任 群

(亳州學院 電子與信息工程系，安徽 亳州236800)

隨著軟件應用規(guī)模越來越大，復雜程度越來越高，軟件的質量和可靠性變得尤為重要[1-2]，計算機軟件的數(shù)據(jù)測試也成了很多人關注的焦點[3-4]。在計算機軟件的使用過程中，計算機軟件本身的缺陷將會影響計算機的正常使用。計算機軟件缺陷在軟件開發(fā)的過程中是客觀存在的[5-6]，如果不能及時發(fā)現(xiàn)軟件的缺陷，就有可能導致計算機軟件無法使用，甚至產(chǎn)生無法彌補的嚴重后果[7]。

基于上述問題，本文提出了基于智能優(yōu)化算法的計算機軟件測試數(shù)據(jù)自動生成方法。該方法能夠在軟件測試過程中自動生成測試數(shù)據(jù)，并自動對計算機軟件測試數(shù)據(jù)進行優(yōu)化測試。最后，對提出的方法使用Eclipse標準數(shù)據(jù)進行數(shù)據(jù)測試，結果表明，該方法可以提高計算機軟件測試數(shù)據(jù)的自動生成效率，有利于改善軟件的質量。

1 智能優(yōu)化算法自動生成的測試數(shù)據(jù)模型

軟件測試的目的是及時發(fā)現(xiàn)軟件中存在的缺陷，并對其進行修正。在利用智能算法自動生成測試數(shù)據(jù)的過程中，需要從軟件模塊中提取度量元數(shù)據(jù)。利用回歸、分類、聚類等方法找出度量元及其測試數(shù)據(jù)之間的相互聯(lián)系，以相互聯(lián)系為基準，對其建立測試數(shù)據(jù)模型，再通過基本模型對軟件中的待測數(shù)據(jù)進行測試(如圖1所示)。本文以智能優(yōu)化算法自動生成的加權測試數(shù)據(jù)為基準，對計算機軟件測試數(shù)據(jù)進行不同算法的對比實驗研究。

圖1 計算機軟件測試數(shù)據(jù)模型

2 智能優(yōu)化算法自動生成的測試數(shù)據(jù)方法

2.1 計算機軟件測試數(shù)據(jù)模型

本文中借鑒了Stacking技術，這是一種在行業(yè)中知名的集成推理技術。在Stacking框架中含有2層分類器，level-0表示的是基分類器，level-1表示的是元分類器。在軟件數(shù)據(jù)測試中，第一步是對數(shù)據(jù)集進行預測，第二步是把基分類器中輸出的結果作為輸入數(shù)據(jù)通過元分類器進行輸入，第三步，將生成的數(shù)據(jù)集作為新推理器的訓練數(shù)據(jù)集，再利用數(shù)據(jù)測試算法對其進行測試。采用相對復雜的智能化算法進行計算機軟件測試數(shù)據(jù)模型建立，利用此方法把屬性子集應用到軟件測試數(shù)據(jù)的建模之中，在數(shù)據(jù)丟失最小化的前提下提高模型的性能，以便減少測試時間。

定義1：屬性A的數(shù)據(jù)增益率可用IGR(A)=IG(A)/I(A)進行表示，其中，IG(A)表示的是屬性A的數(shù)據(jù)增益。IG(A)=entropy(S)-entropy(S,A)，表示的是劃分之前數(shù)據(jù)的熵和劃分之后數(shù)據(jù)的熵的差值。

設訓練集S={S1,S2,L,SN}，在表達式中，Si含有一個屬性向量，該向量可以表示為Xi=(xi1,xi2,L,xip)，同時Si還含有一個分類標簽，該分類標簽可以表示為ci∈C={c1,c2,L,cm}。式中，Xi表示的是含有度量向量的測試數(shù)據(jù)是否存在缺陷的標記，ci則對測試數(shù)據(jù)是否存在缺陷進行標記。如果設pi是S中屬于類別i的比例，數(shù)據(jù)熵則用下式表示：

