i适应度值f_i大于当前种群的平均适应度调整策略是将其赋予较小的惯性权重，设该类粒子有m₁个，使用公式(1)计算m₁个粒子的平均适应度值：

使用公式(2)

来调整惯性权重，其中f_max表示当前迭代次数下种群最优个体的适应度值，w_min表示w的最小值(取w_min＝0.1)；

若粒子适应度值f_i小于则增加粒子的权重w，设这类粒子共有m₂个，使用公式(3)计算这m₂个粒子的平均适应度值：

对惯性权重调整采用自适应调整控制参数的方法，按照公式(4)

进行调整，其中k取(0，1)区间内的任意值；

优先级度量函数使用公式(5)进行计算：

其中，R_k表示第k个组合的覆盖率，cb_i表示集合SA中第i个组合，t_k表示组合cb_i所对应的一条缺省的测试用例，s表示集合SA所包含的两两组合的数目，p(cb_i,t_k)用于度量t_k是否包含cb_i；

(4)根据步骤(3)生成单条测试用例；

(5)从组合覆盖集中剔除已覆盖的组合，得到新的组合覆盖集；

(6)重复步骤(3)～(5),直到组合覆盖集为空；

(7)待所有节点寻优操作完成后，利用Spark将每个节点上的测试用例集进行收集，并对其进行约简；约简的策略主要依据以下两种情形：

情形1.当一个测试数据t_i的所有位置相对于测试数据集TS\(t_i)都是不关心位置时，此测试数据为冗余测试数据，删除后不会影响测试数据集的两两组合覆盖率；

情形2.当两个测试数据t_i和t_j的各个参数对应位置取值相同，或是为相对于测试数据集TS\(t_i，t_j)的不关心位置，则这两个测试数据合并为一个测试数据不会影响整个测试数据集的两两组合覆盖率；

其中，不关心位置表示对于一个测试数据t₁＝(x₁,…,x_n)来说，如果这个n无组在某个位置(第i个参数)的取值与其它n-1个位置上取值形成的n-1个组合对，已经出现在A\{t₁}的测试数据所形成组合对中，则称t₁的位置i相对于A\{t₁}不关心位置，否则称为关心位置；

(8)输出约简后的测试用例集。

附图说明：

图1是测试用例集生成的流程图。

图2是单条测试用例生成的流程图。

具体实施方案：

下面结合附图并通过具体实施方式来进一步描述本发明。

如图1所示，本发明所述的组合测试用例生成方法，是将one-test-at-a-time策略与自适应粒子群算法相结合，运用大数据平台Spark对其进行并行化操作，并将其用于两两组合测试用例集的生成，包括如下步骤：

步骤1：确定约束条件和覆盖强度，获取需覆盖的所有因素的取值组合，即组合覆盖集S；

步骤2：对组合集S进行重新排序，然后Spark对S进行分组并下发到集群中不同的节点上进行寻优操作；

步骤3：寻优阶段，在每个节点上，主要采用one-test-at-a-time策略和自适应粒子群算法相结合的方式来生成单条测试用例；在此，为了提升算法性能，构造一个优先级度量函数，对组合覆盖集中的每个成对组合进行优先级度量，选取覆盖率最高的组合用于单个测试用例的生成；优先级度量函数主要使用公式(5)进行计算。例如，在表1中，由于第5条测试数据覆盖了1，2，3，5这四个组合，在所有五个测试用例中覆盖最高，所以选取第五条测试用例作为寻优的对象。

表1需覆盖组合集及其对应的测试用例

步骤3.1：由图2所示，设定种群大小为n，并随机先取每个因素的值作为种群粒子的裙始位置，取(-1，1)上均匀分布的随机数为对应粒子的初始速度，如(1，2，3，1)就可以表示一个粒子的当前位置。

步骤3.2：计算种群中粒子的适应度值fitValue(X_i)(即为一条测试用例所能覆盖的两两组合的数量)。

步骤3.3：更新每个粒子i当前的最佳位置pBest_i和整个种群的最佳位置gBest，其中，gBest即为当前种群中适应度值最高的粒子。

步骤3.4：自适应粒子群算法中，为增加算法中惯性权重w的多样性，根据粒子的优劣对其进行自适应调整，调整的方法是，将粒子群中粒子进行优劣划分。

若粒子i适应度值f_i大于当前种群的平均适应度调整策略是将其赋予较小的惯性权重，设该类粒子有m₁个，则使用公式(1)计算m₁个粒子的平均适应度值；使用公式(2)来调整惯性权重，其中f_max表示当前迭代次数下种群最优个体的适应度值，w_min表示w的最小值(取w_min＝0.1)；

