CN110795349A - 基于中心补偿策略的自适应随机测试用例生成方法 - Google Patents
基于中心补偿策略的自适应随机测试用例生成方法 Download PDFInfo
- Publication number
- CN110795349A CN110795349A CN201911030817.2A CN201911030817A CN110795349A CN 110795349 A CN110795349 A CN 110795349A CN 201911030817 A CN201911030817 A CN 201911030817A CN 110795349 A CN110795349 A CN 110795349A
- Authority
- CN
- China
- Prior art keywords
- case
- candidate
- test case
- tested
- program
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 description 17
- 238000004088 simulation Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010998 test method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013522 software testing Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electronic Circuits (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于中心补偿策略的自适应随机测试用例生成方法，主要步骤包括：步骤1，通过程序的输入情况获取程序的输入域范围以及失效类型，随机产生第一个测试用例并执行于待测程序中，检查是否命中失效区域；步骤2，通过当前区域中心点将区域划分为四个面积相等的子区域。随机选择s空白子区域从中产生规模为s*k集；步骤3，判断随机数rand的关系，据其使用不同算法；步骤4，执行测试用例，判断是否命中失效，若命中失效则返回已测用例集，否则继续执行步骤2到步骤4。本方法在较低计算开销的情况下，以较少的测试用例检测出程序失效。
Description
技术领域
本发明属于软件测试领域中的自适应随机测试技术，涉及一种基于中心补偿策略的自适应随机测试用例生成方法。
背景技术
作为软件质量和可靠性保证最重要的技术手段，软件测试在软件开发中的地位日益重要。在软件测试技术的众多研究中，测试用例的生成技术已成为该领域中的主要研究对象。在整个输入域中进行穷举测试是不太现实的，因此如何使筛选出的测试用例具有较强的代表性和较高的揭示错误能力，是提高检测效果的关键所在。
随机测试(Random Testing, RT)是一种典型的黑盒测试方法，没有涉及到复杂的软件需求、不需要程序的内部信息，因其思路简单、易于实现、速度快等优点而被广泛应用于软件测试、可靠性评估和统计分析。但是由于RT产生测试用例的过程是在输入域内随机地选择测试用例，没有使用已有测试用例的空间位置等信息，使得生成的测试用例冗余度较高、覆盖率低，所以随机测试的故障揭示能力有限。为了提高RT的检测效果，T.Y.Chen等人基于引发程序失效的输入在输入域中呈现出的“局部连续”现象，提出了适应性随机测试(Adaptive Random Testing, ART)。适应性随机测试能够保证测试用例尽可能“均匀”地分布于输入域中，进而显著地提升程序失效的检测效果。FSCS-ART (Fixed-Size-Candidate-Set ART)算法是最为经典的ART算法之一，通过距离计算可以保证测试用例在输入域中的均匀分布，从而具有较好的揭错能力。但是随着输入域维度的升高，该算法倾向于选择位于输入域边缘的测试用例，会导致算法的失效检测能力显著降低。此外算法还存在着严重的计算开销问题。章晓芳等人在ART均匀分布思想的指导下，基于划分测试的理念提出了一种基于优先级的迭代划分测试方法(IPT based on priority sampling, IPT-PS)，该方法主要的步骤为迭代划分、中心点采样和测试用例生成。通过不断地迭代划分输入域并选取划分后子域的中心点作为待执行的测试用例。进一步地，通过分析子域中心点空间位置的不同，将它们分为3种不同的优先等级并依次执行。IPT-PS算法通过中心点取样选择测试用例，虽然在某些情况下失效检测能力较好，但是由于该算法在选择测试用例的过程中过于确定，很难选到边界附近的测试用例，所以算法的普适性较差。
发明内容
为了解决上述的FSCS-ART算法的边界效应和计算开销问题，本发明提出了一种基于中心补偿策略的自适应随机测试用例生成方法（FSCS-CCS）。首先通过网格中心点坐标不断地
