[发明专利]一种基于有利点树划分多维输入域空间的自适应随机测试方法

说明书

本发明公开了一种基于有利点树划分多维输入域空间的自适应随机测试方法，包括：1、确定输入域D，初始化测试用例集E和C；2、在D中随机生成第一个测试用例t₀并执行；3、随机生成k个候选测试用例构成候选测试用例集C；4、采用FSCS‑ART算法选出下一个测试用例t_f并执行，若t_f未发现程序错误，将其加入已执行集E；5、重复3和4，直到已产生τ个已执行测试用例构造VP树根节点或算法结束；6、随机生成k个候选测试用例更新C；7、采用提出的VP‑ART算法选出下一个测试用例t_v并执行，若测试用例t_v未发现程序错误，将t_v插入VP树中；8、重复6、7，直到t_v发现错误或满足结束条件，结束算法返回指标值。本发明提出的VP‑ART算法保证了FSCS‑ART算法的有效性，并且算法执行效率高、时间开销低。

技术领域

本发明属于软件测试中的自动化测试的技术领域，具体涉及一种基于有利点树划分多维输入域空间的自适应随机测试方法。

背景技术

随着时代发展，越来越多的应用程序进入人们的视野，软件产业规模日渐庞大。其次，软件功能日渐复杂，如何确保软件产品的质量成为了一个很重要的研究热点，软件测试无疑成为了确保软件质量的重要环节和主要手段。与此同时，软件规模的发展也不断推进着软件测试技术多样性的发展。在众多的测试手段中，随机测试(Random Testing，RT)因为其简单的概念和应用手段被广泛应用于各种软件程序的质量保障中。更具体一点，RT就是在输入域中随机产生测试用例驱动待测程序的执行，判断该测试用例是否捕获程序异常。然而，RT只是盲目随机产生测试用例，而忽略了已经执行过的测试用例的相关信息，同时也没有注意到触发故障的程序输入本身具有的属性。因此，科研人员对于RT效能产生了一定的争议性。针对RT的故障检测能力，自适应随机测试(Adaptive Random Testing，ART)就是针对RT提出的改进方法之一。

ART在文献上的出现可以追溯到2001年Chen等人发表的一篇期刊论文。ART由来自多个不同领域的许多研究人员独立报告的关于软件故障模式的观察所激发，这种故障模式指：触发程序故障的输入趋向于聚集到连续区域，称之为故障区域。Chan等人在论文中定义了三种失效模式：块状失效模式、条状失效模式和点状失效模式。图1的(a)、(b)、(c)分别表示了这三种失效模式在输入域为二维的情况，边界框表示输入域边界。其中黑色长条、块或点表示导致故障的输入分布。早期的研究表明，条状和块状的失效模式比点状模式更常见。

经上分析，如果故障区域是连续的，那么非故障区域在整个输入域中也应该是连续的。具体来说：如果一个测试用例rc是一个触发程序故障的输入，那么它的邻居也很可能是触发程序故障的输入。基于此，ART的目标是在确保RT的随机性前提下，在输入域上实现测试用例的均匀分布。通常包括两个过程：一个是测试输入的随机生成，另一个是确保生成的测试用例在整个输入域内的均匀分布。

ART是多种基于多样的直觉和准则的测试方法组成的方法簇，其中固定候选集的ART算法(Fixed Size Candidates Set VersionofART，FSCS-ART)是诸多算法中最为经典、最为普遍接受的一种算法。FSCS-ART用的核心技术是：①两个测试用例之间相似度的概念，即距离度量；②使用了两个测试用例集合：已执行测试用例集E(已经被执行过的并且没有捕获被测程序中任何异常的测试用例构成的集合)和候选测试用例集C(在输入域中随机产生的k个测试用例构成的集合)。若c′∈C要想成为下一个测试用例，则必须满足条件：

其中d(x，y)用于描述测试用例x和y之间的相似度，表示x和y之间的欧几里得距离(Euclidean distance，欧氏距离)。