基于測(cè)試用例的錯(cuò)誤定位技術(shù)研究.pdf

1、隨著計(jì)算機(jī)軟件的復(fù)雜性越來越高和規(guī)模越來越大，錯(cuò)誤定位在整個(gè)軟件開發(fā)和測(cè)試過程中需要花費(fèi)時(shí)間和精力的比重越來越多。目前主要的調(diào)試工具是集成開發(fā)環(huán)境中的調(diào)試器，但是需要開發(fā)人員對(duì)程序非常的了解，并且有著豐富的經(jīng)驗(yàn)直覺去設(shè)置斷點(diǎn)，由于調(diào)試程序沒有將檢查的語句按照一定的優(yōu)先級(jí)進(jìn)行排序，所以需要花費(fèi)大量的成本。為了解決手工操作調(diào)試器的問題，人們近幾十年來提出了自動(dòng)化錯(cuò)誤定位方法。通過自動(dòng)化錯(cuò)誤定位方法縮小搜尋錯(cuò)誤的范圍，然后再通過手工方式找到錯(cuò)

2、誤根源。其中，基于覆蓋率的錯(cuò)誤定位方法通過運(yùn)行大量的測(cè)試用例，得到測(cè)試用例的覆蓋程序?qū)嶓w的信息和測(cè)試結(jié)果，利用可疑度公式得到各個(gè)程序?qū)嶓w的可疑度排序。由于這種錯(cuò)誤定位方法的計(jì)算復(fù)雜度低，所以已經(jīng)被廣泛使用。然而這種方法也存在自身的不足，例如，沒有充分分析程序?qū)嶓w間的相互關(guān)系，即控制依賴和數(shù)據(jù)依賴。除此之外，在軟件開發(fā)和測(cè)試中，回歸測(cè)試與軟件調(diào)試是迭代進(jìn)行一直到?jīng)]有錯(cuò)誤被檢測(cè)出來為止，如果將回歸測(cè)試用例全部用于錯(cuò)誤定位將大大增加開發(fā)和測(cè)試

3、成本，并且回歸測(cè)試用例中存在著相同或者相似的測(cè)試用例，偶然性正確的測(cè)試用例以及在程序發(fā)生改變，例如新增程序，刪除不必要的程序以及修改原來的程序等時(shí)回歸測(cè)試用例也會(huì)產(chǎn)生過時(shí)的測(cè)試用例，不受控制的測(cè)試用例，冗余的測(cè)試用例和新的測(cè)試用例等。并且沒有考慮程序中功能模塊之間的調(diào)用，函數(shù)之間的調(diào)用以及一個(gè)函數(shù)中的控制依賴和數(shù)據(jù)依賴對(duì)回歸測(cè)試用例的影響。
　　為了解決以上問題，本文考慮了影響分析，依賴和權(quán)值，改進(jìn)遺傳算法和軟件度量的基于回歸測(cè)試

4、用例的錯(cuò)誤定位方法，論文的主要成果包含以下幾個(gè)方面:
　　(1)提出了基于影響分析的回歸測(cè)試優(yōu)先級(jí)錯(cuò)誤定位方法，這種方法首先利用Ochiai錯(cuò)誤定位方法得到初始語句可疑度及可疑度排行，其次，利用控制依賴圖和數(shù)據(jù)依賴圖建立聯(lián)合依賴圖，通過初始語句可疑度和聯(lián)合依賴圖得到各個(gè)節(jié)點(diǎn)的可疑度和可疑度排行，將初始語句可疑度排行加上各個(gè)節(jié)點(diǎn)的可疑度排行得到最終可疑度排行，最后，利用最終可疑度排行計(jì)算各個(gè)測(cè)試用例語句覆蓋的最終可疑度排行總和，數(shù)值

5、越大的測(cè)試用例，優(yōu)先級(jí)越高，利用按照優(yōu)先級(jí)排序好的測(cè)試用例進(jìn)行回歸測(cè)試錯(cuò)誤定位。通過實(shí)驗(yàn)研究與分析，基于影響分析的回歸測(cè)試優(yōu)先級(jí)錯(cuò)誤定位方法能夠提高定位程序中的錯(cuò)誤的效率。
　　(2)提出了根據(jù)控制依賴和數(shù)據(jù)依賴，測(cè)試用例覆蓋表和測(cè)試結(jié)果得到每條語句被成功或失敗測(cè)試用例控制依賴和數(shù)據(jù)依賴覆蓋的總次數(shù)得到頻繁被成功或失敗測(cè)試用例覆蓋的語句來緩解相同或相似測(cè)試用例對(duì)可疑度排行的影響，并且增加對(duì)失效產(chǎn)生上下文的理解。然后利用向量夾角余弦

