[发明专利]一种基于弱变异分析的测试用例约减方法

权利要求书

1.一种基于弱变异分析的测试用例约减方法，其特征在于主要包括以下步骤：

(1)基于弱变异转化的测试用例和变异分支关系矩阵生成：使用变异测试工具Mujava对原程序P生成n个变异体M＝{m1，m2，m3........mn}，结合日志文件mutation_log构造对应变异分支B＝{b1,b2,b3,...,bn}，将变异分支B插入P变异点对应位置形成新的程序P'，假设有m个原始测试用例集T＝{t1，t2，t3，.....tm},用T执行P'生成测试用例变异分支关系二维矩阵MT_(m+1)×(n+1)：

其中，矩阵中的第0行MT_row0＝{mt₀₁，mt₀₂，...，mt_0n}表示变异分支编号(以下第0行，第0列均不做操作)，矩阵中的第0列MT_col0＝{mt₁₀，mt₂₀，...，mt_m0}表示测试用例编号；若测试用例t_i，i∈[1，m]可以覆盖变异分支b_j，j∈[1,n],则记mt_ij＝1,否则记mt_ij＝0；

(2)等效变异体约减：对步骤(1)中的MT(m+1)×(n+1)矩阵，考虑到变异体数量繁多，直接与操作求等效变异体时间复杂度较大和随着测试用例数量增加带来的二进制编码困难，故将MT_(m+1)×(n+1)先按行分组分为组，其中l为自定义分组长度；分组后，将每组内列作为二进制编码求出对应数值Vg＝{v_g1,v_g2,v_g3，...,v_gn}，g∈[1,G]，第g组第j列的二进制编码对应数值为所以对整个MT_(m+1)×(n+1)矩阵的二进制编码对应的数值V＝{v1,v2,v3,...,vn}，根据V对矩阵的列约减，分以下三种情况：

(a)若vj＝0，其变异分支对应的变异体为弱变异分析的等价变异体，记录并删除矩阵第j列；

(b)若则表明所有的测试用例都可杀死该变异体，所以该变异分支为测试用例全覆盖变异分支，将该变异分支对应的变异体约减，删除矩阵第j列；

(c)除上述两种情况外，若v_j＝v_k相等(1≤j≤k≤n)，查看组内v_gj与v_gk的值是否相等，若相等表明第j列和第k列对应的变异分支具有相同的分支覆盖情况，因此删除第k列变异分支对应的变异体，删除矩阵第k列；经过等效变异体约减后得到的矩阵MT_(m+1)×r,r∈[0,n]；

(3)子集测试用例约减：子集测试用例约减表示约减覆盖变异分支子集对应的测试用例，可分为以下几个部分：

(a)对MT_(m+1)×r矩阵统计每行的变异分支覆盖度C＝{c 1，c2，c3...，cm}，第i行的变异分支覆盖度

(b)选择C中最大数值ci，i∈[1，m]，将第i行标记为已访问，记录第i行0元素对应的列下标集合S＝{s₁,s₂，s₃....s_h},h∈[1，r]，若第i'行，i'∈[1，m]满足对应S中所有的列都为0，则意味着t_i'可以覆盖的变异分支，t_i一定可以覆盖，即t_i'是t_i变异分支覆盖的子集，因此删除矩阵MT_(m+1)×r中的第i'行，并将C中的c_i和c_i'删除，遍历矩阵中所有未访问的行，删除矩阵MT_(m+1)×r中t_i的变异分支覆盖的所有子集对应的行，并删除C中所有子集对应行的变异分支覆盖度,重复步骤3(b),直到C集合为空；

(c)经过测试用例约减后得到的矩阵MT_s×r,s∈[0，m]，再经过步骤(2)等效变异体约减后得到的矩阵为MT_s×t,t∈[0，r]；

(4)测试用例约减：针对步骤(3)得到的矩阵MT_s×t，由于MT_s×t矩阵为约减后的矩阵，每列中至少有一个分支覆盖，因此整体矩阵的最大变异分支数Tc＝t-1，所以初始化理想覆盖分支Ic＝1111......1111，长度为|Ic|＝t-1,对MT_s×t矩阵以行单位转换为测试用例二进制编码B，B＝{b1，b2，b3，...，bs-1}，如b1＝mt₁₁mt₁₂mt₁₃....mt_1(t-1)，测试用例变异分支覆盖与理想变异分支覆盖按位与操作后的二进制作为实际覆盖，即Rx＝bxIc，x∈[1，s-1]，然后统计每个测试用例与理想变异分支的近似度，表示为f'(x)＝count(Rx)，count(Rx)为Rx代表的二进制中1的个数之和，所以将与当前理想变异分支近似度最大的变异分支覆盖对应的测试用例为当前的最优解，：f(x)＝max(f'(x))，以步骤(3)约减后的测试数据集作为输入，基于测试用例二进制编码B，采用人工鱼群算法进行迭代寻优，具体包括：设置算法参数初始种群数、步长、拥挤度因子、视野范围、最大试探次数，随机生成初始种群，种群中的人工鱼通过觅食、聚群、追随、随机后进行行为选择，更新公告板进行迭代，搜索可覆盖理想变异分支最多的测试用例，重复步骤(4)，直至生成覆盖最大分支覆盖的测试数据集或达到最大迭代次数为止。

2.根据权利要求1所述的测试用例约减方法，其特征在于：该方法可以应用于回归测试中有效提高测试效率。