迭代划分输入域，按照网格的占用情况对其进行优先级划分，优先选取不包含测试用例的网格。其次基于FSCS-ART算法的候选规则，通过固定规模的候选用例与已测用例进行距离计算，使得产生的测试用例在输入域中的分布更加均匀。本发明提出的测试用例生成方法中候选用例只与邻居区域中的已测用例进行距离计算，减少用于计算的开销。同时结合IPT-PS算法中心取样的思想，使用中心补偿策略对候选用例进行筛选，减轻FSCS-ART算法中测试用例趋向边缘的弊端。
基于中心补偿策略的自适应随机测试用例生成方法（FSCS-CCS）结合两个算法的优点，通过网格划分保证了一个区域只包含一个测试用例，在用例之间进行距离计算使测试用例之间保持一定的距离，从而达到“均匀分布”的目的。在保证失效检测效果的情况下，使检测到程序中第一个失效所需测试用例的个数尽可能变得更少，从而提高方法的失效检测能力。结合使用候选用例到网格中心点之间的距离计算改善了算法在高维情形下的边界效应。最后将本方法的实验结果与现有的自适应随机测试用例产生方法的结果进行比较，验证了提出方法的有效性和所需测试用例的个数比较少的优势。
本发明的技术方案如下：
步骤1，通过程序的基本信息获取程序的输入域范围以及程序的失效类型，随机产生第一个测试用例并执行于待测程序中，检查是否命中失效区域；
步骤2，通过当前区域中心点将区域划分为四个面积相等的子区域。随机选择s个空白子区域并从空白子区域中随机地产生固定规模为的候选用例集；
步骤3，产生随机数rand并判断与阈值θ的关系，根据二者关系使用不同算法选择下一个测试用例；
步骤4，将测试用例执行于待测程序中，判断是否命中失效，若用例命中失效则返回已测用例集，否则继续执行步骤2到步骤4。
根据权利要求1所述方法，其特征在于，所述步骤1具体包括如下步骤：
步骤1.1，存储输入域在每个维度的范围，根据输入信息确定输入域的失效模式、失效率等相关信息；
步骤1.2，将输入域添加入空白区域集合ER中；
步骤1.3，根据程序输入域范围，在输入域内随机产生第一个测试用例tc，将tc加入已测用例集合TS中并将输入域从集合ER中移除；
步骤1.4，在待测程序中执行测试用例tc，若tc命中失效，返回已测用例集合TS，方法结束，否则执行下一步骤。
根据权利要求2所述方法，其特征在于，所述步骤2具体包括如下步骤：
步骤2.1，添加不包含已测用例的区域至空白区域列表ER，判断ER是否为空；
步骤2.2，若空白区域列表为空，通过区域中心点将每个区域划分为四等份。将集合TS中所有已测用例重新定位到子区域列表中，并将不包含已测用例的区域添加至集合ER；
步骤2.3，从ER中随机选择s个空白区域至候选区域集合CR，轮询遍历CR中候选区域，直到产生s*k个候选用例，添加至候选用例集合CS中。
根据权利要求3所述方法，其特征在于，所述步骤3具体包括如下步骤：
步骤3.1，产生一个[0,1)的随机数rand，将rand与阈值θ进行比较。其中θ的计算公式如下：
步骤3.2，若rand≤θ，则采用固定规模候选集的ART方法。分别计算候选用例与输入域中所有已测用例之间的距离，选择最小距离作为当前候选用例的距离minDistance。从所有候选用例中选出拥有最大minDistance的候选用例作为下一个执行用例；
步骤3.3，若rand>θ，则采用基于中心补偿策略的ART方法。首先计算候选用例与当前区域的邻居区域中所有已测用例之间的距离minDistance，选择minDistance最大的前k个候选用例。计算k个候选用例的rcDistance值，选取其中rcDistance值最小的候选用例作为下一个执行用例，rcDistance的计算公式如下：
其中，midDistance为候选点到当前区域中心点的距离，hypLength为区域斜边长的一半。
根据权利要求4所述方法，其特征在于，所述步骤4具体包括如下步骤：
步骤4.1，将步骤3产生的测试用例tc添加至集合TS并执行于待测程序中，判断是否命中失效；
步骤4.2，若未命中失效，则重复执行步骤2到步骤4。继续选择空白子区域，产生候选
用例，选出下一个测试用例。
步骤4.3，若命中失效，返回测试用例集TS，方法结束。
与现有技术相比，本发明有益的效果是：
1. 基于中心补偿策略的自适应随机测试方法（FSCS-CCS）能通过比较少的测试用例个数查找出程序中的第一个错误信息。基于中心补偿策略的自适应随机测试方法（FSCS-CCS）不再从整个输入域内随机产生候选用例，而是在未包含已测用例的子区域中随机产生。由于每个维度的划分份数是一致的，即在同一索引结构中，输入域内各个子区域的大小是一致的。按照比例抽样的原则，随机选择不包含已测用例的区域作为候选区域。每个区域只产生一个测试用例，保证了测试用例的分布不会过于集中，从而提高方法的失效检测能力。
