張喻平

摘要：為了保證程序代碼在黑盒測試環(huán)境下能夠更好地運行，需要對執(zhí)行測試用例優(yōu)先級方法進行改進調(diào)整。該文對比分析了用于黑盒測試中的測試用例優(yōu)先級算法和改進算法，將錯誤檢測率作為目標，結合不同情況下優(yōu)先級調(diào)整策略，對現(xiàn)有方法進行改進分析。研究結果表明，改進后的算法具有一定的可行性，可以更好地提高測試用例的錯誤檢測率。

關鍵詞：黑盒測試;測試用例;優(yōu)先級;改進算法;錯誤檢測率

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）02-0091-02

軟件產(chǎn)業(yè)的迅速發(fā)展促使各類軟件層出不窮，軟件產(chǎn)品的質(zhì)量亟待提高。當軟件項目的需求確定后，軟件測試工作就應該開始著手進行了。由于軟件測試貫穿軟件生命周期全過程，所以軟件測試所消耗的時間成本較高。但是，國內(nèi)現(xiàn)在有很多公司一般都是在軟件初步完成后，在集成測試階段才將測試工作交給軟件測試人員進行測試。在測試的過程中如果發(fā)現(xiàn)存在缺陷，測試人員需要選擇合適的測試用例對系統(tǒng)進行回歸測試。回歸測試在整個軟件開發(fā)過程中的各個階段都可能存在，因此消耗的成本也較大。此時就需要測試人員在選擇測試用例時，能夠按照一定的策略進行排序，從而達到降低成本的目的。針對以上問題，提出一種適用于黑盒測試中的測試用例優(yōu)先級方法，有針對性進行改進，從而可以更好地提高測試集的錯誤檢測率。

1 測試用例優(yōu)先級技術

1.1 典型測試用例優(yōu)先級技術

測試用例優(yōu)先級技術實際上就是通過排序的方式對測試用例進行優(yōu)先級排序，從而使高等級的測試用例比低等級的測試用例更具有優(yōu)勢，可以更先一步的執(zhí)行[1]。測試人員需要按照一定的方式對測試用例進行排序，其設定的目標可以不同。在黑盒測試中，可以采用適當?shù)臏y試用例排序技術進行排序，使保證的關鍵功能在設定的時間里能夠得到排序與測試，能夠提高測試用例的檢錯率，能夠提高測試用例覆蓋的速度。

有相關研究者對測試用例優(yōu)先級技術進行了方案整改，其中最基本的優(yōu)先級技術為優(yōu)先級排序技術與源代碼技術。很多技術都比較適用于白盒測試，但是有一些專用的技術是針對黑盒測試的[2]。對于有需求的測試用例優(yōu)先級技術，可以將軟件產(chǎn)品中的各種測試要求作為排序根據(jù)，從不同的角度出發(fā)，綜合考慮用戶的優(yōu)先級順序。進行黑盒測試的人員，需求是測試用例的第一根據(jù);歷史信息作為回歸測試后的重要排序準則，與普通的測試相比，存在一些沖突，歷史信息記錄中存在缺陷檢測問題，這些信息可以幫助測試人員更好地進行回歸測試，提高檢測效率;基于反饋的測試用例，需要與其它的技術相結合，利用執(zhí)行測試用例中的反饋信息，對測試用例的優(yōu)先級進行調(diào)整。采用反饋技術，對測試用例執(zhí)行的結果進行反饋，從而動態(tài)的調(diào)整測試用例的優(yōu)先級順序[3]。