任何一個屬性都有幾個不同的取值，設Values(A)表示的是A中取不同值的集合，Sv表示的是集合S中所有屬性A取值為v的集合，則可以得到：

本式表示的是基于按A劃分后對S的元組準確分類還需要的數(shù)據(jù)量。

引入內(nèi)在數(shù)據(jù)I表示的是訓練集S用屬性A進行劃分后的數(shù)據(jù)集S'，若進一步劃分，數(shù)據(jù)總量用下式表示：

數(shù)據(jù)增益率本質上是一種補償措施，它可以有效解決數(shù)據(jù)增益中存在的問題。

2.2 用智能優(yōu)化算法生成測試數(shù)據(jù)

獲取計算機軟件的測試數(shù)據(jù)時，應該確定合適的映射規(guī)則。二進制編碼就是比較好的映射形式，它具有表達簡潔、操作方便等諸多優(yōu)點，可以提高智能優(yōu)化算法的計算效率。根據(jù)數(shù)據(jù)類型的不同，所對應的編碼映射也是不一樣的。在進行計算機軟件數(shù)據(jù)測試時可能會對其他參數(shù)產(chǎn)生影響。因此，需要將每個輸入?yún)?shù)獨立的編碼，使其成為一個二進制位的參數(shù)，之后再將全部的參數(shù)連接起來，組成一個獨立的個體，此處稱之為多參數(shù)級聯(lián)編碼。具體如下：

級連之前：X1，X2，……,XN

b11b12…b1m，b21b22…b2m，……，bn1bn2…bnm

級連之后:b11b12…b1m，b21b22…b2m，bn1bn2… bnm

在進行解碼時應該先從總碼中切取n段，每段長度為m的數(shù)據(jù)鏈，再分別進行解碼。

在本文中，采用智能優(yōu)化轉化公式：

式中，θ為旋轉角。

采用智能優(yōu)化算法生成測試數(shù)據(jù)的步驟如下:

(1)初始化個體:掃描給定的路徑，找出需要生成測試數(shù)據(jù)的變量，并為每個變量賦隨機的0,1串，按照多參數(shù)級聯(lián)編碼原則，組成個體。

(2)計算適值函數(shù)值：根據(jù)構造的適值函數(shù)，分別計算每組變量的適值函數(shù)值，若滿足終止條件，則轉(4)步。

(3)改進個體:若沒有滿足條件的個體，則進行以下運算:

①按適值函數(shù)值選擇下一代個體。

②解的交叉:從產(chǎn)生的個體中隨機選擇兩個個體進行單點交叉，得到新個體，重復該步驟，直到所有個體均被選中為止。

③解的變異:在交叉后的個體中隨機加入一些變異，產(chǎn)生新個體。

④轉到第(2)步。

(4)拆分滿足條件的個體:把每個變量對應的0,1串轉換成十進制數(shù)，這些數(shù)據(jù)即為生成的測試數(shù)據(jù)。

(5)算法結束。

2.3 軟件測試數(shù)據(jù)評價指標

對于本文設計的計算機軟件測試數(shù)據(jù)評價指標主要有(area under ROC cure)、F-度量、精確度等。對于測試的結果可以采用表1所示的矩陣進行表示：

表1 評價指標

(1)精確度：precision=TP/(TP+FP)；

(2)召回率：recall=TP/(TP+FN)；

(3)F度量：F_measure=2×precision×recall/(precision+recall)；

(4)AUC：ROC曲線下面積。ROC曲線最初是用來對收益與成本之間的權衡關系進行描述的。AUC在區(qū)間[0,1]中波動，若模型越好，則面積越大(即AUC的值越大)。針對文中的軟件測試數(shù)據(jù)，使用成本優(yōu)化速度(Cost optimization speed, COS)作為評價指標，利用運算效率(Operational efficiency,OE)進行指標評價。

3 實驗結果與分析

3.1 實驗準備

本實驗PC機的硬件條件是：Intel Core i3-4130 3.40GHzCPU,4GB內(nèi)存。使用計算機軟件為Eclipse，外部依賴項是weka.jar。實驗數(shù)據(jù)主要來源于Eclipse標準數(shù)據(jù)，在這些文件中，有6個是ARFF格式的文件，這些文件不但收集了度量元，還收集了缺陷數(shù)目，在數(shù)據(jù)中，所包含的度量元包括以下四種：