2. 基于中心补偿策略的自适应随机测试方法（FSCS-CCS）能减少FSCS-ART算法的边界效应。随着输入域维度的升高，FSCS-ART算法倾向于选择位于输入域边缘的测试用例，会导致算法的失效检测能力显著降低。基于中心补偿策略的自适应随机测试方法（FSCS-CCS）在FSCS-ART算法“均匀分布”的思想之上，借鉴IPT-PS算法中心取样的思想，使用中心补偿策略对候选用例进行筛选。两个指标的使用可以降低边缘测试用例的优先级，提高算法的失效检测能力。
3. 基于中心补偿策略的自适应随机测试方法（FSCS-CCS）可以减少FSCS-ART算法中用于计算的开销。与FSCS-ART算法中候选用例和所有已测用例进行距离计算的思想不同，基于中心补偿策略的自适应随机测试方法（FSCS-CCS）只与当前区域邻居区域中的已测用例进行距离计算，减少用于计算的开销，同时也降低了距离之间的比较次数，提高算法的失效检测效率。
附图说明
图1是基于中心补偿策略的自适应随机测试用例生成方法（FSCS-CCS）的完整流程图；
图2是基于固定规模候选集的自适应随机测试用例选择方法流程图；
图3是基于中心补偿策略的自适应随机测试用例选择方法流程图；
图4是程序输入域为2维时，进行5000次模拟实验本方法较FSCS-ART方法失效检测能力的对比图；
图5是程序输入域为3维时，进行5000次模拟实验本方法较FSCS-ART方法失效检测能力的对比图；
图6是程序输入域为4维时，进行5000次模拟实验本方法较FSCS-ART方法失效检测能力的对比图；
图7是程序输入域为5维时，进行5000次模拟实验本方法较FSCS-ART方法失效检测能力的对比图；
图8是选取了13个经典的程序进行5000次真实实验，本方法较FSCS-ART方法失效检测能力的对比图。
具体实施方式
为了能够更清楚地理解本发明一种基于中心补偿策略的自适应随机测试用例生成方法（FSCS-CCS）的技术内容，下面结合附图和具体实施案例对本发明作进一步说明，须指出的是，所描述给出的实施案例旨在便于对本发明的理解，而对其没有任何限定要求。
本发明的目的针对FSCS-ART算法的边界效应和高计算开销的缺点进行改进，提供一种基于中心补偿策略的自适应随机测试用例生成方法（FSCS-CCS）。基于中心补偿策略的自适应随机测试用例生成方法（FSCS-CCS）可以通过较少的测试用例有效地检测程序中的失效，并且进行了充分的实验，证明了方法的可行性和有效性。
本发明给出的一种基于中心补偿策略的自适应随机测试用例生成方法（FSCS-CCS）的流程图如图1所示，第一步获取程序输入域等相关信息并随机产生第一个测试用例；第二步判断是否命中失效，若用例命中失效则返回已测用例集，否则转到第三步；第三步重新划分输入域，将TS中所有已测用例进行重定位；第四步随机选择s个子区域，并产生s*k个候选用例；第五步生成一个[0,1)的随机数rand，判断rand与θ之间的关系；第六步若rand≤ θ，使用FSCS-ART算法选出下一个测试用例；第七步若rand>θ，通过FSCS-CCS算法选出下一个测试用例；第八步将选出的测试用例执行于待测程序中，转到第二步进行判断。
参照图2，第六步中FSCS-ART算法选择下一个测试用例的执行过程如下：
步骤201是在第四步的基础上，从候选用例集合CS中获取所有的s*k个候选用例；步骤202判断候选用例集合是否为空，若CS不为空，进入步骤203，否则进入步骤207；步骤203从集合CS中选取一个候选用例cc，计算cc到输入域中所有已测用例距离；步骤204选择其中的最小距离作为cc的minDistance并将cc从候选用例集合CS中移除；步骤205判断当前候选用例cc的minDistance是否大于区域中最大的MinDistance；步骤206若当前minDistance> MinDistance，则将minDistance替换为MinDistance，并进入步骤202判断集合CS是否为空；若集合CS为空，则进入步骤207；步骤207返回MinDistance，并将该候选用例作为下一个测试用例tc。
参照图3，第七步中FSCS-CCS算法选择下一个测试用例的执行过程如下：
步骤301是在第四步的基础上，从候选用例集合CS中获取所有的s*k个候选用例；步骤302判断候选用例集合是否为空，若CS不为空，进入步骤303，否则进入步骤305；步骤303从集合CS中选取一个候选用例cc，计算cc到邻居区域中所有已测用例的距离；步骤304选择最小距离作为cc的minDistance并将cc从候选用例集合CS中移除；步骤305从候选用例集合中选出前k个minDistance最大的候选用例；步骤306分别对选出的k个候选用例计算rcDistance值，并将rcDistance值最大的候选用例作为下一个测试用例。
为验证本方法的有效性，将本方法与FSCS-ART方法进行了对比实验。在块状失效模式下进行2维、3维和5维的模拟实验。实验进行5000次，失效率分别为0.1，0.05，0.01，0.005，0.002，0.001，0.0005，,00002和0.0001，实验结果如表2-表5所示。其次分别选取了1到5维度的13个经典的程序进行5000次的真实实验，实验结果如表6所示。
