一种针对高维输入域的适应性随机测试改进性算法

计算机工程与科学

一种针对高维输入域的适应性随机测试改进性算法

占徐政

（江西财经大学软件与物联网工程学院，江西南昌 330032）

收稿日期:2018-01-17 修回日期:2018-05-29 出版日期:2018-11-25 发布日期:2018-11-25
基金资助:
国家自然科学基金(61762040)；江西省自然科学基金重点项目(20171ACB21031)

An improved adaptive random testing method

in high dimensional input domains

ZHAN Xuzheng

（School of Software and Internet of Thing Engineering,Jiangxi University of Finance and Economics,Nanchang 330032,China）

Received:2018-01-17 Revised:2018-05-29 Online:2018-11-25 Published:2018-11-25

摘要/Abstract

摘要：

适应性随机测试ART能够保证测试用例在输入域中更加均匀地分布，从而在失效检测能力上明显强于基本的随机测试,其中，固定候选集规模的ART算法 FSCSART因具备较好的揭错能力而被广泛采用。然而随着输入域维度的升高，FSCSART的失效检测效果显著降低。针对该问题，在从候选集中选择正式用例时综合考虑两种距离：候选点与已测用例之间的距离和它与中心点之间的距离，这样，输入域边缘的候选点的优先级得以降低，有效地克服了FSCSART趋向于边缘的弊端。实验结果表明，改进后的算法针对高维输入域表现出更强的失效检测能力。

关键词: 软件测试, 适应性随机测试, 测试用例, 失效检测能力

Abstract:

Adaptive random testing (ART) ensures that test cases are more evenly distributed in the input domain, and thus achieves significantly stronger failure detection capability than the basic random testing. Among the existing ART methods, the fixedsizecandidateset ART (FSCSART) exhibits better failure detection capability and has extensive applications. However, its failure detection effectiveness deteriorates significantly with the increase of input domain dimensions. To solve this high dimension problem, two types of distances are taken into account while choosing a test case from the candidate set: one is the distance from each candidate point to the already executed test cases; the other is the distance from individual candidate point to the center point. The comprehensive consideration of distances can reduce the priority of the candidate points at the edge of the input domain and overcome the disadvantage of the FSCSART. Experimental results show that the improved algorithm achieves a stronger failure detection capability in high dimensional input domains.

Key words: software testing, adaptive random testing, test case, failure detection capability

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[J]. 计算机工程与科学.

ZHAN Xuzheng.

An improved adaptive random testing method

in high dimensional input domains

[J]. Computer Engineering & Science.

[1]	牛胜杰, 李鹏, 张玉杰, . 模糊测试技术研究综述[J]. 计算机工程与科学, 2022, 44(12): 2173-2186.
[2]	张卫祥，齐玉华，魏波，张敏，窦朝晖. 基于蚁群算法的测试用例优先排序[J]. 计算机工程与科学, 2020, 42(02): 241-249.
[3]	宋丛溪，王辛，张文喆. Angr动态软件测试应用分析与优化[J]. 计算机工程与科学, 2018, 40(增刊S1): 163-168.
[4]	孙家泽1,2,王刚1. 利用佳点集遗传算法的白盒测试用例优先排序[J]. 计算机工程与科学, 2018, 40(10): 1815-1821.
[5]	杨羊,何柳柳,尚颖,李征. 面向测试生成的ASM模型约简研究[J]. 计算机工程与科学, 2018, 40(06): 1084-1092.
[6]	余晓菲，张仕，蔡蕊，陈慧峰，蒋建民. 基于改良程序谱的软件故障定位方法[J]. 计算机工程与科学, 2018, 40(02): 275-281.
[7]	赵一丁，缑西梅，底恒. 项目驱动教学法在软件测试课程中的过程控制[J]. 计算机工程与科学, 2016, 38(增刊): 112-116.
[8]	赵一丁1,樊银亭1,郑秋生1,楚纪正2,罗菁1. 工业软件现场测试中的拆分及其测试数据设计[J]. J4, 2016, 38(05): 921-931.
[9]	赵翀，高鹏. 软件测试课程工程实践教学模式的探索与实施[J]. J4, 2014, 36(A1): 51-55.
[10]	殷鹏川，贲可荣. 基于路径引导的回归测试用例集扩增方法[J]. J4, 2014, 36(11): 2159-2163.
[11]	鞠小林1, 2,姜淑娟1,陈翔2,曹鹤玲1,王兴亚1. 一种基于多变量Logistic模型的缺陷定位方法[J]. J4, 2014, 36(10): 1952-1960.
[12]	吴洁明，李硕征. CNONIX标准符合性测试研究[J]. J4, 2014, 36(05): 884-890.
[13]	王蓁蓁. 基于测试结果调整语句出错概率方法[J]. J4, 2014, 36(05): 891-899.
[14]	张小艳，文辉. 基于ASL的模型驱动架构测试方法[J]. J4, 2014, 36(04): 662-666.
[15]	李毅1，徐萍1，万寒2. 基于QEMU实现的处理器类故障模拟与注入方法研究[J]. J4, 2014, 36(01): 19-27.