基于搜索的分层回归测试数据集扩增方法

摘要

针对在回归测试中原有的测试数据集往往难以满足新版本软件的测试需求问题,提出一种基于搜索的分层回归测试数据集扩增方法,主要包含覆盖目标方法集获取模块和测试数据生成模块.首先对新版本程序进行抽象分析,提取出方法调用图,利用方法调用轨迹和已有测试数据建立方法覆盖信息,获取目标方法集,并通过计算贝叶斯条件概率对目标方法集进行优先选择;利用Hadamard矩阵设计正交种群,同时结合已有测试数据集进行种群初始化,采用文化基因算法对目标集中方法生成测试数据.该方法针对四个基准程序与随机法和遗传算法以及基于粒子群算法测试数据扩增方法相比较,测试数据的生成效率平均提高了95.2％、78.2％和50.5％,测试数据检错能力平均提高了47.9％、33.6％和18.2％,实验结果表明该方法更适合回归测试数据扩增.