基于EFSM规格说明的测试数据生成效率——因素模型分析

摘要

二十一世纪，计算机产业的发展是信息化过程中不可或缺的部分。随着软件产业的不断发展和进步，软件的需求越来越复杂，规模也越来越庞大。为满足软件功能、性能等要求，软件质量已成为软件工业界关注的重点。软件测试是保证软件质量的重要手段，随着软件复杂性和规模不断增大，测试生成成本也相应增加，软件测试数据自动生成已成为软件测试的研究热点之一。
　　 形式规格说明是对软件功能简要而严谨的描述方法。EFSM(ExtendedFinite State Machine)是一种使用广泛的形式规格说明，可用来描述面向对象软件中各个对象的方法和它们之间的交互。基于形式规格说明，可以对面向对象软件进行很好的功能描述。
　　 测试数据生成成本是衡量测试数据生成效率的重要指标，为探讨影响测试数据生成成本的主要路径因素以及路径因素对测试数据生成成本的影响程度，本文进行若干EFSM规格说明的路径测试生成效率-因素分析，鉴于路径因素对测试数据生成成本的影响可能呈线性或者非线性的关系，本文从线性和非线性预测模型两个方面着手，建立EFSM规格说明的路径测试生成效率-因素分析模型。对于线性预测模型，本文考虑采用多元线性回归模型，将路径长度、路径变量数等因素作为输入，路径测试数据的生成成本作为输出，进行测试数据生成成本预测。对于非线性预测模型，本文考虑选用BP神经网络模型，考虑因素之间可能存在相关性，本文首先利用PCA(Principal Component Analysis)算法求出影响测试数据的生成成本的主要因素，然后将其作为BP神经网络模型的输入，成本作为其输出，进行测试数据生成成本预测。实验结果表明:和多元线性回归模型比较，非线性BP神经网络更适合作为EFSM规格说明路径测试生成效率-因素分析模型，对面向路径测试数据生成成本能进行更加准确的预测。

目录

声明

学位论文数据集

摘要

第一章 绪论

1．1 课题研究的目的和意义

1．2 国内外研究现状

1．2．1 基于EFSM规格说明的测试生成研究现状

1．2．2 基于EFSM规格说明的测试生成效率研究现状

1．3 本文的主要工作及组织结构

1．3．1 本文的主要工作

1．3．2 本文的组织结构

1．4 本章小结

第二章 EFSM规格说明及预测模型

2．1 EFSM规格说明简介

2．1．1 基本介绍

2．1．2 基于EFSM规格说明的路径测试数据生成

2．2 多元线性回归预测模型

2．2．1 多元线性回归基本原理

2．2．2 多元线性回归算法流程

2．3 BP神经网络预测模型

2．3．1 BP神经网络概述

2．3．2 BP神经网络原理

2．3．3 BP神经网络算法流程

2．4 本章小结

第三章 基于线性回归EFSM线性测试生成效率-因素分析

3．1 EFSM规格说明路径属性的定义

3．2 EFSM规格说明的测试生成效率-因素分析

3．3 基于多元线性回归的EFSM测试数据生成效率-因素分析

3．3．1 最小二乘法

3．3．2 多元线性回归预测模型的建立

3．3．3 多元线性回归在EFSM路径测试数据生成效率-因素分析的应用

3．4 多元线性回归的EFSM测试数据生成效率-因素分析结果

3．5 本章小结

第四章 基于BP神经网络EFSM非线性测试生成效率-因素分析

4．1 EFSM规格说明主要路径属性

4．2 PCA在EFSM路径测试数据生成主要路径属性的应用

4．2．1 主成分分析PCA基本思想

4．2．2 主成分分析PCA原理

4．2．3 主成分分析PCA基本步骤

4．2．4 主成分分析PCA应用

4．3 BP神经网络的测试数据生成效率-因素分析

4．3．1 BP神经网络预测模型的建立

4．3．2 BP神经网络的初始化操作及终止条件设置

4．4 BP神经网络的EFSM测试数据生成效率-因素分析结果

4．5 本章小结

第五章 测试生成效率-因素模型比较分析

5．1 多元线性回归模型的预测分析结果

5．2 BP神经网络模型的预测分析结果

5．3 线性预测模型和非线性预测模型的结果比较分析

5．4 本章小结

第六章 结论

6．1 本文主要贡献

6．2 本文进一步研究方向

参考文献

致谢

研究成果及发表的学术论文

作者与导师简介