1.2 測試用例排序算法

目前，解決測試用例排序問題最常見的一種方式是根據(jù)反饋機制，采取Total策略，對其進行驗證和比較。

Total策略就是對每一個測試用例需要的數(shù)目進行測試，再將測試用例根據(jù)大小進行排序，算法形式為：

totalAlgorithm（）

Tselected=?;? ? ? ? ? ? ? //測試用例集合

Tcandidate=Statistics（TestCases）;? ? ?//覆蓋情況

While（Teandidate.size（）>0）

Ttemp=random（maxValue（Teamdidate））? ? ?//覆蓋最多的測試用例

2 黑盒測試中的測試用例優(yōu)先級改進算法

2.1 測試用例優(yōu)先級方法

測試用例優(yōu)先級方法主要用于黑盒環(huán)境的測試，根據(jù)測試用例可能會存在的錯誤類型建立一個關系矩陣，將其設置為R，根據(jù)這個關系矩陣，測試用例會將可能出現(xiàn)的錯誤類型進行分組。采用Escalate和Deescalate兩種優(yōu)先級調(diào)整方法，這兩種方法是根據(jù)關系矩陣對測試用例的順序進行設置，使其更好的執(zhí)行，這樣可以提高錯誤檢測率。在此方法中，為了保證同一組測試用例中的優(yōu)先級保持不變，需要輸入?yún)?shù)調(diào)整優(yōu)先級的執(zhí)行順序。同時，為了更好地將測試用例優(yōu)先級貫穿于整個軟件，首先通過調(diào)用關系矩陣，然后根據(jù)當前的實際運行情況對算法進行調(diào)整。

2.2 測試用例優(yōu)先級改進方法

2.2.1 優(yōu)先級調(diào)整算法

由于在現(xiàn)有的優(yōu)先級算法中沒有對Escalate方法和Deescalate方法進行詳細的講解，雖然在BBR1和BBR2方法[4]中對兩種優(yōu)先級調(diào)整方法進行了說明，但是并沒有真正的實行。在BBR1中，由于事先預測的實施方法與執(zhí)行失敗的測試用例之間存在一定的聯(lián)系，并且其他的測試用例很可能會導致執(zhí)行失敗，所以對于執(zhí)行失敗的測試用例，需要調(diào)用其他的方法進行設置?？梢酝ㄟ^Escalate方法提高測試用例的優(yōu)先等級，從而使測試用例可以更早的被執(zhí)行。在BBR2中，由于可以預測成功的多個測試用例之間是存在關聯(lián)關系的，并且在執(zhí)行過程中測試成功的概率較大，所以對于一些可以執(zhí)行成功的測試用例，通過Deescalate方法可以降低測試用例的優(yōu)先等級，推遲測試用例的執(zhí)行時機[5]。在以上兩種方法的實驗過程中，都驗證了其有效性，并且兩種測試也是完全可信的。實際上，在測試執(zhí)行的過程中，完全可以將Escalate方法和Deescalate方法進行融合，使測試用例可以更好地執(zhí)行，讓容易暴露的測試用例優(yōu)先級提高的同時，降低其他測試用例的執(zhí)行概率。通過改進后的算法，其測試執(zhí)行結果需要進行更進一步的考察，根據(jù)考察的結果選擇合適的調(diào)整算法。執(zhí)行結果的成功與失敗，都與選擇的算法息息相關。改進后的算法可以將其設置為BBR3，具體的描述方法為：檢驗當前測試資源是否耗竭、對當前優(yōu)先級等級最高的測試用例進行設置、調(diào)用Escalate和Deescalate兩種不同的算法，這些都對測試用例的優(yōu)先級調(diào)整具有一定的幫助。

2.2.2 優(yōu)先級步調(diào)調(diào)整值

在現(xiàn)有的方法中，需要在測試用例中輸入一個參數(shù)，用來對測試用例的優(yōu)先級進行調(diào)整。同一組內(nèi)的測試用例不會發(fā)生改變，但是這種固定的方式是相對而言的，不適用于所有的測試用例使用，如果使用同一種方法進行測試，很有可能暴露其他的測試用例，需要加大調(diào)整力度;對于那些不易暴露的測試用例，可適當降低力度調(diào)整的幅度。因此，在改進的方法中，不需要對所有的測試用例提供調(diào)整值，僅僅需要從關系矩陣中獲取同一測試用例，以維護相互之間的關系，根據(jù)測試用例所得到的結果，對其它的測試用例進行適當?shù)恼{(diào)整，如果調(diào)整用例是一個錯誤的關聯(lián)，可以采用初次測試的信息進行調(diào)整。通過對BBR1進行改進，將測試用例初始化后的值存儲在range中，當測試用例執(zhí)行完成后，會增加錯誤暴露的概率。因此，在range中，對步調(diào)值進行適當?shù)恼{(diào)整可以達到更好的效果。在當前所執(zhí)行的測試用例中，出現(xiàn)錯誤暴露的概率逐漸減少，在range中找到所在組的步調(diào)調(diào)整值，當步調(diào)調(diào)整值為正時，調(diào)用已有算法，為沒有執(zhí)行的測試用例進行優(yōu)先級調(diào)整。利用同樣的方法，對BBR1和BBR2進行改進[6]。

