[发明专利]基于DBN的测试用例进化生成方法

说明书

本发明公开了一种基于DBN的测试用例生成方法，属于软件测试领域。本发明包括：通过软件需求文档，构造不同的测试用例作为训练集用于训练基于DBN的测试用例分类器；结合自适应的遗传算法来进化生成测试用例。通过测试用例分类器的分类结果，自适应得调整遗传操作中的变异率和交叉率。采用选择、交叉和变异的方式来产生新个体，从而能更好地产生新的个体摆脱局部极值搜索到全局最优解。对产生的新个体继续进行分类，如果符合测试需求，就输出测试用例，如果不符合，继续进行遗传操作，直到所需的测试用例的个数达到规定个数。本发明能够解决应用传统遗传算法生成测试用例过程中存在的早熟收敛问题，通过种群分类的形式能够增加种群的多样性，提高生成测试用例的效率。

技术领域

本发明属于软件测试领域，具体涉及一种基于DBN的测试用例进化生成方法。

背景技术

软件测试，描述一种用来促进鉴定软件的正确性、完整性、安全性和质量的过程；是一种实际输出与预期输出之间的审核或者比较过程。软件测试是软件开发过程中的一个重要的环节,同时也是一个成本高昂的环节，统计数据表明，该环节一般占软件开发总成本的50％以上。近年来,软件测试越来越受到人们的普遍重视和广泛研究，测试数据的自动生成一直是软件测试的核心。

为了能以较少数目的测试用例实现程序结构元素的全覆盖，通常采用一些元启发式搜索算法来生成测试数据，近年来该方向成为软件测试领域一个极为活跃的分支。一些诸如模拟退火、遗传算法等经典的元启发式搜索算法及其变体，均被改造用于测试数据生成问题，并取得了较为理想的效果。

基于神经网络的测试数据生成方法逐渐被应用。传统的基于路径覆盖的测试数据进化生成是将数据生成问题转化为优化问题，对每个测试数据，都要运行插桩后的程序获得分支距离、层接近度等信息，从而计算其适应值，然后利用遗传算法生成测试用例，这样就需要消耗大量的时间。为了降低计算成本，减少运行程序带来的时间消耗，有学者使用BP神经网络模拟插桩后的适应值的计算过程，将随机生成的输入数据运行插桩程序获得分支距离、层接近度等信息，并计算适应值；然后将输出数据和适应值作为训练样本训练神经网络；最后结合训练好BP神经网络使用遗传算法自动生成测试数据。但是传统的神经网络只能进行“浅层学习”，无法对数据特征进行深度挖掘。

深度信念网络的出现，改变了这一现状，它是由Geoffrey Hinton于2006年提出，是使用层受限制的叠波尔兹曼机组成深度神经网络的方法，是一种良好的无监督学习方法，具有较强的从样本中提取特征的能力和容错特性，性能优于BP神经网络和支持向量机的方法，已经在其他领域证明了这一点，尤其是把它用作分类器，用于识别分类，取得了比较好的效果。在软件测试领域，也有将深度信念网络用于构建软件缺陷预测模型，并且对比传统的神经网络预测模型，预测的准确性有了明显的提高。同时，传统的遗传算法往往采用固定的控制参数，导致全局搜索能力差，存在未成熟等现象。改进的自适应遗传算法能够根据种群适应度的集中分散的程度非线性地自适应调节遗传算法进化的运算流程和交叉概率、变异概率，从而能够更好的产生新的个体。

因此，可以将DBN融入到遗传算法中去，利用DBN训练一种测试数据分类器，根据分类结果自适应的调节交叉和变异过程中的概率，形成一种新的自适应的遗传算法，来解决传统遗传算法容易早熟收敛的问题，从而提高测试用例生成的质量。

发明内容

本发明的目的是对传统遗传算法生成测试用例方法进行改进，在传统遗传算法的基础上，将机器学习中的DBN融入到其中，自适应调整遗传算法中的变异率和交叉率，解决传统遗传算法中存在的早熟收敛问题。