6、權(quán)值公式計(jì)算每個(gè)成功測(cè)試用例的權(quán)值來減弱偶然性正確的測(cè)試用例對(duì)可疑度計(jì)算的影響。最后利用可疑度公式即每條語句被失敗測(cè)試用例控制依賴和數(shù)據(jù)依賴覆蓋的總次數(shù)除以每條語句被成功的測(cè)試用例覆蓋的權(quán)值之和的絕對(duì)值對(duì)語句可疑度進(jìn)行排序來有效地進(jìn)行回歸測(cè)試用例錯(cuò)誤定位。實(shí)驗(yàn)結(jié)果表明，利用依賴和權(quán)值改進(jìn)回歸測(cè)試用例的錯(cuò)誤定位方法的效率要優(yōu)于基于覆蓋率和基于依賴分析的回歸測(cè)試用例錯(cuò)誤定位方法。
　　(3)提出了基于改進(jìn)遺傳免疫算法回歸測(cè)試用例生成的

7、錯(cuò)誤定位方法，將人工免疫算法加入到遺傳算法中并進(jìn)行改進(jìn)來提高面向錯(cuò)誤定位的回歸測(cè)試用例的質(zhì)量。在回歸測(cè)試中，代碼的改變包括新增代碼，刪除不必要的代碼以及修改原來的代碼等。因此回歸測(cè)試用例產(chǎn)生變化，產(chǎn)生了過時(shí)的測(cè)試用例，不受控制的測(cè)試用例，冗余的測(cè)試用例和新的測(cè)試用例。所以通過改進(jìn)遺傳算法中的適應(yīng)值計(jì)算，以親和度計(jì)算和濃度計(jì)算代替適應(yīng)值計(jì)算使得更改的代碼與回歸測(cè)試用例緊密相連又保證回歸測(cè)試用例的多樣性，再通過將遺傳算法中以交叉為主，變異為

8、輔與人工免疫算法中以變異為主，交叉為輔相結(jié)合，保證測(cè)試用例可以執(zhí)行多條路徑。然后通過克隆抑制和接種疫苗保證經(jīng)過交叉，變異的測(cè)試用例依舊與更改的代碼緊密相連。最后群體更新得到最優(yōu)抗體，最優(yōu)抗體中的抗體可以覆蓋所有抗原A。因此改進(jìn)遺傳免疫算法的回歸測(cè)試用例生成的錯(cuò)誤定位方法可以緩解回歸測(cè)試用例中產(chǎn)生的過時(shí)的測(cè)試用例，不受控制的測(cè)試用例，冗余的測(cè)試用例和新的測(cè)試用例的問題。
　　(4)提出了基于軟件度量的歸測(cè)試用例優(yōu)化的錯(cuò)誤定位方法，這

9、種方法利用歷史缺陷按照功能點(diǎn)分類并結(jié)合缺陷嚴(yán)重級(jí)別和優(yōu)先級(jí)別以及功能模塊的調(diào)用頻率得到功能調(diào)用模塊缺陷率，進(jìn)行回歸測(cè)試用例功能優(yōu)化，再根據(jù)函數(shù)之間的調(diào)用頻率得到回歸測(cè)試用例函數(shù)優(yōu)化，最后以其歷史Ochiai可疑度，程序依賴圖中的控制依賴邊和數(shù)據(jù)依賴邊得到平均節(jié)點(diǎn)Ochiai可疑度，根據(jù)測(cè)試用例覆蓋節(jié)點(diǎn)情況，得到各個(gè)測(cè)試用例的平均節(jié)點(diǎn)Ochiai可疑度之和，利用各個(gè)測(cè)試用例的平均節(jié)點(diǎn)Ochiai可疑度之和對(duì)測(cè)試用例進(jìn)行回歸測(cè)試語句優(yōu)化，根