若粒子适应度值f_i小于则增加粒子的权重w，设这类粒子共有m₂个，使用公式(3)计算这m₂个粒子的平均适应度值；对惯性权重调整采用自适应调整控制参数的方法，按照公式(4)进行调整，其中k取(0，1)区间内的任意值；

步骤3.5：根据公式更新每个粒子的速度:

v_i,j(t+1)＝wv_i,j(t)+c₂r₂[g Best_i,j(t)-x_i,j(t)]+c₁r₁[p Best_i,j(t)-x_i,j(t)] (6)

更新粒子位置：

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1) (7)

并对其进行取整运算，使其符合离散组合问题，并按照“回飞机制”，使某些粒子在寻优过程中若飞入非可行解区域(即其取值超过参数的水平值)时，它将被迫飞回到前一个位置，以保证是可行解；再利用扰动机制，将取值不变的参数以相应该维取值的均匀公布进行变化，具体实现是：对于粒子i的每一维j,在[0,1]中生成随机数r，当r≤1/d(d为某一参数的取值个数)时，在该维的所有取值中随机选择一个替换对应参数的具体取值x_ij。

例如：使用公式(7)计算后的粒子位置为(0.8643，2，2.1763)，由于第一个和第三个位置的值出现异常，因此首先对其进行取整操作，取整后数值为(0，2，2)；若该数值为可行解，则对该可行解中不变的参数进行扰动操作；否则采用“回飞机制”进行处理(“回飞机制”即为当前粒子在利用公式(7)计算前的位置)。

步骤3.6根据粒子的适应度值更新每个粒子pBest(如果更新后粒子的适应度值优于原粒子，则进行更新，否则保持原粒子不变)，并更新粒子群的gBest(若更新后测试用例集的最优适应度值优于更新前的最优值，则进行更新，否则保持原gBest不变)。

步骤3.7：重复步骤3.2～3.6,直到达到预设的最大迭代次数或达到一个测试用例所能覆盖组合的最大值，返回最优粒子gBest,更新组合测试用例集。

步骤4：根据步骤(3)生成单条测试用例；

步骤5：计算最优粒子gBest所包含的组合,剔除已覆盖的组合，得到新的组合覆盖集。

步骤6：重复步骤3～5，直到组合覆盖集为空，返回测试用例集。

步骤7：待所有节点寻优操作完成后，利用Spark的收集函数collect()将每个节点上的测试用例集进行收集，并对其进行约简；约简的策略主要依据以下两种情形：

情形1.当一个测试数据t_i的所有位置相对于测试数据集TS\(t_i)都是不关心位置时，此测试数据为冗余测试数据，删除后不会影响测试数据集的两两组合覆盖率；

情形2.当两个测试数据t_i和t_j的各个参数对应位置取值相同，或是为相对于测试数据集TS\(t_i，t_j)的不关心位置，则这两个测试数据合并为一个测试数据不会影响整个测试数据集的两两组合覆盖率；

其中，不关心位置表示对于一个测试数据t₁＝(x₁,…,x_n)来说，如果这个n元组在某个位置(第i个参数)的取值与其它n-1个位置上取值形成的n-1个组合对，已经出现在A\{t₁}的测试数据所形成组合对中，则称t₁的位置i相对于A\{t₁}为不关心位置，否则称为关心位置。

例如，A＝{(1,2,3),(1,2,1),(1,1,3)}，取t₁＝(1,2,3)，则t₁中第一个位置为不关心位置，因为由第一位置所构成的组合对(1,2,-),(1,-,3)分别出现在(1,2,1),(1,1,3)中。

步骤8输出约简后的测试用例集。

为了验证本发明的有效性，通过实验对并行化粒子群算法生成两两组合测试用例集的规模和消耗时间进行测试，实验是基于大数据平台Spark，采用scala编程语言来实现。因为启发式算法不能保证在任何情况下都能生成最小的两两组合测试用例集，因此本发明首先将并行化粒子群算法(Parellel Particle Swarm Optimization based on Spark,PPSOS)与粒子群算法(Particle Swarm Optimization,PSO)及其它同类方法在组合测试用例的生成规模上进行比较；其次是将算法PPSOS与PSO及其它常见演化方法在生成用例集的消耗时间上进行比较。

