[发明专利]一种融入模糊聚类的软件测试方法

说明书

本发明公布了一种融入模糊聚类的软件测试方法，目的是将模糊聚类方法应用于软件测试中，将模拟真实缺陷的变异体基于相似性进行聚类，同类缺陷只需检测一次，提高软件缺陷检测的效率；首先基于弱变异测试准则生成变异体，采用数理统计的方法，计算变异体之间的相似度；然后构建相似矩阵，最后，基于与变异体相似的变异体数目排序变异体，再基于变异体之间的相似性模糊聚类变异体，使得非中心变异体分配到多个簇中，有利于提高生成测试数据的效率；所提模糊聚类方法有助于降低变异测试的代价；对于提高变异测试的有效性和实用性，具有巨大潜力。

技术领域

本发明涉及计算机软件测试领域，设计了一种融入模糊聚类的软件测试方法。该方法区别于原有方法的特色在于，将模糊聚类方法应用于软件测试中，将模拟真实缺陷的变异体，基于相似性进行聚类，同类缺陷只需检测一次，有利于提高软件缺陷检测的效率。

背景技术

软件测试是一种提高软件产品质量的有效方式。软件质量越来越受到人们的重视与关注，软件测试是保证软件质量的重要手段，通过测试，不但能够检测软件可能存在的缺陷，而且能够提高软件的可靠度。变异测试具有排错能力强、方便灵活，以及自动化程度高等显著优点，广泛用来评估测试数据集的充分性与软件测试技术的有效性

变异测试是指将模拟软件的真实缺陷插入原程序，被插入缺陷的程序称为变异体；改动之后的语句，称为变异语句；采用相同的测试输入，分别执行原程序和变异体，如果某测试数据能够从执行结果上区分原程序和某变异体，那么，称该变异体基于强变异测试准则被杀死，如果两者在变异点执行后，变量状态出现不一致，称该变异体基于弱变异测试准则被杀死。变异得分是指被杀死的变异体占非等价变异体的比，用于评价测试数据集的缺陷检测能力，变异得分越高，测试数据集的实际缺陷检测能力越强。

一个程序往往存在很多变异体，为了杀死这些变异体，也需要大量的测试数据；而且，为了生成有效的测试数据集，最大限度地杀死变异体，必须反复执行原程序和变异体，这增加了变异测试的成本，严重阻碍了其在软件工程中的广泛应用，因此，需要研究合适的方法，提高变异测试的效率。

研究表明，减少运行变异体的次数是提高变异测试的效率的有效方式之一。Offutt等选择代表性变异算子代替所有的变异算子，生成变异体，以减少需要杀死的变异体。Mateo等提出通过构建额外代码框架，研究影响覆盖变异体的因素，减少变异体数目。国内的研究，主要有陈振宇团队通过约简同类变异算子生成的变异体，减少需要杀死的变异体。宫云战团队通过区间运算判断变异体之间冗余关系约简变异体，巩敦卫团队从语句重要度方面，选择重要的变异测试对象，减少变异体生成的数目，以及基于变异体依路径相似性，将变异体分组，进行高效软件测试。

聚类方法是在无监督情况下，将基于数据相似进行分类，其中模糊聚类能够对类与类之间有交叉的数据样本集进行有效聚类，所得的聚类结果明显优于硬聚类方法。将模糊聚类方法应用于变异测试，可以将相似度高的变异体分到同一簇中，有效减少变异体，降低变异测试执行代价。

国内陈翔团队一直致力于研究基于机器学习预测软件缺陷，其中基于聚类方法的研究成果，主要有2014年在《Computer Software and Applications》会议上发表基于聚类分析的特征子集选择框架，在《Software Security and Reliability》会议上发表基于聚类的缺陷预测的两阶段数据集预处理方法；2016年在《中国科学》发表软件缺陷预测中基于聚类分析的特征选择方法，在《软件学报》发表静态软件缺陷预测方法研究等。