EFSM模型的字符串类型测试数据自动生成

基于软件描述模型的测试数据自动生成研究中,字符串类型测试数据生成是一个研究热点和难点。EFSM模型是一种重要的软件描述模型。分析了EFSM模型的特点,针对面向EFSM模型目标路径的字符串测试数据生成,建立了字符串输入变量模型和操作模型,结合静态测试的特点,给出了通过字符串变量模型在目标路径上的符号执行结果生成字符串类型测试数据的方法。实验结果表明,该方法能够达到预期效果,提高测试生成效率。     

含过程调用EFSM模型测试数据生成

针对含过程调用EFSM模型测试数据生成中过程调用的不可执行问题,提出了一种能对过程调用进行处理以实现模型的测试数据自动生成方法。该方法将被调子过程描述为一个EFSM模型,将表示主过程及子过程的EFSM模型合并为一个新的模型,合并后的模型符合EFSM模型规范,采用遗传算法对该模型进行测试数据自动生成。实验结果表明,该方法能够较好地解决含过程调用EFSM模型的测试数据自动生成问题。     

基于谓词切片的字符串测试数据自动生成

字符串谓词使用相当普遍，如何实现字符串测试数据的自动生成是一个有待解决的问题，针对字符串谓词，讨论了路径Path上给定谓词的谓词切片的动态生成算法，以及基于谓词切片的字符串测试数据自动生成方法，并给出了字符串间距离的定义，利用程序DUC（Definithon-Use-Control)表达式，构造谓词的谓词切片，对任意的输入，通过执行谓词切片，获取谓词中变量的当前值，进而对谓词中变量的每一字符进行分支函数极小化，动态生成给定字符串谓词边界的ON－OFF测试点，实验表明，该方法是行之有效的。     

基于搜索的面向路径字符串测试数据自动生成方法

针对字符串测试数据自动生成,讨论了字符串间的距离,将不满足路径条件的字符串谓词表示成一个实值目标函数;利用快速下降搜索算法实施目标函数极小化,实现了基于搜索的面向路径字符串测试数据自动生成方法;探讨了其测试数据生成效率与初始输入、路径处理顺序之间的关系,并与遗传算法等几种算法进行了比较．实验结果表明：该方法是一种更经济有效的测试数据生成方法．     

基于智能算法的测试数据自动生成模型研究

针对测试数据自动生成问题,首先分析了遗传算法和粒子群算法的工作原理,结合两种算法各自的特点提出了一个基于智能算法的测试数据自动生成系统模型。模型以智能优化算法为核心,通过评价函数计算适配值,多次迭代后在测试环境中输出测试用例。在典型测试问题上进行了仿真实验,结果表明提出的模型能够提高用例生成效率,具有广泛的应用拓展空间。     

测试数据自动生成技术研究

软件测试分为静态分析、路径选择、测试数据生成和动态分析四个阶段,而测试数据的自动生成是软件测试的关键技术之一。文章通过对被测试程序的分析,提出了生成测试数据的平衡力法,对任意的输入变量,判断变量移动范围及进行谓词中变量的函数极小化,得到测试数据,并给出了具体实现方法。     

测试数据的自动生成

测试数据的自动生成是软件测试领域中的关键技术，也是难题之一。本文通过分析目前比较常用的几种测试数据的生成方法，提出了采用辅助生成面向功能的测试数据与自动生成面向结构的测试数据相结合的方案，并概括地叙述了实现方法。     

测试数据自动生成方法

软件测试是提高软件可靠性、保证软件质量的重要手段，可分为静态分析、路径选择、测试数据生成和动态分析四个阶段，而软件测试过程中的一个重要任务是生成测试数据。文中首先给出了遗传算法的形式化描述，然后提出了遗传算法和函数极小化相结合的方法自动生成测试数据，并通过具体实例表明其有效性。     

测试数据自动生成方法

软件测试是提高软件可靠性、保证软件质量的重要手段,可分为静态分析、路径选择、测试数据生成和动态分析四个阶段,而软件测试过程中的一个重要任务是生成测试数据。文中首先给出了遗传算法的形式化描述,然后提出了遗传算法和函数极小化相结合的方法自动生成测试数据,并通过具体实例表明其有效性。     

类对象测试数据自动生成研究

为了解决类对象测试数据的自动化生成问题,研究了基于UML(Unified Modeling Language,统一建模语言)状态图和遗传算法的类对象测试数据自动生成枝术.在扩展海明距离法的基础上进行适应度缩放,提出了一种在遗传算法中生成类对象测试数据的适应度函数改进方法,提高了遗传算法的收敛速度.最后将方法实验于实际系统,实验结果显示在生成类对象测试数据的效率上有明显的提高.     