由于粒子群算法中存在随机因素的影响，因此在实验中，针对每组实验数据均独立执行了30次，取其最优值作为对比数据。算法的参数设置为：种群大小＝200，生成单个测试用例的最大迭代次数I_max＝10,初始的惯性权重w＝0.729，学习因子c₁＝c₂＝1.49,r₁＝r₂＝0.5。

表2对于pⁿ(p为素数或素数方幂)型测试数据生成规模比较

表3测试数据集规模比较

表4运行时间比较结果

表2、表3、表4分别给出了用例集生成规模和消耗时间这两个方面的比较结果。由表2和表3中数据可知，除实例3¹³外，PPSOS生成两两组合测试用例集的规模均小于PSO生成方法，或与之相当，且与一些主要的启发式算法或工具相比，在生成规模上也得到了一定幅度的缩减。由表4中数据可知，PPSOS在生成用例集的消耗时间上明显少于PSO生成方法及一些主要的启发式算法生成方法。

综上所述，本发明提出的一种并行化的两两组合测试用例生成方法，可以有效解决组合测试用例集消耗时间过长的问题。

Claims (1)

1.一种并行化的两两组合测试用例生成方法，其特征包括以下步骤：

(1)确定约束条件和覆盖强度，获取需覆盖的所有因素的取值组合，即组合覆盖集S；

(2)对组合集S进行重新排序，然后利用大数据平台Spark对S进行分组并下发到集群中不同的节点上进行寻优操作；

(3)寻优阶段，在每个节点上，主要采用one-test-at-a-time策略和自适应粒子群算法相结合的方式来生成单条测试用例；在此，构造一个优先级度量函数，对组合覆盖集中的每个成对组合进行优先级度量，选取覆盖率最高的组合用于单个测试用例的生成；

自适应粒子群算法中，根据粒子的优劣对其进行自适应调整，调整的方法是，将粒子群中粒子进行优劣划分，若粒子i适应度值f_i大于当前种群的平均适应度调整策略是将其赋予较小的惯性权重，设该类粒子有m₁个，使用公式(1)计算m₁个粒子的平均适应度值：

使用公式(2)

来调整惯性权重，f_max表示当前迭代次数下种群最优个体的适应度值，其中w_min表示w的最小值(取w_min＝0.1)；

若粒子适应度值f_i小于则增加粒子的权重w，设这类粒子共有m₂个，则使用公式(3)计算这m₂个粒子的平均适应度值：

对惯性权重调整采用自适应调整控制参数的方法，按照公式(4)

进行调整，其中k取(0，1)区间内的任意值；

优先级度量函数使用公式(5)进行计算：

其中，R_k表示第k个组合的覆盖率，cb_i表示集合SA中第i个组合，t_k表示组合cb_i所对应的一条缺省的测试用例，s表示集合SA所包含的两两组合的数目，p(cb_i,t_k)用于度量t_k是否包含cb_i；

(4)根据步骤(3)生成单条测试用例；

(5)从组合覆盖集中剔除已覆盖的组合，得到新的组合覆盖集；

(6)重复步骤(3)～(5),直到组合覆盖集为空；

(7)待所有节点寻优操作完成后，利用大数据平台Spark的collect()将每个节点上的测试用例集进行收集，并对其进行约简；约简的策略主要依据以下两种情形：

情形1.当一个测试数据t_i的所有位置相对于测试数据集TS\(t_i)都是不关心位置时，此测试数据为冗余测试数据，删除后不会影响测试数据集的两两组合覆盖率；

情形2.当两个测试数据t_i和t_j的各个参数对应位置取值相同，或是为相对于测试数据集TS\(t_i，t_j)的不关心位置，则这两个测试数据合并为一个测试数据不会影响整个测试数据集的两两组合覆盖率；

其中，不关心位置表示对于一个测试数据t₁＝(x₁,…,x_n)来说，如果这个n无组在某个位置(第i个参数)的取值与其它n-1个位置上取值形成的n-1个组合对，已经出现在A\{t₁}的测试数据所形成组合对中，则称t₁的位置i相对于A\{t₁}不关心位置，否则称为关心位置；

(8)输出约简后的测试用例集。