GUI缺陷及定位方法研究.pdf

1、圖形用戶(hù)界面缺陷產(chǎn)生的一個(gè)可能原因是:代碼中存在code smells，導(dǎo)致重構(gòu)問(wèn)題，引起圖形用戶(hù)界面缺陷。在軟件缺陷報(bào)告的輔助下，可以較快定位缺陷代碼，以此加快圖形用戶(hù)界面缺陷的修復(fù)。但是，軟件缺陷報(bào)告日益龐大，難以查閱和提取。
　　為研究存在code smells的代碼與圖形用戶(hù)界面缺陷之間的關(guān)系，以及通過(guò)軟件缺陷報(bào)告定位圖形用戶(hù)界面缺陷，本文主要開(kāi)展以下三方面研究:codesmells檢測(cè)方法、軟件缺陷提取方法以及圖形用戶(hù)界

2、面測(cè)試。
　　針對(duì)code smells檢測(cè)方法，本文在論述檢測(cè)策略的分化性、病原體處理、信號(hào)處理等特點(diǎn)基礎(chǔ)上，將人工免疫的基本概念、信號(hào)遷移到軟件工程，提出一種基于危險(xiǎn)理論中的樹(shù)突狀細(xì)胞算法的檢測(cè)策略。該檢測(cè)策略將code smells的代碼作為抗原，軟件度量值轉(zhuǎn)化為危險(xiǎn)信號(hào)和安全信號(hào)等輸入信號(hào)進(jìn)行處理，通過(guò)權(quán)值公式獲得成熟信號(hào)以及半成熟信號(hào)，比較其相對(duì)值高低確定代碼是否為code smells，最終根據(jù)成熟環(huán)境抗原值決定各種c

3、ode smells嚴(yán)重程度的優(yōu)先次序。該檢測(cè)策略具有較低假陽(yáng)性率，實(shí)驗(yàn)證明該研究在F-score(0.784)和Kappa分析(0.756)上均有效，高于其它檢測(cè)方法。
　　針對(duì)軟件缺陷提取方法，本文提出一種基于文本挖掘和貝葉斯分類(lèi)器的軟件缺陷提取方法，該方法首先合并缺陷報(bào)告中的同義詞，然后建立空間向量模型，使用詞頻反文檔頻率以及信息增益等文本挖掘的方法來(lái)收集軟件缺陷報(bào)告中單詞的特征，同時(shí)設(shè)計(jì)一種基于單詞數(shù)量的算法確定句子復(fù)雜度

4、以選擇長(zhǎng)句。最后將貝葉斯分類(lèi)器引入該領(lǐng)域。該方法可以提高缺陷報(bào)告提取的命中率，降低虛警率，實(shí)驗(yàn)證明本文方法在接受者工作特征曲線面積(0.71)、F-score(0.80)和Kappa值(0.75)方面有良好效果。
　　針對(duì)圖形用戶(hù)界面測(cè)試，本文通過(guò)引入離散并行系統(tǒng)的Petri網(wǎng)理論，定義了圖形用戶(hù)界面的事件、事件序列和事件分解等概念，將可達(dá)性、有界性、活性以及強(qiáng)連通性等Petri網(wǎng)的重要性質(zhì)延伸至此領(lǐng)域，以提高圖形用戶(hù)界面測(cè)試的覆

5、蓋面和效率。并且，試圖解決不可達(dá)、不強(qiáng)連通、死鎖、無(wú)界、不符合初始模型和跳轉(zhuǎn)錯(cuò)誤等六類(lèi)圖形用戶(hù)界面缺陷問(wèn)題。實(shí)驗(yàn)證明基于Petri網(wǎng)的圖形用戶(hù)界面測(cè)試在事件覆蓋數(shù)、代碼行覆蓋數(shù)以及缺陷發(fā)現(xiàn)數(shù)等方面比傳統(tǒng)簡(jiǎn)單的隨機(jī)測(cè)試更有效。
　　在以上三個(gè)基礎(chǔ)研究之后，通過(guò)實(shí)驗(yàn)，本文得出兩點(diǎn)結(jié)論:(a)通過(guò)引入互信息相關(guān)分析，本文發(fā)現(xiàn)存在code smells問(wèn)題的代碼容易導(dǎo)致圖形用戶(hù)界面問(wèn)題。特別的，若軟件版本持續(xù)快速升級(jí)，code smell