演化测试技术的研究

doi:10.3778/j.issn.1673-9418.2008.05.001

计算机科学与探索 ›› 2008, Vol. 2 ›› Issue (5): 449-466.DOI: 10.3778/j.issn.1673-9418.2008.05.001

演化测试技术的研究

谢晓园¹,许蕾¹,徐宝文^1,2+,聂长海¹,史亮³

1. 东南大学计算机科学与工程学院，南京 210096
2. 江苏省软件质量研究所，南京 210096
3. 微软中国有限公司，北京 100080

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-10-06 发布日期:2008-10-06
通讯作者: 徐宝文

Survey of Evolutionary Testing

XIE Xiaoyuan¹, XU Lei¹, XU Baowen^1,2+,NIE Changhai¹, SHI Liang³

1. School of Computer Science and Engineering， Southeast University， Nanjing 210096， China
2. Jiangsu Institute of Software Quality， Nanjing 210096， China
3. Microsoft （China） Company Ltd.， Beijing 100080， China

Received:1900-01-01 Revised:1900-01-01 Online:2008-10-06 Published:2008-10-06
Contact: XU Baowen

摘要/Abstract

摘要： 演化测试作为一种非常有前景的自动化测试技术，可以成功地为多种测试目标生成高质量的测试用例。它将测试用例的生成过程转化为一个利用遗传算法进行数值优化的问题。算法的搜索空间即为待测软件的输入域，其中最优解即是满足测试目标的测试用例。该搜索过程可以实现完全自动化，它所具有的导向性可以避免盲目搜索，较随机测试有着更加明确的目标和方向性；同时该搜索过程还具有一定的随机扰动，可以很好地克服复杂搜索域所带来的种种局限性。近年来，越来越多的学者开始关注于演化测试技术的研究，并取得了一些研究成果，使之在多种领域得以成功地应用。分别在结构性测试、功能性测试、性能测试以及面向对象测试领域，对演化测试技术进行了总结。通过对各领域的应用方法进行分类概括，比较分析了不同方法的优势与不足，为理解、评价以及合理选取演化测试方法提供了较有价值的参考。在此基础上，总结评估了现有的演化测试优化技术及其适用性。最后，展望了演化测试技术未来的研究方向。

关键词: 软件测试, 遗传算法, 演化测试, 动态优化, 种群早熟, flag变量

Abstract: Evolutionary Testing （ET）， as a very promising technique for automatic testing， can generate effec-tive test cases for many test objects successfully. ET converts the task of test case generation into an optimization problem， and uses Genetic Algorithm（GA） to search for the desired solutions with very little cost. The input domain of system under test is the search space of GA. With a complete automation， this search process can be more efficient. Besides as a result of both the guidance and the randomicity， the search can overcome the shortcoming of complex search domain and avoid a blind search of simple random testing. In recent years， more and more researches have been focused on ET， and have made it being applied successfully in many areas. This paper introduces the application of ET in structural testing， functional testing， temporal performance testing and object-oriented testing. From summarizing the main ET methods in those applications， it analyzes and compares each method’s advantages and shortcomings， in order to provide some valuable advices for studying and selecting proper ET methods. Additionally the paper concludes the performance optimization techniques of ET， and finally it presents ET’s prospect and the future research for ET.

Key words: software testing, Genetic Algorithm （GA）, Evolutionary Testing （ET）, dynamic optimization, prematurity, flag variable

谢晓园1 ,许蕾1 ,徐宝文1,2+ ,聂长海1 ,史亮3 . 演化测试技术的研究[J]. 计算机科学与探索, 2008, 2(5): 449-466.

XIE Xiaoyuan¹, XU Lei¹, XU Baowen^1,2+,NIE Changhai¹, SHI Liang³. Survey of Evolutionary Testing[J]. Journal of Frontiers of Computer Science and Technology, 2008, 2(5): 449-466.

[1]	陈斌, 刘卫国. 基于SAC模型的改进遗传算法求解TSP问题[J]. 计算机科学与探索, 2021, 15(9): 1680-1693.
[2]	潘家文, 钱谦, 伏云发, 冯勇. 最优权动态控制学习机制的多种群遗传算法[J]. 计算机科学与探索, 2021, 15(12): 2421-2437.
[3]	殷绍伟, 彭力, 戴菲菲. 融合改进A*蚁群和滚动窗口法的平滑路径规划[J]. 计算机科学与探索, 2021, 15(10): 1969-1979.
[4]	韩鑫鑫，贲可荣，张献. 军用软件测试领域的命名实体识别技术研究[J]. 计算机科学与探索, 2020, 14(5): 740-748.
[5]	杨杰，唐亚纯，谭道军，刘小兵. 多通道自编码器深度学习的入侵检测方法[J]. 计算机科学与探索, 2020, 14(12): 2050-2060.
[6]	刘徐，肖志勇，甘霖，徐敬蘅，陈宏博. 神威国产处理器应用程序的并行参数自动寻优[J]. 计算机科学与探索, 2020, 14(11): 1838-1848.
[7]	万静，吴凡，何云斌，李松. 新的降维标准下的高维数据聚类算法[J]. 计算机科学与探索, 2020, 14(1): 96-107.
[8]	张毅伟，贲可荣. 基于状态图测试的迁移路径生成方法[J]. 计算机科学与探索, 2019, 13(6): 961-972.
[9]	米爱中，陆瑶. 使用混合差异性度量的分类器选择方法[J]. 计算机科学与探索, 2018, 12(9): 1522-1530.
[10]	郑文萍，李晋玉，王杰. 基于遗传算法的蛋白质复合物识别算法[J]. 计算机科学与探索, 2018, 12(5): 794-803.
[11]	余恒，贲可荣. 针对模型转换程序的蜕变测试方法研究[J]. 计算机科学与探索, 2016, 10(7): 915-923.
[12]	贺建峰，符增，易三莉，相艳，崔锐. 基于遗传算法的灰度-梯度熵多阈值图像分割[J]. 计算机科学与探索, 2015, 9(8): 995-1003.
[13]	曹春红，王鹏. 动态种群划分量子遗传算法求解几何约束[J]. 计算机科学与探索, 2014, 8(4): 397-405.
[14]	任亚峰，尹兰，姬东鸿. 基于语言结构和情感极性的虚假评论识别[J]. 计算机科学与探索, 2014, 8(3): 313-320.
[15]	李志杰，李元香. 求解动态优化问题的多种群热力学遗传算法[J]. 计算机科学与探索, 2014, 8(2): 179-185.

演化测试技术的研究

Survey of Evolutionary Testing

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics