基于預(yù)測的變異錯(cuò)誤定位方法研究.pdf

1、在軟件的調(diào)試過程中，有效而準(zhǔn)確地識(shí)別錯(cuò)誤的位置非常重要，其中基于覆蓋的錯(cuò)誤定位(CBFL)和基于變異的錯(cuò)誤定位(MBFL)廣泛應(yīng)用于軟件調(diào)試中。這兩種錯(cuò)誤定位方法都需要使用測試用例信息實(shí)現(xiàn)錯(cuò)誤定位，包括測試用例的代碼執(zhí)行路徑和測試用例的輸出結(jié)果信息。已有的研究表明，基于變異分析的錯(cuò)誤定位技術(shù)的精度高于基于覆蓋的錯(cuò)誤定位技術(shù)。
　　基于變異分析的錯(cuò)誤定位技術(shù)采用人工植入錯(cuò)誤的方法生成變異體，也就是相應(yīng)的變異程序，在這些變異體上執(zhí)行測

2、試用例，最后計(jì)算出每條語句的懷疑度值。開發(fā)人員根據(jù)語句懷疑度值的排列順序，依次檢查語句，從而提高軟件調(diào)試效率。MBFL的錯(cuò)誤定位精度高，但考慮到大型程序擁有極大數(shù)量的測試用例，因此獲取測試用例的執(zhí)行結(jié)果是一項(xiàng)花費(fèi)巨大的工作。
　　針對在大量變異體上執(zhí)行測試用例并獲取執(zhí)行結(jié)果的過程中存在的巨大花費(fèi)，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)算法和程序變異的測試用例輸出預(yù)測方法。首先在少量變異體上執(zhí)行測試用例，用這些執(zhí)行結(jié)果作為訓(xùn)練集，然后預(yù)測剩余測

3、試用例的執(zhí)行結(jié)果。通過神經(jīng)網(wǎng)絡(luò)模型預(yù)測測試用例的執(zhí)行結(jié)果，可以大大減少人工判斷測試用例執(zhí)行結(jié)果的成本，進(jìn)而提高軟件測試人員的工作效率。為了進(jìn)一步驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)算法的測試用例執(zhí)行預(yù)測模型的效果，本文通過實(shí)驗(yàn)比較了不同機(jī)器學(xué)習(xí)算法在不同訓(xùn)練集比例時(shí)對執(zhí)行測試用例結(jié)果的預(yù)測效果。此外，本文比較了結(jié)合神經(jīng)網(wǎng)絡(luò)算法的MBFL方法和原始MBFL在錯(cuò)誤定位上的效果，進(jìn)一步驗(yàn)證了本文提出方法的有效性。
　　本文試驗(yàn)采用了144個(gè)錯(cuò)誤版本，分別來

4、自3個(gè)基準(zhǔn)程序并包含2至8個(gè)錯(cuò)誤程序。實(shí)驗(yàn)計(jì)算了基于同樣神經(jīng)網(wǎng)絡(luò)算法下基于語句覆蓋和變異覆蓋兩種算法的精確率，召回率，誤報(bào)率和漏報(bào)率。實(shí)驗(yàn)結(jié)果表明基于變異的方法比基于覆蓋的方法在不同比例的訓(xùn)練集下有更好的預(yù)測效果。同時(shí)，實(shí)驗(yàn)進(jìn)一步證明了神經(jīng)網(wǎng)絡(luò)算法在多錯(cuò)誤情況下比其他的機(jī)器學(xué)習(xí)算法有更好的預(yù)測效果。最后，實(shí)驗(yàn)比較了結(jié)合神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)的基于預(yù)測的MBFL和原始的MBFL在單錯(cuò)誤和多錯(cuò)誤情況下的錯(cuò)誤定位精度，實(shí)驗(yàn)結(jié)果表明錯(cuò)誤定位結(jié)果的精度