[发明专利]一种利用PageRank算法增强故障定位性能的方法

权利要求书

1.一种利用PageRank算法增强故障定位性能的方法，其特征在于，利用PageRank算法计算语句与测试用例之间的关联度，生成语句的缺陷评分，并结合突变分析对语句的初始可疑值进行加权，利用加权可疑值生成的列表进行软件故障定位；该方法包括下列步骤：

1)程序语句覆盖信息和测试用例执行结果的采集，在程序上运行测试套件，收集程序中每个程序方法的覆盖信息和测试用例执行的结果，根据测试用例执行的结果，将测试用例分为两个集合，分别是通过的测试用例集合T_p和失败的测试用例集合T_f；

2)变异体可疑值的生成，利用PIT工具中的变异算子对程序进行变异生成变异体和变异报告，根据测试用例在变异体上的执行结果将测试用例分为两个集合：杀死变异体的测试用例集合T_k和没有杀死变异体的测试用例集合T_n；利用测试用例的集合生成以下4个计算参数：

a_np＝|T_n∩T_p|

a_kp＝|T_k∩T_p|

a_nf＝|T_n∩T_f|

a_kf＝|T_k∩T_f|

式中a_np表示通过的且没有杀死突变体的测试用例数量，a_kp表示通过的且杀死了突变体的测试用例的数量，a_nf表示失败的且没有杀死突变体的测试用例数量，a_kf表示失败的且杀死了突变体的测试用例数量；利用基于频谱的故障定位技术中的Ochiai公式计算变异体的可疑值，计算公式如下：

式中Susp(m)表示变异体的可疑值；

3)语句初始可疑值的生成，利用步骤2)生成的变异体的可疑值和Metallaxis方法计算语句的初始可疑值，计算公式如下：

Susp_Metallaxis(e_i)＝Max(Susp(m₁)，Susp(m₂)，...，Susp(m_k))

式中Susp_Metallaxis(e_i)表示语句e_i的初始可疑值；

4)测试用例覆盖图的构建，使用步骤1)采集的程序语句覆盖信息构建测试用例与方法之间的覆盖图，覆盖图G＝(V，E)表示测试用例和程序语句之间的覆盖关系，由r个节点组成；

5)转移矩阵的生成，使用步骤4)生成的覆盖图转化为测试用例与程序语句的转移矩阵P_r×r，矩阵中的元素P_ij表示节点j连接到i的概率；

6)语句缺陷评分的生成，利用步骤5)生成的转移矩阵和PageRank算法计算语句的缺陷评分，该评分表示语句与测试用例执行失败的关联度，计算公式如下：

式中向量表示语句的缺陷评分，k表示迭代次数，P表示转移矩阵，阻尼系数d＝0.7，向量向量初始值设置为

7)语句加权可疑值的生成，使用步骤3)和步骤6)生成的语句的初始可疑值和缺陷评分计算加权可疑值，计算公式如下：

Susp_weighted(ei)＝Susp_Metallaxis(ei)+Fei

式中Susp_weighted(e_i)表示语句的加权可疑值，Susp_Metallaxis(e_i)表示步骤3)计算的语句的初始可疑值，Fei表示步骤6)生成的语句的缺陷评分；

8)语句排序列表的生成，对步骤7)生成的语句的加权可疑值降序排列，将语句的排序列表提供给开发人员进行故障定位。

2.根据权利要求1所述的利用PageRank算法增强故障定位性能的方法，其特征在于，在步骤1)中，程序语句覆盖信息和测试用例执行结果的采集，在程序上运行测试套件，收集程序中每个程序方法的覆盖信息和测试用例执行的结果；根据测试用例执行的结果，将测试用例分为两个集合，分别是通过的测试用例集合T_p和失败的测试用例集合T_f。