[发明专利]一种使用生成式网络进行失败测试用例生成的方法

权利要求书

1.一种使用生成式网络进行失败测试用例生成的方法，其特征在于：包括如下步骤：

S100：任意选择一个有缺陷的程序P和一组原始测试用例T，有缺陷的程序P包含N条可执行语句，原始测试用例T包含的测试用例数量为M，原始测试用例T中第i个测试用例为T_i，且T_i相对于程序P的已知输出为A_i；

S110：使用P执行T中第i个测试用例T_i，得到第i个测试用例T_i在程序P中的语句覆盖信息和第i个测试用例T_i经过程序P的实际输出B_i；

S120：对比A_i和B_i，若A_i和B_i相同，则第i个测试用例的标签Y_i为0，若A_i和B_i不同，则第i个测试用例的标签Y_i为1；

S130：重复S110和S120，遍历T中所有测试用例，得到所有测试用例的语句覆盖信息和所有测试用例的标签；

所有测试用例的语句覆盖信息组成覆盖矩阵X，其中X的维度为M×N；

所有测试用例的标签组成标签向量y，其中y的维度为M×1；

S200：对覆盖矩阵X进行特征选择处理，得到筛选降维后的特征空间X^′，具体步骤如下：

S210：建立降维覆盖矩阵X_reduce，预设X_reduce中的特征向量数量为q，可执行语句数量为K且KN，X_reduce矩阵维度为M×K；

S220：计算覆盖矩阵X的协方差矩阵covX，且covX的维度为N×N；

S230：计算协方差矩阵covX的特征值eigenVal和每个特征值eigenVal对应的特征向量eigenVec；

其中，eigenVal包含N个特征值，eigenVec包含N个特征向量且每个特征向量的维度为N×1；

S240：将特征值eigenVal进行降序排列，选取前q个的特征值对应的特征向量组成特征向量矩阵V，且其矩阵V的维度为N×q；

S250：计算P中每条可执行语句的贡献值通过对贡献值的筛选，得到降维后的特征空间；

其中u∈{1，2，3，…，N}，u表示P中的第u条可执行语句；p表示V的第p列，且p＝1,2,…q；V_up表示V的第u行，第p列；

S251：将贡献值c_u进行降序排列，选取前K个值，依据前K个值对应的下标u，则将X_u依次加入X_reduce中，得到筛选降维后的特征空间X^′；

其中，X_u表示覆盖矩阵X的第u列，特征空间X^′的维度为M×K；

S300:构建条件变分自编码网络模型；

条件变分自编码网络模型包括一个编码器和一个解码器，编码器和解码器分别由多个深度学习组件构成，其中编码器用于输出隐变量，解码器用于还原输入给编码器的样本数据；

所述编码器包括一层输入层、两层卷积层和一层输出层；

所述解码器包括一层输入层、两层卷积层和一层输出层；

S400：使用特征空间X^′和特征空间X^′中每个测试用例对应的标签作为训练数据，对条件变分自编码网络模型进行训练，最终得到训练好的条件变分自编码网络模型，具体训练过程如下：

S410：预设训练最大迭代次数，预设条件变分自编码网络模型输出的隐变量维度为s，并对该网络模型进行初始化；

S420：设起始行为第i′行，依次向后选择，每次选择特征空间X^′中的h行，并将这h行对应的标签转换为one-hot向量，得到h个one-hot向量；

其中，i′∈{1，1+h，1+2h，…，1+(└M/h┘+1)*h}；

S430：将h个one-hot向量与h行特征空间X^′结合得到矩阵W，将矩阵W作为条件变分自编码网络模型的输入，输出得到h个隐变量，计算隐变量的具体步骤如下：

S431：将输入数据经过两层卷积层计算后，得到均值向量m和噪声权重向量σ，并使用KLD损失函数对噪声权重向量σ进行约束；

S432：利用高斯分布随机生成噪音向量t；

S433：利用均值向量m、噪声权重向量σ和噪音向量t计算隐变量z，具体表达式如下：

z＝m+e^σ*t(1)

其中，z的维度为s×h；

S440：将h个隐变量对应的标签转换为one-hot向量，将每个隐变量与相对应的one-hot向量进行叠加，得到数据组D，其中D的维度为(s+2)×h；

S450：将数据组D作为解码器的输入，经过两层卷积层处理，输出得到X_reconstruct，且X_reconstruct的维度与编码器的输入维度一致；

S460：计算损失函数衡量X_reconstruct的还原质量，具体表达式如下：

其中，MSEloss表示损失函数，j＝1,2,…K；

S470：根据总损失值total_loss对条件变分自编码网络模型中的参数使用误差逆传播进行参数更新，总损失total_loss表达式如下：

total_loss＝KLD loss+MSE loss (3)

其中，KLD loss表示KLD损失；

S480：重复S420-S470，遍历特征空间X^′中所有测试用例数据，当训练达到最大迭代次数时停止训练，得到训练好的条件变分自编码网络模型，然后进行下一步，否则返回S420；

S500：从训练好的条件变分自编码网络模型中提取出解码器；

S600：对高斯分布进行数据采样，得到噪音向量，将标签指定为1并进行转换得到带标签的one-hot向量；

S700：将噪音向量和带标签的one-hot向量输入到解码器中，得到最终的失败测试用例结果。

2.如权利要求1所述的一种使用生成式网络进行失败测试用例生成的方法，其特征在于：所述S431中的对噪声权重向量σ进行约束的KLD损失函数具体表达式如下：

其中，KLDloss表示损失函数。