结果显示，本方法检测到程序中第一个失效所需要的测试用例个数相对于FSCS-ART方法而言明显减少，验证了本方法在保证失效检测能力的情况下所需测试用例个数较少的优势。
表 1 变量名及其含义
| 变量名 | 变量名含义 |
| TS | 存储所有已测用例的集合 |
| CS | 存储所有候选用例的集合 |
| CR | 存储所有候选区域的集合 |
| ER | 不包含已测用例的区域集合 |
| <i>d</i> | 输入域的维度 |
| <i>p</i> | 对输入域进行划分的次数 |
| <i>cc</i> | 候选用例，用于产生下一个测试用例 |
| <i>tc</i> | 测试用例，执行于待测程序中，用于判断是否命中失效 |
| <i>canNum</i> | 每个候选区域中产生的候选用例个数 |
| <i>k</i> | 从候选用例集合中选择<i>midDistance</i>值较大的候选用例个数 |
| <i>rand</i> | 产生的随机数，与<i>θ</i>进行比较判断使用哪种方式选择测试用例 |
| <i>θ</i> | 通过维度计算出的指标值 |
| <i>rcDistance</i> | 候选用例到所在区域中心点的距离与区域斜边长的一半之间的比值 |
| <i>midDistance</i> | 当前候选用例到已测用例距离的最小值 |
| <i>hypLength</i> | 当前区域斜边长的一半 |
表 2 2维情况下5000次模拟实验结果比较
| 维度 | 失效率 | FSCS-ART | FSCS-CCS |
| 2D | 0.1 | 85.756 | 87.526 |
| 2D | 0.05 | 76.987 | 76.352 |
| 2D | 0.01 | 67.4262 | 65.2042 |
| 2D | 0.005 | 66.1021 | 63.2817 |
| 2D | 0.002 | 63.8797 | 62.6924 |
| 2D | 0.001 | 63.7979 | 60.757 |
| 2D | 0.0005 | 63.4109 | 59.8908 |
| 2D | 0.0002 | 61.8245 | 59.4989 |
| 2D | 0.0001 | 61.562 | 58.6715 |
表 3 3维情况下5000次模拟实验结果比较
| 维度 | 失效率 | FSCS-ART | FSCS-CCS |
| 3D | 0.1 | 110.658 | 117.834 |
| 3D | 0.05 | 99.939 | 102.058 |
| 3D | 0.01 | 84.2606 | 82.6174 |
| 3D | 0.005 | 79.8967 | 77.4118 |
| 3D | 0.002 | 75.9129 | 74.0743 |
| 3D | 0.001 | 75.7515 | 70.9642 |
| 3D | 0.0005 | 73.836 | 70.578 |
| 3D | 0.0002 | 71.9939 | 70.3124 |
| 3D | 0.0001 | 71.5702 | 67.8201 |
表 4 4维情况下5000次模拟实验结果比较
| 维度 | 失效率 | FSCS-ART | FSCS-CCS |
| 4D | 0.1 | 146.556 | 166.582 |
| 4D | 0.05 | 130.557 | 134.04 |
| 4D | 0.01 | 106.9752 | 104.84 |
| 4D | 0.005 | 101.0547 | 97.1711 |
| 4D | 0.002 | 94.0756 | 92.3278 |
| 4D | 0.001 | 90.9169 | 89.3316 |
| 4D | 0.0005 | 87.881 | 83.4227 |
| 4D | 0.0002 | 83.3073 | 82.0073 |
| 4D | 0.0001 | 85.0191 | 81.4429 |
表 5 5维情况下5000次模拟实验结果比较
| 维度 | 失效率 | FSCS-ART | FSCS-CCS |
| 5D | 0.1 | 188.162 | 173.5760 |
| 5D | 0.05 | 166.503 | 157.23 |
| 5D | 0.01 | 131.3542 | 111.607 |
| 5D | 0.005 | 126.462 | 111.0781 |
| 5D | 0.002 | 113.2249 | 106.344 |
| 5D | 0.001 | 110.0652 | 102.0193 |
| 5D | 0.0005 | 106.0378 | 97.9028 |
