[发明专利]一种基于链式多路径覆盖的测试方法与系统

说明书

本发明提出一种基于链式多路径覆盖的测试方法与系统，通过构建一种用于路径预测的支持向量机‑极限梯度提升链式模型，使其代替插桩法模拟测试数据覆盖路径，以减少插桩时间；同时，筛选尽可能多的相似目标路径，提高测试用例的利用率与路径覆盖效率。相较于其它模型，本发明提出的支持向量机‑极限梯度提升链式模型可在精度与时间上具有较大优势。此外，通过支持向量机‑极限梯度提升链式模型可获取更多相似目标路径，进而在后续测试用例生成中尽可能多的覆盖更多路径，提高路径覆盖效率。

技术领域

本发明涉及计算机遗传算法技术领域，特别涉及一种基于链式多路径覆盖的测试方法与系统。

背景技术

目前，通过手动测试生成满足测试目标的数据会花费测试人员大量时间，且需测试的目标路径往往有多条。因此，自动生成符合条件的测试数据，并通过已有数据尝试覆盖多目标路径以提高测试用例的生成效率，可避免较多重复性工作。

在多路径覆盖测试生成中，挖掘覆盖路径与测试用例之间的关联性以及分析路径间的相似性等有助于提高测试用例质量。同时，为尽早生成覆盖目标路径的测试数据还需建立在用例多样性的基础上，遗传算法(Genetic Algorithm)具有生物进化、遗传变异以及全局概率搜索等机制，可生成丰富多样的测试数据，其在自动生成测试数据方面的应用十分广泛。此外，随着机器学习方法的不断成熟，已有较多学者结合机器学习模型与测试理论进行测试相关领域的研究。在众多机器学习模型中，SVM(Support Vector Machine，支持向量机)和XGBoost(eXtreme Gradient Boosting，极限梯度提升)具有小样本、低耗时以及高准确性等优点而被广泛应用，且它们对于处理不同数据类型具有各自的优势。

在真实测试场景中，测试目标包含的多条目标路径存在一定的联系。每条路径的每个路径节点均可表示为两种状态(即，经过或未经过)，则节点状态的预测可看作一个二分类问题。由于被测程序的输入数据类型各异，使用单一的模型进行路径预测具有一定的局限性。而SVM模型对于数值型样本具有较好的分类效果，且适用于小样本的测试数据；XGBoost模型具有良好的可扩展性，对于非数值型样本分类效果更佳。

然而，现有技术中，仍缺乏一种有效的能同时结合SVM模型与XGBoost模型，以实现链式多路径覆盖测试的方法，无法很好地满足实际应用需求。

发明内容

鉴于上述状况，本发明的主要目的是为了提出一种基于链式多路径覆盖的测试方法，以解决上述技术问题。

本发明实施例提出一种基于链式多路径覆盖的测试方法，其中，所述方法包括如下步骤：

步骤一、构建支持向量机-极限梯度提升链式模型：

将随机生成的测试数据输入至插桩程序中以获取测试路径，根据所述测试路径的路径节点个数与路径节点状态计算得到对应的路径层级深度；

根据所述测试数据的类型选择对应的预训练模型；其中，所述预训练模型包括支持向量机模型与极限梯度提升模型；

根据所选择的预训练模型，对测试路径中的每个路径节点对应的子模型进行训练，以计算得到对应的子模型精度，其中所述子模型包括支持向量机子模型与极限梯度提升子模型；

当判断到子模型精度达到预设最优子模型阈值时，将对应的子模型进行保存并将子模型的数量加1，直至子模型个数与所述路径节点个数相等时，停止构建每个路径节点的子模型，以得到最优支持向量机子模型以及最优极限梯度提升子模型；

将得到的最优支持向量机子模型与最优极限梯度提升子模型，根据测试路径的各路径节点的顺序进行链接，以得到所述支持向量机-极限梯度提升链式模型；

步骤二、利用构建的支持向量机-极限梯度提升链式模型，通过遗传算法生成测试用例：

初始化遗传算法的遗传参数，并将遗传参数转换为十进制，以用于获取对应的覆盖路径；