[发明专利]一种基于错误检测能力的测试用例集约简方法

说明书

本发明公开了一种基于错误检测能力的测试用例集约简方法，包括以下步骤：对于给定的原始测试用例集T，根据分析与对应的测试需求集R的满足情况，构建测试关系矩阵A_s；根据每个原始测试用例子集元素t的错误检测能力，构建错误检测能力关系矩阵A_f；计算出每个原始测试用例子集T的错误检测能力，结合使用必不可少策略和错误检测能力的贪心策略进行约简，直到所有原始测试用例子集都被完全考虑，得到最终约简子集T′。本发明综合考虑测试用例规模和错误检测能力，在覆盖全部测试需求的前提下最大程度地减少测试用例的规模，同时尽可能降低对错误检测能力的影响，保证约简后的测试用例具有一定的错误检测能力。

技术领域

本发明涉及一种测试用例集约简方法，尤其涉及一种基于错误检测能力的测试用例集约简方法。

背景技术

软件测试需要设计大量的测试用例，测试用例的设计质量很直接地影响其测试质量。影响测试用例质量的因素很多，主要包括用例规模和错误检测能力。大多数的研究工作集中在对测试用例集规模本身的约简问题，采用的方法主要有贪心算法、一些启发式算法或整数规划等，但是在约简的过程中忽略了错误检测能力。测试用例约简过程中会删除一些冗余用例来减少测试成本，与此同时，一些能检测出错误的冗余测试用例也可能会被删除，从而降低了错误检测能力。如何维持测试用例集规模和错误检测能力之间的平衡，已经成为具有重要意义的研究课题。

由于测试用例集合约简问题是一个NP-C问题，采用启发式算法来得到一个近似解。目前，主流的启发式算法为贪心算法、GREGE算法和HGS算法。启发式主要思想为从当前测试用例集T中随机选出一个测试用例，考察满足测试需求集R的程度，并使得能最大限度满足测试需求集R中尚未被满足的测试需求而加入约简子集中，直到测试需求R被完全满足。在考察测试用例满足测试需求集R的程度时，可以选择不同的指标，如测试用例的重要性、测试需求间关系等。根据选择用例不同约简策略，也可以演变成不同的启发式算法，比如每次都优先选择最大满足测试需求的用例，再删除冗余测试用例。

对于启发式算法的改进方面，遗传算法、蚁群算法等智能搜索技术被应用于测试用例集约简。基于变异因子的蚁群算法结合两种算法的优点，在蚁群算法的基础上引入遗传算法的变异因子来解决早熟停滞问题，以增强搜索的随机性、快速性和全局收敛性。在测试用例集规模较大时，智能算法在一定程度上优化了部分启发式算法，但算法过程复杂、计算空间成本较大，在某些场景下不一定适用。为得到最优测试用例集约简结果，可将原问题转化为整数线性规划问题。0-1整数规划方法适用于多种约束条件、目标值函数和测试充分性准则，但该算法时间复杂度较高，计算成本随着规模成指数级增长。一些简化规则虽然可以降低其计算成本，该方法在实用性上仍然具有局限性。现有的大部分测试用例集约简算法在测试用例满足测试需求的基础上生成测试用例集，然后采用启发式算法、智能搜索算法或0-1整数线性规划等方法对当前测试用例集进行约简。这些方法的实效性取决于初始测试用例集的生成，因初选的测试用例不同而产生差异，不能从整体上优化测试用例集。

测试用例的选取是为了满足特定的测试目的，最大限度地找出软件错误。上述传统算法都是针对测试用例集本身冗余问题进行约简，忽略了测试用例集的软件错误检测能力。测试用例集规模约简和测试用例集的错误检测能力是两项相互制约的因素，许多研究在此问题上尚未形成一致意见。如何在测试用例集的规模及其错误检测能力中取得平衡，即在达到一定测试目标的基础上，使得测试用例集规模较小，同时又能保证约简后的测试用例具有一定的错误检测能力，是目前尚未解决的问题。许多研究表明，该类问题可以转化为双目标决策问题，通过设定目标函数中测试用例集规模和测试用例集错误检测能力的不同权重，由测试人员根据测试实际情况来获得两者之间的平衡。但此类方法能在一定程度上解决单目标测试充分性的约简方法的局限性，但权重因子的选择尤为关键，不合理的权重配置，有可能使得该方法的效果差于传统的约简方法。

发明内容