| 5D | 0.0002 | 100.3553 | 92.3855 |
| 5D | 0.0001 | 96.9651 | 91.5613 |
表 6 经典真实程序相关信息
| 编号 | 维度 | 程序名 | 输入类型 | 失效率 |
| 1 | 1D | Airy | double | 0.000716 |
| 2 | 1D | Besj | double | 0.001373 |
| 3 | 1D | Erfcc | double | 0.000574 |
| 4 | 1D | Probks | double | 0.000387 |
| 5 | 1D | Tanh | double | 0.001817 |
| 6 | 2D | Bessj | int,double | 0.001298 |
| 7 | 2D | Gammq | double,double | 0.000830 |
| 8 | 2D | Sncndn | double,double | 0.001623 |
| 9 | 3D | Golden | double,double,double | 0.000550 |
| 10 | 3D | Plgndr | int,int,double | 0.000368 |
| 11 | 4D | Cel | double,double,double,double | 0.000332 |
| 12 | 4D | El2 | double,double,double,double | 0.000690 |
| 13 | 5D | CalDay | int,int,int,int,int | 0.000632 |
表 7 5000次真实实验结果比较
| 维度 | 程序名 | FSCS-ART | FSCS-CCS |
| 1D | Airy | 796.2034 | 750.1756 |
| 1D | Besj | 446.3566 | 426.113 |
| 1D | Erfcc | 2865.968 | 2739.4658 |
| 1D | Probks | 5643.453 | 5327.2944 |
| 1D | Tanh | 311.029 | 296.0608 |
| 2D | Bessj | 441.3192 | 417.23 |
| 2D | Gammq | 1058.6858 | 971.8448 |
| 2D | Sncndn | 633.8654 | 623.2154 |
| 3D | Golden | 1584.7106 | 1474.0792 |
| 3D | Plgndr | 1612.691 | 1327.566 |
| 4D | Cel | 1577.301 | 1726.5616 |
| 4D | El2 | 701.5538 | 787.4586 |
| 5D | calDay | 1290.7728 | 1683.0876 |
以上所述仅用于清楚表述本发明具体实施例，并不用于限定保护范围，在不违背本发明实质内容和精神前提下，所作任何修改、润饰等都将落入本发明保护范围内。
Claims (5)
1.一种基于中心补偿策略的自适应随机测试用例生成方法，其特征在于，包括：
步骤1，通过程序的基本信息获取程序的输入域范围以及程序的失效类型，随机产生第一个测试用例并执行于待测程序中进行测试，检查是否命中失效区域；
步骤2，通过当前区域中心点将区域划分为四个面积相等的子区域，随机选择s个空白子区域并从空白子区域中随机地产生固定规模为s*k的候选用例集；
步骤3，产生随机数rand并判断其与阈值θ的关系，根据二者关系使用不同算法选择下一个测试用例；
步骤4，将测试用例执行于待测程序中，判断是否命中失效，若用例命中失效则返回已测用例集，否则继续执行步骤2到步骤4。
2.根据权利要求1所述方法，其特征在于，所述步骤1具体包括如下步骤：
步骤1.1，存储输入域在每个维度的范围，根据输入信息确定输入域的失效模式、失效率等相关信息；
步骤1.2，将输入域添加入空白区域集合ER中；
步骤1.3，根据程序输入域范围，在输入域内随机产生第一个测试用例tc，将tc加入已测用例集合TS中并将输入域从集合ER中移除；
步骤1.4，将测试用例tc执行于待测程序中，若tc命中失效，返回已测用例集合TS，方法结束，否则继续执行下一步骤。
3.根据权利要求2所述方法，其特征在于，所述步骤2具体包括如下步骤：
步骤2.1，将不包含已测用例的区域加入空白区域列表ER，判断ER是否为空；
步骤2.2，若空白区域列表为空，通过区域中心点将每个区域划分为四等份，将集合TS中所有已测用例重新定位到子区域中，并将不包含已测用例的区域添加至集合ER；
步骤2.3，从ER中随机选择s个空白区域至候选区域集合CR，轮询遍历CR中候选区域，直到产生s*k个候选用例，添加至候选用例集合CS中。
4.根据权利要求3所述方法，其特征在于，所述步骤3具体包括如下步骤：