基于EFSM不定型切片测试用例自动生成的研究

基于模型的测试是软件测试中一个重要分支,但随着模型规模的增大,测试用例生成也变得越来越困难.扩展有限状态机(extended finite state machine, EFSM)是一种广泛应用的模型,它是对有限状态机(finite state machine,FSM)的扩展,能够更精确地刻画软件系统的动态行为.对EFSM模型的测试主要包含2个部分：测试迁移路径的生成和覆盖测试迁移路径的测试数据的生成.基于搜索的方法已被应用于测试数据的生成.为了提高在大规模EFSM模型中测试用例生成的效率,在前期对EFSM模型非终止性研究新型依赖性分析和切片技术的基础上,提出了基于EFSM模型不定型切片的测试用例生成方法和测试用例补全方法.通过2个案例分析得出：基于模型切片可以更加准确地生成可行路径和提高测试强度.基于7个基准EFSM模型的实验结果表明,在大多数情况下,在切片上生成测试用例的效率都比在原模型上高.     

基于变异粒子群算法的字符串型测试数据生成

基于搜索的算法在以路径覆盖为目标的测试数据生成中应用广泛。然而对于字符串型测试数据的生成,现有方法效率不高。为了高效地生成字符串型测试数据,提出了一种基于变异粒子群算法的字符串型测试数据自动生成方法。在随机生成初始种群后,采用粒子群算法使种群在趋近最优个体的过程中实现进化,并以一定的概率对种群中的个体进行变异操作,以避免进化过程陷入局部最优。为了有效地指导种群进化过程,对经典适应度函数中分支距离的计算方法进行改进,使其适用于含有字符串型参数的程序。实验结果表明,该方法具有较高的成功率和稳定性,且能明显提升测试数据生成效率。     

数字电路板故障诊断测试数据自动生成

针对目前数字电路板故障诊断测试数据生成效率低的难题,文章引入基于国际先进的D前沿敏化和时间帧展开算法的电路板故障诊断测试数据自动生成系统,系统集成图形化电路输入、测试向量与故障字典自动生成、故障模拟和测试数据效能评估等功能,应用该系统可有效避免人工生成电路板测试数据,对提高数字电路板故障诊断效率和精度具有重大的现实意义。     

新的结构化测试数据自动生成方法

针对模拟退火算法,遗传算法应用于测试数据的自动生成的局限性,提出了一种基于GEMGA(基因表达散乱遗传算法)的结构化测试数据的自动生成的方法.讨论了路径的选择,提出了将控制流图与数据流图结合起来生成测试路径,通过TriType的分析结果说明了该方法的可行性.根据得到的测试路径将GEMGA应用到测试数据的自动生成,TdType的实验结果表明,GEMGA能生成更高质量的数据,并适用于较大规模的程序.     

测试数据自动生成系统的实现

本文在研究软件测试数据自动生成技术的基础上,为决解空间爆炸的问题提出了将一种新兴的智能算法—菌群算法应用到软件测试数据的自动生成当中。但为了能准确并快速的生成测试数据还对算法进行了改进,然后在用随机法随机生成的测试数据覆盖被测程序大部分路径的基础上,运用改进后的菌群算法对剩余指定路径进行覆盖从而达到路径全覆盖的效果,实现测试数据自动生成系统。最后用一个简单实验验证了该系统的有效性。     

面向路径的测试数据自动生成方法研究

<正> 软件测试是现阶段保障软件质量的重要手段。软件测试中的诸如语句覆盖、路径覆盖等问题可以归结为面向路径的测试数据的生成问题。该问题可以描述为:给定一个程序P和P中一条路径W,设P的输入空间为D,求x∈D,使得P以x为输入运行,所经过的路径为W。自动求解该问题将有效地提高软件测试的效率和质量。 本文首先简要介绍该领域的研究进展,将现有的方法分为四类:随机法、静态法、动态法和试探法,介绍和分析了每一类中有代表性的方法,并探讨研究方向。     

基于遗传算法的路径测试数据自动生成研究

针对遗传算法在运算过程中产生的早熟问题,提出一种自适应动态优化策略(SAOGO),用以自动生成测试数据。通过优化变异概率等手段,实现了路径测试数据的自动生成。将Triangle(三角形判别问题)作为被检测程序进行性能测试,实验结果表明,基于该策略的测试数据自动生成系统能自动调整变异概率和保持优秀个体,有效的解决了早熟问题,同时也提高了自动生成测试数据的效率。     

下一代网络协议测试数据半自动生成方法研究

在协议测试过程中,对于测试数据的生成方法的考虑应从包的粒度细化到字段上.对协议的通用数据包进行了全面的分析,根据各个字段的功能及其取值之间的关系,对所有字段进行了固定字段、独立字段以及相关字段序列的划分,然后根据测试经验对独立字段和相关字段序列进行了优先级赋值,并根据优先级构建测试包,从而可以将具有重要测试目的的包尽早生成进行测试,并根据优先级标记指导测试结果判定.给出了测试包库的生成算法,并分析了该算法的有效性,然后以BGP4 的UPDATE包为例给出了生成的包,最后给出了结论.     

基于混合遗传算法的测试数据自动生成研究

为了提高软件测试中测试数据自动生成的效率,提出了一种基于混合遗传算法的测试数据自动生成的方法.在传统的遗传算法中引入模拟退火的思想,先利用遗传算法快速搜索到近优解,再使用模拟退火算法局部寻优,实现两种算法的优势互补.实验结果表明,该算法有效避免了早熟问题,具有收敛速度快、搜索效率高等特点,能够更加快速地自动生成测试数据.