基于預測的變異錯誤定位方法研究.pdf

1、在軟件的調(diào)試過程中，有效而準確地識別錯誤的位置非常重要，其中基于覆蓋的錯誤定位(CBFL)和基于變異的錯誤定位(MBFL)廣泛應用于軟件調(diào)試中。這兩種錯誤定位方法都需要使用測試用例信息實現(xiàn)錯誤定位，包括測試用例的代碼執(zhí)行路徑和測試用例的輸出結(jié)果信息。已有的研究表明，基于變異分析的錯誤定位技術(shù)的精度高于基于覆蓋的錯誤定位技術(shù)。
　　基于變異分析的錯誤定位技術(shù)采用人工植入錯誤的方法生成變異體，也就是相應的變異程序，在這些變異體上執(zhí)行測

2、試用例，最后計算出每條語句的懷疑度值。開發(fā)人員根據(jù)語句懷疑度值的排列順序，依次檢查語句，從而提高軟件調(diào)試效率。MBFL的錯誤定位精度高，但考慮到大型程序擁有極大數(shù)量的測試用例，因此獲取測試用例的執(zhí)行結(jié)果是一項花費巨大的工作。
　　針對在大量變異體上執(zhí)行測試用例并獲取執(zhí)行結(jié)果的過程中存在的巨大花費，本文提出了一種基于神經(jīng)網(wǎng)絡算法和程序變異的測試用例輸出預測方法。首先在少量變異體上執(zhí)行測試用例，用這些執(zhí)行結(jié)果作為訓練集，然后預測剩余測

3、試用例的執(zhí)行結(jié)果。通過神經(jīng)網(wǎng)絡模型預測測試用例的執(zhí)行結(jié)果，可以大大減少人工判斷測試用例執(zhí)行結(jié)果的成本，進而提高軟件測試人員的工作效率。為了進一步驗證基于神經(jīng)網(wǎng)絡算法的測試用例執(zhí)行預測模型的效果，本文通過實驗比較了不同機器學習算法在不同訓練集比例時對執(zhí)行測試用例結(jié)果的預測效果。此外，本文比較了結(jié)合神經(jīng)網(wǎng)絡算法的MBFL方法和原始MBFL在錯誤定位上的效果，進一步驗證了本文提出方法的有效性。
　　本文試驗采用了144個錯誤版本，分別來

4、自3個基準程序并包含2至8個錯誤程序。實驗計算了基于同樣神經(jīng)網(wǎng)絡算法下基于語句覆蓋和變異覆蓋兩種算法的精確率，召回率，誤報率和漏報率。實驗結(jié)果表明基于變異的方法比基于覆蓋的方法在不同比例的訓練集下有更好的預測效果。同時，實驗進一步證明了神經(jīng)網(wǎng)絡算法在多錯誤情況下比其他的機器學習算法有更好的預測效果。最后，實驗比較了結(jié)合神經(jīng)網(wǎng)絡算法實現(xiàn)的基于預測的MBFL和原始的MBFL在單錯誤和多錯誤情況下的錯誤定位精度，實驗結(jié)果表明錯誤定位結(jié)果的精度