步骤3.1，产生一个[0,1)的随机数rand，将rand与阈值θ进行比较，其中θ的计算公式如下：
步骤3.2，若rand<θ，则采用固定规模候选集的ART方法，分别计算候选用例与输入域中所有已测用例之间的距离，选择最小距离作为当前候选用例的距离minDistance，从所有候选用例中选出拥有最大minDistance的候选用例作为下一个执行用例；
步骤3.3，若rand>θ，则采用基于中心补偿策略的ART方法，首先计算候选用例与当前区域的邻居区域中所有已测用例之间的距离minDistance，选择minDistance最大的前k个候选用例，计算k个候选用例的rcDistance值，选取其中rcDistance值最小的候选用例作为下一个执行用例，rcDistance的计算公式如下：
其中，midDistance为候选点到当前区域中心点的距离，hypLength为区域斜边长的一半。
5.根据权利要求4所述方法，其特征在于，所述步骤4具体包括如下步骤：
步骤4.1，将步骤3产生的测试用例tc添加至集合TS并执行于待测程序中，判断是否命中失效；
步骤4.2，若未命中失效，则重复执行步骤2到步骤4，继续选择空白子区域，产生候选用例，选出下一个测试用例；
步骤4.3，若命中失效，返回测试用例集TS，方法结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911030817.2A CN110795349B (zh) | 2019-10-29 | 2019-10-29 | 基于中心补偿策略的自适应随机测试用例生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911030817.2A CN110795349B (zh) | 2019-10-29 | 2019-10-29 | 基于中心补偿策略的自适应随机测试用例生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110795349A true CN110795349A (zh) | 2020-02-14 |
| CN110795349B CN110795349B (zh) | 2023-10-10 |
Family
ID=69441652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911030817.2A Active CN110795349B (zh) | 2019-10-29 | 2019-10-29 | 基于中心补偿策略的自适应随机测试用例生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110795349B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112035343A (zh) * | 2020-08-13 | 2020-12-04 | 武汉大学 | 一种基于贝叶斯估计的测试用例生成方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160085665A1 (en) * | 2014-09-24 | 2016-03-24 | International Business Machines Corporation | Intelligent software test augmenting |
| CN105786708A (zh) * | 2016-03-21 | 2016-07-20 | 苏州大学 | 一种迭代划分测试方法和系统 |
| CN110221957A (zh) * | 2018-12-10 | 2019-09-10 | 江苏大学 | 一种基于迭代区域均分与定位的自适应随机测试方法 |
-
2019
- 2019-10-29 CN CN201911030817.2A patent/CN110795349B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160085665A1 (en) * | 2014-09-24 | 2016-03-24 | International Business Machines Corporation | Intelligent software test augmenting |
| CN105786708A (zh) * | 2016-03-21 | 2016-07-20 | 苏州大学 | 一种迭代划分测试方法和系统 |
| CN110221957A (zh) * | 2018-12-10 | 2019-09-10 | 江苏大学 | 一种基于迭代区域均分与定位的自适应随机测试方法 |
Non-Patent Citations (3)
| Title |
|---|
| 占徐政: "一种针对高维输入域的适应性随机测试改进性算法" * |