(1)Name：表示的是數(shù)據(jù)對應的包名或文件名；

(2)Pre-release Defects：表示的是版本發(fā)布前半年內(nèi)收集的缺陷數(shù)目；

(3)Post-release Defects：表示的是版本發(fā)布后半年內(nèi)收集的缺陷數(shù)目；

(4)復雜性度量：指的是CK度量元與面向對象度量元；

(5)抽象語法樹結構——抽象語法樹的結點度量。

File級別與Package級別的數(shù)據(jù)，在結構上是有差異的。正因為這樣，F(xiàn)ile級別的數(shù)據(jù)就只能測試File級別數(shù)據(jù)訓練的模型，Package級別的亦是如此。我們使用File/Package中的數(shù)據(jù)進行測試。

3.2 實驗結果

表2 不同的智能優(yōu)化算法軟件性能檢測對比

先對數(shù)據(jù)進行一次測試，因為實驗的結果太多，同時效果特別相似，因此只列出了一部分實驗結果，見表2。為了方便表示，本文算法使用AGIOA表示，決策樹算法使用RF來表示，邏輯回歸使用LR表示，神經(jīng)網(wǎng)絡使用NN表示。

觀察表2可知，邏輯回歸算法的主要優(yōu)勢是測試精度高，但劣勢也比較明顯，就是召回率過低。決策樹算法相對來說召回率比較高，但是測試精度并不高。神經(jīng)網(wǎng)絡算法在測試精度、召回率都不是很理想。而與其他三種算法相比，AGIOA算法在各方面均表現(xiàn)出了優(yōu)越性。通常，測試數(shù)據(jù)模型越復雜，其綜合指標越讓人滿意，但其耗費的時間也將越多。對于簡單的測試，18次的實驗，只要幾分鐘就能搞定；如果是算法過于復雜，18次實驗則需要幾個小時才能完成。這恰恰可以證實評價指標不同，算法也不會相同。

基于智能優(yōu)化算法自動生成測試數(shù)據(jù)，將測試結果從大到小地進行加權計算，從而繪制出COS曲線與OE曲線，如圖2所示。在COS評價中，計算機軟件測試模型由于加入了回歸度量，因此數(shù)據(jù)測試能力得到了提高。OE指標與單個算法測試比較相似，但以后的優(yōu)化比較困難，原因是3種案例所使用的軟件測試數(shù)據(jù)的自動生成算法原理幾乎一致，因此很難為加權模型的數(shù)據(jù)測試提供有價值的數(shù)據(jù)。凡是采用智能優(yōu)化算法自動生成算法的OE曲線，其斜率都接近1，換句話說，就是接近隨機加權的結果。

圖2 智能優(yōu)化算法自動生成的軟件數(shù)據(jù)部分測試結果

4 總結

本文提出了基于智能優(yōu)化算法的自動生成計算機軟件測試數(shù)據(jù)的方法，該方法對所采集到的數(shù)據(jù)進行快速測試，將測試的結果與樣本數(shù)據(jù)相結合，從而形成新的度量元，經(jīng)過度量元處理后得到新數(shù)據(jù)。再利用智能優(yōu)化算法對新的數(shù)據(jù)進行模型構建，所得的測試模型，經(jīng)試驗表明：該方法提高了軟件測試數(shù)據(jù)生成效率，是一種較為理想的軟件測試數(shù)據(jù)生成算法。

[1] Jiang, Z. M., & Hassan, A. A survey on load testing of large-scale software systems[J].IEEE Transactions on Software Engineering, 2015,41(11):1091-1118.

[2] Wang, M., Jia, H., Sugumaran, V., Ran, W., & Liao, J. A web-based learning system for software test professionals[J].IEEE Transactions on Education, 2011,54(2):263-272.

[3] Cotroneo, D., Pietrantuono, R., & Russo, S. Relai testing: a technique to assess and improve software reliability[J].IEEE Transactions on Software Engineering, 2016,42(5):452-475.

[4] Bohme, M., & Paul, S. A probabilistic analysis of the efficiency of automated software testing[J].IEEE Transactions on Software Engineering, 2016,42(4):345-360.

[5] Carlo, S. D., Prinetto, P., & Savino, A. Software-based self-test of set-associative cache memories[J].IEEE Transactions on Computers, 2011,60(7):1030-1044.

[6] Garousi, V., & Felderer, M. Worlds apart: industrial and academic focus areas in software testing[J].IEEE Software, 2017,34(5):38-45.

[7] Xu, J., & Xu, P. The research of memory fault simulation and fault injection method for bit software test[J]. IEEE, 2012,7(1):718 - 722.