[发明专利]一种演化环境下变异测试强度需求预测方法

摘要

本发明涉及一种演化环境下变异测试强度需求预测方法。该方法基于特征提取和错误检测数目对软件的各个版本通过数据清洗和特征选择，构建用于模型训练的特征矩阵和强度向量；在此基础上，应用BP神经网络方法构建预测模型，并在模型构建时不断通过信号前向传播和误差后向传播结果调整模型权重，从而学习生成一个变异测试强度需求预测模型BP‑Model；最后，将当前软件版本的特征向量输入到BP‑Model中，最终生成当前软件版本的变异测试强度需求。本发明目的在于解决目前存在的新版本软件变异测试强度未知的难题，进而帮助测试人员制订合理的变异测试需求，帮助测试人员在有限的时间内构建有效的测试用例集。

主权项

1.一种演化环境下变异测试强度需求预测方法，其特征在于，基于特征提取和错误检测数目对软件的各个版本通过数据清洗和特征选择，构建用于模型训练的特征矩阵Data和强度向量vec^strength；在此基础上，应用BP神经网络方法构建预测模型，并在模型构建时不断通过信号前向传播和误差后向传播结果调整模型权重，从而学习生成一个变异测试强度需求预测模型BP-Model；最后，将当前软件版本的特征向量vec_c＝<a_c^I，a_c^E，a_c^M>输入到BP-Model中，最终生成当前软件版本的变异测试强度需求strength_c^mutation；该方法包括下列步骤：/n1)数据清洗，给定软件仓库SR＝{v₀，…，v_i-1，v_i，v_i+1，…，v_c}，其中v₀表示待测软件的初始版本Initial Version，v_c表示软件的当前版本Current Version；其中，每一个版本v_i可以表示为一个五元组<a_i^I，a_i^E，a_i^M，num_i^checked，score_i^mutation>，a_i^I、a_i^E、a_i^M分别表示软件的内在特征、演化特征、变异特征，num_i^checked表示发布v_i+1版本前在v_i版本中发现的缺陷数量，score_i^mutation表示测试用例集的变异得分；/n本步骤的目的是从SR中去除测试效果不佳的软件版本，保留测试效果良好的软件版本的相关特征及变异测试强度等信息，为后续特征选择和模型构建提供原始数据；由于，v₀缺乏演化特征，v_c是待预测版本，因此首先去除v₀和v_c；对于余下版本{v₁，v₂，…，v_c-1}，通过比较错误检测数目进一步去除num^checked高于平均错误检测数目ave^checked的版本；ave^checked的计算公式如下：/n /n对于每个保留版本，新建一个特征向量vec＝<a_i^I，a_i^E，a_i^M>，并将其添加到原始数据矩阵Data^raw中；同时，根据该版本的变异得分score_i^mutation度量测试用例集的变异测试强度strength_i^mutation，并将其添加到强度向量vec^strength中；strength^mutation的度量公式如下：/n /n2)特征选择，给定原始数据矩阵Data^raw和强度向量vec^strength，对vec^strength和Data^raw中的每一列数据vec^column通Min-Max标准化进行归一化处理，从而将数据置于更加合理的区间中；对于每列数据vec^column，分别用min和max表示vec^column中的最小值和最大值；Min-Max标准化公式如下：/n /n归一化完成后，通过Pearson相关系数度量每列数据vec^column与vec^strength的相关性r以及相关显著性p-value，保留至少存在中等强度r＞0.4且显著性相关p-value＜0.05的数据至特征矩阵Data中；所有数据比较完成后，特征矩阵Data和vec^strength生成完毕；/n3)模型构建，给定特征矩阵Data和强度向量vec^strength，初始化BP神经网络模型各层，包括输入层、隐藏层和输出层；依次从特征矩阵中选择每一个样本数据vec^row以及对应的变异测试强度strength^mutation输入到模型中，计算各个隐藏层和输出层的输入输出；对比实际输出结果与strength^mutation计算反向误差，后向修正输出层、各个隐藏层和输入层的权值；计算全局误差；所有样本都输入到模型后，或当全局误差为0时，学习过程结束，输出训练后的BP神经网络模型BP-Model；/n4)强度预测，给定模型BP-Model以及当前软件版本v_c的特征向量vec_c＝<a_c^I，a_c^E，a_c^M>，归一化vec_c并将其输入到BP-Model中，最终生成v_c的变异测试强度需求strength_c^mutation。/n