1） 算法BBR1。創(chuàng)建0向量，為每一種錯誤類型的調(diào)整步調(diào)值進行記錄;檢查資源輸出;執(zhí)行當前優(yōu)先級別最高的測試用例;提高/降低測試用例的步調(diào)調(diào)整值;

2） 算法BBR2。與BBR1創(chuàng)建方法相同。唯一區(qū)別是調(diào)用算法不同。

3 仿真測試

在進行實驗時，不需要對測試用例執(zhí)行的時間加以關心，采用M1的計算方法對經(jīng)過優(yōu)先級調(diào)整的測試用例集的錯誤檢測率進行計算，公式為[7]：

[M1=12in2n-2i+1*fin*infi*100%]

其中，n表示測試用例個數(shù);fi表示當?shù)趇個執(zhí)行用例失敗，f為1;若執(zhí)行成功，f為0。

在matlab7.0下對以上三種算法進行模擬實驗，根據(jù)輸入?yún)?shù)實驗數(shù)據(jù)進行隨機生成，如表1所示。

在實驗過程中，列舉了三種不同的算法，不同的改進算法表示的錯誤檢測率有所差異。通過對BBR1、BBR2和BBR3的實驗數(shù)據(jù)進行分析，可以得出改進后的算法都能夠更好地表現(xiàn)出改進效果。如圖1所示，將算法應用在不同規(guī)模的測試集中，可以獲取較為穩(wěn)定的錯誤檢測率。為了更加準確地對改進后的算法進行比較，本次試驗統(tǒng)計了不同算法經(jīng)過處理后的M1值，如表2所示[8]。

4 結束語

該文對黑盒測試中的測試用例優(yōu)先級算法進行了改進分析，根據(jù)測試用例的運行結果，對測試用例的優(yōu)先級進行調(diào)整算法計算。通過matlab仿真實驗，模擬根據(jù)測試用例的運行結果對測試用例進行維護和調(diào)整步調(diào)值，并在恰當?shù)臅r機對當前測試用例進行優(yōu)先級調(diào)整算法計算。對改進前后的算法進行對比實驗，得出改進后的算法比原有算法能夠得到更高、更好的錯誤檢測率。

參考文獻：

[1]? 曾平紅. 基于改進LDA算法的測試用例優(yōu)先級排序研究[J]. 佳木斯大學學報：自然科學版， 2018， 36（5）：693-695.

[2]? SCC50壓縮機數(shù)傳單元自動化測試方法與系統(tǒng)實現(xiàn)[D]. 大連：大連海事大學， 2017.

[3]? 齊名軍. 粒子群優(yōu)化算法在黑盒測試中的應用[J]. 世界家苑，2014（8）.

[4]? 戴如昕，顧春華.用于黑盒測試的測試用例優(yōu)先級改進算法[J].計算機工程與設計，2010，31（20）：4343-4346.

[5]? 郭麗， 曲寅生， 張佑飛. 淺談黑盒測試中批量程序邏輯分支覆蓋完整性分析方法[J]. 中國金融電腦， 2014（9）：47-50.

[6]? 任麗霞. 計算機聯(lián)鎖軟件的黑盒測試過程分析與實現(xiàn)[J]. 鐵路計算機應用， 2018， 27（2）：39-43.

[7]? 佘鳳. 黑盒測試技術綜合策略的探討[J]. 福建電腦， 2013， 29（9）：100-101.

[8]? 何遠， 張玉清， 張光華. 基于黑盒遺傳算法的Android驅(qū)動漏洞挖掘[J]. 計算機學報， 2017， 40（5）：1031-1043.

【通聯(lián)編輯：光文玲】