[发明专利]一种面向黑盒测试背景下的回归测试用例分类方法

摘要

本发明提供了一种面向黑盒测试背景下的回归测试用例分类方法，包括下列步骤：1)预处理测试用例对应的文本信息；2)采用LDA(Latent Dirichlet Allocation)话题模型技术对预处理后的文本进行主题建模，将其表示成文本特征数目固定的主题特征向量；3)随机选取部分测试用例为其构造测试预言，并在演化后的软件版本上运行，根据运行结果标注其类别；4)基于主题特征向量及测试用例的类别信息训练SVM分类器；5)将待分类的测试用例对应的主题特征向量作为分类器的输入，输出测试用例的类别。本发明解决了被测软件源代码不可见情形下的软件回归测试验证问题，提高了软件测试的自动化程度及软件测试效率。

主权项

1.一种面向黑盒测试背景下的回归测试用例分类方法，其特征在于，对历史测试用例与新增测试用例对应的文本信息进行预处理，采用LDA(Latent Dirichlet Allocation)主题模型技术对预处理的文本进行主题建模，进一步将测试用例对应的文本表示为特征数目固定的主题特征向量，随机选取部分原始测试用例与新增测试用例，并针对当前软件版本为其构造测试预言，根据选择的测试用例在当前软件版本上的运行结果标注其类别，以标注过的测试用例作为训练集，训练SVM分类模型，将待分类的测试用例对应的主题特征向量作为分类模型的输入，最终输出其类别；该方法包括下列步骤：1)测试用例对应的文本信息的预处理；对原始测试用例与新增测试用例对应的文本信息进行预处理，移除数字、程序语言的关键词及特定字符，并基于骆驼命名法(Camle‑Case)分割标识符名称，将每一个单词转换成其基本形式，以降低测试用例文本包含的词汇数；2)测试用例的主题建模；采用LDA主题模型技术对预处理后的文本进行主题建模，获得每一个测试用例对应的文本关于主题的分布，并把每一个测试用例对应的文本表示为主题特征向量；3)训练集的测试用例类别标注；从原始测试用例集合与新增测试用例集合中各随机选择10％的测试用例，针对演化后的软件版本为选择的每一个测试用例构造测试预言，并在演化后的软件版本上运行所选的测试用例，根据运行结果与其测试预言是否一致标注测试用例的类别，若一致，测试用例为正确的用例，反之为错误的用例；4)SVM模型训练；基于步骤3)选择的测试用例对应的文本特征向量及类别信息训练支持向量机分类模型；5)测试用例分类；选择待分类的测试用例对应的文本特征向量作为步骤3)产生的分类模型的输入，最终输出待分类的测试用例的类别。