基于遗传算法的动态可变参数的测试数据自动生成工具

测试数据的生成是实现软件测试自动化的关键,这一技术的实现大大节省了软件开发的时间和费用。利用遗传算法的理论与算法特点,建立了动态可变参数的测试数据自动生成工具。通过该工具的可视化界面可以动态地输入遗传算法参数,而且能够根据不同的路径选择输入相应的适应度函数,克服了以往在源代码中修改适应度函数的缺陷。最后通过两个实验,证明了算法的优越性。     

测试Java异常处理机制的方法

异常处理机制能增强程序运行的可靠性,提高软件的健壮性.然而,如果异常处理机制使用不当,会带来许多潜在的错误,因而很有必要对程序的异常处理结构进行测试.提出了一种识别被测程序中的所有异常变量"定义-使用"关系的方法,并使用一个异常的定义-捕获度量来计算异常定义-使用链的测试覆盖.最后设计了一种异常分析及测试的原型工具.     

一种静态分析C^＋＋异常处理的方法

异常处理是现代程序设计语言提供的用来提高软件健壮性的一种机制。由于在C^＋＋的函数界面中并不要求声明该函数所能传播出的异常的类型，所以要想提高系统的健壮性，必须清楚在程序的执行过程中可能引发的异常、异常的传播路径等。然而在大型系统中，要想确定这些信息是非常困难的。本文针对C^＋＋的异常处理机制，首先提出了一个描述C^＋＋异常结构信息的模型，并把该模型应用于递归函数中。然后，描述了一个基于该模型的分析C^＋＋程序异常结构信息的工具CETool。该工具能提供所有显式引发异常的有关信息，为系统中异常处理结构的改进和程序的结构测试提供有价值的信息。最后给出了该工具的实现方法和应用实例。     

一种基于前向计算的动态程序切片方法

动态程序切片技术是一种重要的程序分析技术,在软件分析、测试与调试过程中有着广泛的应用。给出一种基于前向计算的动态程序切片方法,该方法首先在对当前执行语句进行定义使用分析的基础上计算该语句定义变量的影响集,其次计算该语句的直接动态依赖关系,最后计算当前执行语句中变量的动态切片。根据该方法设计并实现了一个Java动态程序切片系统,基于一组基准测试程序开展了切片实验,并与已有的切片方法进行了比较。实验结果表明,该方法可以得到比较精确的动态程序切片结果。     

基于梦境粒子群优化的类集成测试序列生成方法

类集成测试序列的确定是面向对象类集成测试技术中的一个重要课题。合理的类集成测试序列可以降低为其构造测试桩的总体复杂度,从而减小测试代价。针对粒子群优化算法容易早熟的缺陷,文中提出一种基于梦境粒子群优化算法的类集成测试序列生成方法。首先把每个类集成测试序列映射为一维空间中的一个粒子,然后将粒子看作有做梦能力的个体。每个迭代周期分为白天和夜间两个阶段,在白天阶段粒子正常移动,而在夜间阶段粒子根据各自的做梦能力扭曲当前位置。如此,粒子有机会在当前位置附近进行搜索,使得算法减缓收敛速度,避免过早陷入局部最优。实验结果表明,多数情况下该方法可以得到测试代价更小的类集成测试序列。     

启发式资源共享系统关联规则挖掘方法

针对资源共享系统开放式特征,提供了一种启发式方法,在分析Apriori的基础上,在网络资源共享系统下进行关联规则挖掘.与传统方法相比主要有两点区别:一是通过在网络中设立一个超节点来保存处理数据;二是通过和节点实时的动作序列相比,添加一个近似频繁集反映动态变化.这种方法通过设定全局和节点的启发式规则,可以有效提取节点动作序列的关联,从而提高目标资源的定位能力,节省网络带宽开销.实验结果表明该方法是高效可行的.     

基于深度学习的软件自动修复方法的修复偏好研究

基于机器学习的软件修复方法可以降低软件缺陷修复成本，无须人工干涉而自动修复软件缺陷，但不同的缺陷修复软件对不同类型缺陷的修复偏好不明确，且缺乏针对性而无法充分发挥深度学习模型的作用；为此在研究缺陷分类的基础上，研究几种具有代表性基于深度学习的软件自动修复方法对不同类型的缺陷总的修复概率，并比较分析不同学习模型对于修复不同类型缺陷的修复偏好，后续可以更好地进行模型选择以及软件自动修复工作。实验结果表明，基于深度学习的软件自动修复方法倾向于修复IF语句类型、方法语句类型、return语句类型的缺陷。基于自编码器的软件自动修复方法倾向于修复IF语句类型的缺陷，基于LSTM的编码器-解码器的修复方法倾向于修复与方法语句类型相关的缺陷，而基于CNNs的编码器-解码器的修复方法则对IF语句类型、方法语句类型以及return语句类型这三种类型缺陷的修复偏好相差不大。     

基于深度强化学习的类集成测试序列生成方法

类集成测试序列的生成是面向对象软件测试中的关键步骤，当类的测试序列不同时，相应的测试代价也不相同.在集成测试中生成一个合理的类集成测试序列可以有效降低软件测试的代价.本文将深度强化学习中的Advantage Actor-Critic算法应用于解决类集成测试序列生成问题.首先，利用类间各种依赖关系构建与智能体交互的环境模型；然后，记录智能体从初始状态到终止状态的路径，即每次选择的动作对应每次选择集成到序列的类编号；最后，得出最终的类集成测试序列.实验结果表明，本文方法所得到的类集成测试序列花费的总体测试桩复杂度，在选取的7个项目中有5个表现最佳，在剩余2个项目中表现中等.