[发明专利]基于神经元激活频率分析的测试用例优先级排序方法

权利要求书

1.基于神经元激活频率分析的测试用例优先级排序方法，其特征在于：输入为训练数据以及测试集在神经网络的倒数第二层的神经元输出值，输出为排完序的测试集，包括以下步骤：

(1)确定神经网络模型对于计算机软件每个类别在测试过程中所使用的数据的频繁激活神经元集合与非频繁激活神经元集合；对于某一类的数据，频繁激活神经元指在神经网络的运行过程中，该神经网络的神经元能被大多数正确分类的数据所激活，非频繁激活神经元则是指神经网络中除去该类所有频繁激活神经元外的其他神经元；

(2)将待排序的计算机软件测试用例输入神经网络模型，并按照其激活对应类别的“频繁激活神经元集合”中神经元的数目与激活“非频繁激活神经元集合”的数目之比，对计算机软件测试用例进行优先级排序。

2.根据权利要去1所述的基于神经元激活频率分析的测试用例优先级排序方法，其特征在于：所述步骤(1)，具体包括以下步骤：

(1-1)获取以计算机软件测试用例的训练数据为输入时，神经网络模型倒数第二层的所有神经元的输出值；

(1-2)将输出值大于0.0的神经元记为被激活的神经元，按照输入数据的类别分别计算神经网络模型倒数第二层的每一个神经元被激活的次数；

(1-3)利用聚类算法，对于每一类的数据，将神经网络模型倒数第二层的神经元以激活次数为特征进行聚类，将该类数据的神经元聚为两类，分别是频繁激活神经元与非频繁激活神经元；激活频率高的一类为频繁激活神经元，激活频率低的一类为非频繁激活神经元。

3.根据权利要去1所述的基于神经元激活频率分析的测试用例优先级排序方法，其特征在于：所述步骤(2)，具体包括以下步骤：

(2-1)获取神经网络模型以待排序测试用例为输入时倒数第二层的所有神经元的输出值；

(2-2)神经网络模型输入测试用例时，计算该测试用例激活该测试用例所属类别的“频繁激活神经元集合”中神经元的个数与“非频繁激活神经元集合”中神经元的个数，分别记为FreNeuron、InFreNeuron；

(2-3)对于所有测试数据按照FreNeuron/(1+InFreNeuron)值进行优先级排序，值越低优先级越高；优先级的具体意义是测试用例被神经网络识别错误的容易程度；神经网络识别该测试用例越容易出错，优先级越高，具体表现为FreNeuron/(1+InFreNeuron)值的高低，值越低优先级越高。

4.根据权利要去1所述的基于神经元激活频率分析的测试用例优先级排序方法，其特征在于：本方法的实施环境为Windows10操作系统，装有Python3.7解释器。