| 章晓芳 等: "一种基于优先级的迭代划分测试方法" * |
| 魏诚: "均等划分策略的适应性随机测试方法" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112035343A (zh) * | 2020-08-13 | 2020-12-04 | 武汉大学 | 一种基于贝叶斯估计的测试用例生成方法及系统 |
| CN112035343B (zh) * | 2020-08-13 | 2022-02-01 | 武汉大学 | 一种基于贝叶斯估计的测试用例生成方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110795349B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992354B (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
| CN102938071B (zh) | 基于非局部均值的sar图像变化检测模糊聚类分析方法 | |
| CN109784096B (zh) | 基于聚类算法的硬件木马检测和剔除方法 | |
| Bin et al. | Training data selection for cross-project defection prediction: which approach is better? | |
| CN109522428A (zh) | 一种基于索引定位的图计算系统的外存访问方法 | |
| Bandyopadhyay et al. | Tester feedback driven fault localization | |
| CN110221957A (zh) | 一种基于迭代区域均分与定位的自适应随机测试方法 | |
| CN110795349A (zh) | 基于中心补偿策略的自适应随机测试用例生成方法 | |
| CN110825627B (zh) | 基于网格区域密度的适应性随机测试用例生成方法 | |
| CN105843744B (zh) | 用于并行程序蜕变测试的蜕变关系优先级排序方法 | |
| CN113486134B (zh) | 降雨量异常检测方法、装置、计算机设备及存储介质 | |
| Chen et al. | An optimized method for generating cases of metamorphic testing | |
| Mao et al. | Towards an improvement of bisection-based adaptive random testing | |
| Watanabe et al. | Generalized spot-checking for sabotage-tolerance in volunteer computing systems | |
| CN105989095B (zh) | 顾及数据不确定性的关联规则显著性检验方法及装置 | |
| CN118035125B (zh) | 基于双层次概率选择的随机测试用例生成方法与系统 | |
| CN112035343B (zh) | 一种基于贝叶斯估计的测试用例生成方法及系统 | |
| CN111159648A (zh) | 基于分块策略的快速有序统计方法及装置 | |
| Chen et al. | MMFC-ART: a Fixed-size-Candidate-set Adaptive Random Testing approach based on the modified Metric-Memory tree | |
| Sabor et al. | Adaptive random testing through dynamic partitioning by localization with distance and enlarged input domain | |
| CN118260196A (zh) | 一种三维cad软件功能缺陷的高效检测方法 | |
| Mayer | Towards effective adaptive random testing for higher-dimensional input domains | |
| CN117371395B (zh) | 用于评估版图中目标栅极与图形集群相对位置关系的方法 | |
| Zhang et al. | Generating High‐quality Superpixels in Textured Images | |
| CN113032271B (zh) | 数据样本冗余性定量判定方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |