CN112699052A - 一种基于相关输入变量的软件测试用例进化生成方法 - Google Patents

Abstract

本发明公布了一种基于相关输入变量的软件测试用例进化生成方法，目的采用静态确定输入变量与变异分支相关性，缩减搜索域的范围，采用遗传算法高效生成具有缺陷检测能力的测试用例；该方法首先将确定变异体与输入变量的相关性，转化为可达变异分支的路径与输入变量的相关性，采用静态分析确定变异分支与输入变量的相关性；然后，建立变异测试用例生成数学模型，决策变量为相关输入变量；最后，利用遗传算法求解该模型，进化生成测试用例。

Description

一种基于相关输入变量的软件测试用例进化生成方法

技术领域

本发明涉及计算机软件测试领域，具体是一种基于相关输入变量的软件测试用例进化生成方法。

背景技术

软件测试是识别和删除缺陷，并进行验证符合要求和规范的过程，此外硬件和软件的发展技术增加了软件产品的复杂性。为此，研究人员使用各种方法和技术来应对进步提供高质量的产品。最常见的测试方法是手动测试，既费力又费时；另一种方法是自动化测试处理现代软件的复杂性。

软件测试中重要的一个是测试用例的使用。为了量化测试用例的“质量”，研究人员使用所谓的充分性度量或测试标准，其中变异测试是一种度量测试集充分性的有效方法。它建立的测试准则，用一些测试数据区分被测程序和被改变的程序版本，被改变的程序版本称为变异体。变异体代表植入的程序缺陷。测试用例执行这些变异体和原程序，如果输出是不正确的，那么变异体就会被杀死，否则定义为它们是活着的。测试中任何测试用例的最终目的都是寻找对应的缺陷。

对一个被测程序的不同语句，实施变异操作，会产生数目庞大的变异体，为了杀死这些变异体，也需要大量的测试用例，然而获得这些测试用例很难，尤其对于难杀死变异体。为了克服上述缺陷，Papadakis等人在2011年《Software Quality Journal》第19期发表的文章“Automatically performing weak mutation with the aid of symbolicexecution,concolic testing and search-based testing”一文提出一种新的软件测试方法。他们基于弱变异测试准则杀死变异体的问题，转化为变异条件语句真分支的覆盖问题。为此，对于变异前后的语句和，基于弱变异测试的必要条件，构建变异条件语句“”，其真分支为一个标志语句，简称变异分支；然后，把这些变异分支插入到原程序的变异前的语句前面，这样便形成了新的被测程序。那么，能够覆盖新程序变异分支的测试用例，一定能够基于弱变异测试准则，杀死该变异分支对应的变异体。这样做的好处是，能够利用已有的传统结构测试的测试用例生成方法，生成变异测试用例。

研究表明有些变异分支是否被杀死，只与个别输入变量相关。如果能够移除那些与变异分支相关的输入变量，只要在相关输入变量所形成域内，寻找杀死它们测试用例，将能大大提高测试用例生成的效率。

当生成变异测试用例时，有许多不同的基于搜索的优化算法可供选择，最常用的是遗传算法。遗传算法是一种通过模拟自然进化过程全局搜索最优解的方法。它通过生成进化种群，实施编码，选择、交叉、变异等遗传操作，引导种群在搜索域中寻找最优解。如果能够基于相关输入变量，缩减搜索域，将能大大提高找到最优解的速度。

发明内容

为了解决现有技术中软件测试生成测试用例效率低下的问题，本发明提供了一种基于相关输入变量的软件测试用例进化生成方法，该方法首先将确定变异体与输入变量的相关性，转化为可达变异分支的路径与输入变量的相关性，采用静态分析确定变异分支与输入变量的相关性；然后，建立变异测试用例生成数学模型，决策变量为相关输入变量；最后，利用遗传算法求解该模型，进化生成测试用例。

本发明采用的技术方案：一种基于相关输入变量的软件测试用例进化生成方法，设被测程序为G，对其包含的语句实施变异，得到变异分支集合为M＝{M₁,M₂,…,M_n}，n是变异分支的个数；将这些变异分支插入到G中，得到新的被测程序G'；设程序的输入向量为X＝(x₁,x₂,…,x_m)，m是程序输入变量的个数；输入域D(X)是每个输入变量域的叉乘,即D(X)＝D(x₁)×D(x₂)×…×D(x_m)；其特征在于：该方法包括以下步骤：

S1：基于静态分析确定输入变量与变异分支的相关性；

S1.1：确定变异分支与输入变量的相关性；

S2：构建基于相关输入变量的变异测试用例生成优化模型；

S3：基于遗传算法生成变异测试用例。

优选的，步骤S1.1中基于静态分析确定输入变量与变异分支的相关性的方法为：

设

D^*(x_j)是D(x_j)的子域，如果某一个输入变量x_j在D^*(x_j)取不同的值，能够影响M_i是否被杀死，那么，定义x_j在D^*(x_j)与M_i相关；否则定义x_j在D^*(x_j)与M_i不相关；具体为：

选择所有路径中最容易覆盖的路径，作为目标路径P_i，然后在D^*(x_j)内，分析x_j与P_i的相关性；如果P_i上每个节点语句都与x_j不相关，那么判定M_i与x_j不相关；如果P_i上只要有一个节点语句与x_j相关，那么判定M_i与x_j相关。

优选的，步骤S2中构建基于相关输入变量的变异测试用例生成优化模型的方法为：

对于M_i，设与它相关的输入变量为

那么决策向量记为

对于M_i，基于相关输入变量的变异测试用例生成模型表示为：

其中

为

所形成的取值域，

为目标函数，当

杀死M_i，

当

没有杀死M_i，

M_i被杀死当且仅当

取最小值0；这个目标函数很难指导种群的进化，所以需要定义约束函数

设从程序开始到M_i，

穿越的路径为

与P_i的相似度记为

表示为

其中，|P_i|为从程序开始到M_i路径P_i上节点的个数；

为从程序开始，P_i和

上相同节点的个数。

优选的，步骤S3中基于遗传算法生成变异测试用例的方法为：

对于M_i，当采用遗传算法生成测试用例时，对进化个体实施编码，交叉和变异操作，只需在相关的变量

部分；对于不相关的程序输入，在其输入域内，随机的取一个固定值，在整个进化过程中保持不变；

在种群整个进化过程中，适应值函数是用于驱动测试用例生成；基于目标函数

和约束函数

M_i的适应值函数为

表示为：

其中，d是一个常数，它的作用确保括号中的值大于0；当且仅当

能杀死M_i；

采用遗传算法生成变异测试用例的算法为：

输入：M_i；

输出：测试用例；

Step1：初始化子种群和遗传参数；

Step2：种群中每个进化个体在执行M_i；

Step3：判断终止条件是否满足，如果没有满足，转Step4；如果满足，转Step6；

Step4：计算进化个体适应值

执行选择、交叉、变异遗传操作，生成新的进化个体，转Step2；

Step5：保存被杀死的变异体和测试用例；转Step6；

Step6：输出测试用例；

每一个种群的进化个体编码根据它对应的决策变量确定，Step3中终止条件有两个，一个是生成杀死变异体的测试用例；另一个是种群进化到最大迭代次数。

本发明的有益效果：

(1)本发明将输入变量与变异分支的相关性，转化为输入变量与可达变异分支的最容易覆盖的一条路径的相关性，采用静态分析方法。这样一来，即保证了相关性分析的准确性，又降低了静态分析相关性的代价。

(2)本发明建立基于相关输入变量的变异测试用例生成优化模型，本模型与传统变异测试用例生成的优化模型的不同在于，该模型的决策变量只是相关输入变量。当决策变量个数小于程序输入分量个数时，相当于搜索域被缩减。这样，有利于提高找到测试用例的效率。

(3)遗传算法是一种基于搜索的全局搜索技术，在缩减后的搜索域内采用遗传算法，对进化个体实施编码，交叉和变异操作，只需在相关的变量部分，这样，有利于减少进化个体执行的代价。

附图说明

图1为本发明提出的一种基于相关输入变量的软件测试用例进化生成方法总流程图；

图2为本发明实施例中的示例程序。

具体实施方式

如图1所示，为本发明提出的一种基于相关输入变量的软件测试用例进化生成方法总流程图。该方法包括：

步骤S1：基于静态分析确定输入变量与变异分支的相关性

1.1确定变异分支与输入变量的相关性

设被测程序为G，对其包含的语句实施变异，得到变异分支集合为M＝{M₁,M₂,…,M_n}，n是变异分支的个数。将这些变异分支插入到G中，得到新的被测程序G'。设程序的输入向量为X＝(x₁,x₂,…,x_m)，m是程序输入变量的个数。输入域D(X)是每个输入变量域的叉乘,即D(X)＝D(x₁)×D(x₂)×…×D(x_m)。

设

D^*(x_j)是D(x_j)的子域，如果某一个输入变量x_j在D^*(x_j)取不同的值，能够影响M_i是否被杀死，那么，定义x_j在D^*(x_j)与M_i相关；否则定义x_j在D^*(x_j)与M_i不相关。

本发明采用静态分析方法确定输入变量与变异体相关性。一般情况，从程序的开始到M_i可能不止一条，这些路径上涉及的变量一般与M_i相关。然而，如果对每一条路径上的变量，判断它们与M_i的相关性，代价太大了。因此，可以选择所有路径中最容易覆盖的路径，作为目标路径，P_i，然后在D^*(x_j)内，分析x_j与P_i的相关性。如果P_i上每个节点语句都与x_j不无关，那么可以判定M_i与x_j无关。如果P_i上任意一个节点语句与x_j有关，那么可以判定M_i与x_j相关。

步骤S2：构建基于相关输入变量的变异测试用例生成优化模型

对于M_i，设与它相关的输入变量为

那么决策向量记为

对于M_i，基于相关输入变量的变异测试用例生成模型可以表示为：

其中

为

所形成的取值域，

为目标函数，当

杀死M_i，

当

没有杀死M_i，

M_i被杀死当且仅当

取最小值0。这个目标函数很难指导种群的进化，所以需要定义约束函数

设从程序开始到M_i，

穿越的路径为

与P_i的相似度记为

可以表示为

其中，|P_i|为从程序开始到M_i路径P_i上节点的个数；

为从程序开始，P_i和

上相同节点的个数。

步骤S3：基于遗传算法生成变异测试用例

为了求解基于相关输入变量的变异测试用例生成模型，对于M_i，当采用遗传算法生成测试用例时，对进化个体实施编码，交叉和变异操作，只需在相关的变量

部分。对于不相关的程序输入，在其输入域内，随机的取一个固定值，在整个进化过程中保持不变。

在种群整个进化过程中，适应值函数是用于驱动测试用例生成。基于目标函数

和约束函数

M_i的适应值函数为

可以表示为：

其中，d是一个很小的常数，它的作用确保括号中的值大于0。当且仅当

能杀死M_i。

算法1阐述了采用遗传算法生成变异测试用例的方法：

输入：M_i；

输出：测试用例；

Step1：初始化子种群和遗传参数；

Step2：种群中每个进化个体在执行M_i；

Step3：判断终止条件是否满足，如果没有满足，转Step4；如果满足，转Step6；

Step4：计算进化个体适应值

执行选择、交叉、变异遗传操作，生成新的进化个体，转Step2；

Step5：保存被杀死的变异体和测试用例；转Step6；

Step6：输出测试用例。

每一个种群的进化个体编码根据它对应的决策变量确定；算法1中Step3中终止条件有两个，一个是生成杀死变异体的测试用例；另一个是种群进化到最大迭代次数。

下面通过示例程序说明本发明的实施过程。

图2为示例程序源代码。输入向量为X＝{x[1],x[2],x[3],x[4],x[5],x[6]}，它们为整数，取值域为D(X)＝[1,64]⁶。由图2(b)可知，有两条路径可达M₁，它们分别为“1,2,3,5”和“1,2,4,5”。因为语句4(“f(x[3]＝＝x[4])”的真分支)有很高的执行概率，表明“1,2,4,5”比较容易覆盖，因此选择“1,2,4,5”作为目标路径，记为P₁。

下面基于P₁，分别考察x[1],x[2],x[3],x[4],x[5]和x[6]是否与M₁相关。

对于x[1]，它们仅仅存在于语句1(if(x[1]<20&&x[1]+x[2]<50))。考虑到某一测试用例X若期望杀死M₁，X首先能覆盖P₁。因为“x[1]<20”和“x[1]∈[1,64]”，可以得到D^*(x[1])＝[1,19]，也就是说x[1]在D^*(x[1])＝[1,19]，取任意值，都不会影响X杀死M₁的情况。对于x[2]，因为D^*(x[1])＝[1,19]和x[1]+x[2]<50，通过区间运算，可以得到D^*(x[2])＝[1,30]，也就是说x[2]在D^*(x[2])＝[1,30]，取任意值，都不会影响X杀死M₁的情况。

对于x[3],x[4],x[6]，可以确定它们分别在D(x₃),D(x₄),D(x₆)内，能够影响P₁上的节点，因此，它们与M₁相关。

对于x[5]，它存在于语句4中“x[5]＝x[5]％3”，而语句4是个非控制节点，x[5]不会影响其他节点的值。因此，x[5]在D(x₅)与M₁不相关。

考虑到x[3],x[4],x[6]与M₁相关，所以选择x[3],x[4],x[6]作为决策变量

建立杀死M₁变异测试用例生成模型为：

约束函数中覆盖的路径为“1,2,4,5”。

基于算法1，采用多种群遗传算法生成测试用例时，进化个体编码，交叉和变异只需要在x[3],x[4],x[6]部分。

当执行被测程序时，需要6个输入变量，为此，x[1]在

x[2]在

和x[5]在D₅(x[5])＝[1,64]内，分别取任意值，而且这些值整个进化过程中保持不变。在实验中，进化个体中一个变量编码设置为6位，在传统数学模型中，决策变量是全部输入变量，因此在每一次进化中，将有2^6×6个候选解，而采用本发明的数学模型中，决策变量的个数为3，在每一次进化中将有2^3×6个候选解。由此可见，基于本发明的模型，候选解从6维降低到了3维，候选解的数目也大大减少。

在遗传算法中，设置种群规模为5，进化最大代数设为3000，采用轮盘赌选择，单点交叉和单点变异。交叉概率和变异概率分别为0.9和0.3。最后基于算法1，得到杀死变异分支的测试用例为14,16,13,21,30,21。

Claims (4)

1.一种基于相关输入变量的软件测试用例进化生成方法，设被测程序为G，对其包含的语句实施变异，得到变异分支集合为M＝{M₁,M₂,…,M_n}，n是变异分支的个数；将这些变异分支插入到G中，得到新的被测程序G'；设程序的输入向量为X＝(x₁,x₂,…,x_m)，m是程序输入变量的个数；输入域D(X)是每个输入变量域的叉乘,即D(X)＝D(x₁)×D(x₂)×…×D(x_m)；其特征在于：该方法包括以下步骤：

S1：基于静态分析确定输入变量与变异分支的相关性；

S1.1：确定变异分支与输入变量的相关性；

S2：构建基于相关输入变量的变异测试用例生成优化模型；

S3：基于遗传算法生成变异测试用例。

2.根据权利要求1所述的一种基于相关输入变量的软件测试用例进化生成方法，其特征在于：步骤S1.1中基于静态分析确定输入变量与变异分支的相关性的方法为：

设

D^*(x_j)是D(x_j)的子域，如果某一个输入变量x_j在D^*(x_j)取不同的值，能够影响M_i是否被杀死，那么，定义x_j在D^*(x_j)与M_i相关；否则定义x_j在D^*(x_j)与M_i不相关；判断方法具体为：

选择所有路径中最容易覆盖的路径，作为目标路径P_i，然后在D^*(x_j)内，分析x_j与P_i的相关性；如果P_i上每个节点语句都与x_j不相关，那么判定M_i与x_j不相关；如果P_i上只要有一个节点语句与x_j相关，那么判定M_i与x_j相关。

3.根据权利要求2所述的一种基于相关输入变量的软件测试用例进化生成方法，其特征在于：步骤S2中构建基于相关输入变量的变异测试用例生成优化模型的方法为：

对于M_i，设与它相关的输入变量为

那么决策向量记为

对于M_i，基于相关输入变量的变异测试用例生成模型表示为：

其中

为

所形成的取值域，

为目标函数，当

杀死M_i，

当

没有杀死M_i，

M_i被杀死当且仅当

取最小值0；这个目标函数很难指导种群的进化，所以需要定义约束函数

设从程序开始到M_i，

穿越的路径为

与P_i的相似度记为

表示为

其中，|P_i|为从程序开始到M_i路径P_i上节点的个数；

为从程序开始，P_i和

上相同节点的个数。

4.根据权利要求3所述的一种基于相关输入变量的软件测试用例进化生成方法，其特征在于：步骤S3中基于遗传算法生成变异测试用例的方法为：

对于M_i，当采用遗传算法生成测试用例时，对进化个体实施编码，交叉和变异操作，只需在相关的变量

部分；对于不相关的程序输入，在其输入域内，随机的取一个值，在整个进化过程中保持不变；

在种群整个进化过程中，适应值函数是用于驱动测试用例生成；基于目标函数

和约束函数

M_i的适应值函数为

表示为：

其中，d是一个常数，它的作用确保括号中的值大于0；当且仅当

能杀死M_i；

采用遗传算法生成变异测试用例的算法为：

输入：M_i；

输出：测试用例；

Step1：初始化子种群和遗传参数；

Step2：种群中每个进化个体在执行M_i；

Step3：判断终止条件是否满足，如果没有满足，转Step4；如果满足，转Step6；

Step4：计算进化个体适应值

执行选择、交叉、变异遗传操作，生成新的进化个体，转Step2；

Step5：保存被杀死的变异体和测试用例；转Step6；

Step6：输出测试用例；

每一个种群的进化个体编码根据它对应的决策变量确定，Step3中终止条件有两个，一个是生成杀死变异体的测试用例；另一个是种群进化到最大迭代次数。

Images