亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于狀態(tài)空間剪枝的軟件測(cè)試數(shù)據(jù)擴(kuò)增算法

        2021-11-17 12:04:42劉春寶
        計(jì)算機(jī)仿真 2021年9期

        張 昇,劉春寶

        (吉林大學(xué),吉林長(zhǎng)春 130041)

        1 引言

        為了保證軟件質(zhì)量通過(guò)軟件測(cè)試保證軟件正確性,軟件測(cè)試核心是制定優(yōu)質(zhì)測(cè)試計(jì)劃得到測(cè)試用例[1-3]。評(píng)定軟件質(zhì)量的有效方式為實(shí)施全面的軟件測(cè)試,可找出軟件內(nèi)的錯(cuò)誤,降低開(kāi)發(fā)的錯(cuò)誤風(fēng)險(xiǎn)[4,5]。在軟件測(cè)試的過(guò)程中,測(cè)試者為了驗(yàn)證新版軟件中是否存在新的錯(cuò)誤[6],需重新測(cè)試新版軟件[7]。為了實(shí)現(xiàn)對(duì)軟件原有數(shù)據(jù)擴(kuò)增需覆蓋軟件的新增與修改內(nèi)容。軟件系統(tǒng)具有的并發(fā)特性,存在大量的測(cè)試數(shù)據(jù)影響軟件模型的狀態(tài)空間及軟件的測(cè)試效率[8],軟件測(cè)試數(shù)據(jù)擴(kuò)增算法可提高軟件測(cè)試效率。

        但是以往軟件測(cè)試數(shù)據(jù)擴(kuò)增算法非常局限,如吳詩(shī)輝等,研究基于神經(jīng)網(wǎng)絡(luò)的仿真優(yōu)化算法[9],在軟件測(cè)試數(shù)據(jù)擴(kuò)增過(guò)程中,由于該算法訓(xùn)練過(guò)于復(fù)雜,導(dǎo)致軟件測(cè)試數(shù)據(jù)擴(kuò)增效果不佳;劉靜等,基于分布式壓縮感知的聯(lián)合檢測(cè)與跟蹤算法[10],在軟件測(cè)試數(shù)據(jù)擴(kuò)增中,由于該算法在計(jì)算時(shí)間長(zhǎng)導(dǎo)致后期軟件測(cè)試數(shù)據(jù),因此本文研究基于狀態(tài)空間剪枝的軟件測(cè)試數(shù)據(jù)擴(kuò)增算法。

        2 基于狀態(tài)空間剪枝的軟件測(cè)試數(shù)據(jù)擴(kuò)增算法

        2.1 SCPN模型實(shí)例實(shí)施并發(fā)無(wú)關(guān)行為段的分類(lèi)

        軟件系統(tǒng)采用著色Petri網(wǎng)(Colored Petri Net,CPN)實(shí)施控制流模型明確及初始標(biāo)識(shí)。面對(duì)分段行為的CPN(Segmentation Behavior of CPN,SCPN),SCPN模型是測(cè)試序列生成方法的模型基礎(chǔ),是對(duì)CPN擴(kuò)展。

        SCPN=(P,T,A,Σ,V,C,G,E,I)表示1個(gè)SCPN模型包括1九元組,有限的變遷(Transition)集合、位置(Place)集合分別用T、P描述;A表示有向弧(Arc)集合且A滿足條件A?P×T∪T×P;變量(Variable)集合用V描述,對(duì)任意變量v∈V,滿足Type[v]∈∑;初始化函數(shù)(Initialization function)用I描述,定義位置原始數(shù)據(jù);1個(gè)非空顏色集(Color set)用Σ描述,主要作用是CPN定義數(shù)據(jù)類(lèi)型;防衛(wèi)表函數(shù)(Guard function)用G描述,用于表示每個(gè)變遷方位表達(dá)式;顏色集函數(shù)(Color function)用C描述,主要作用是定義位置內(nèi)的數(shù)據(jù)類(lèi)型;弧表達(dá)函數(shù)(Arc expression function)用E描述,用于表示弧表達(dá)式。

        變遷集合T包括:

        待測(cè)行為變遷集合(Tested Behavior Transition),用TT描述,STT表示待測(cè)行為段(Segmentation of Tested Behavior Transition)包括TT內(nèi)1組連續(xù)的相關(guān)弧和變遷位置,1個(gè)待測(cè)行為段用STT{T1,T2,…,Tn}描述。其內(nèi)T1,T2,…,Tn∈STT。相關(guān)行為變遷集合(Related Behavior Transition)用TR描述,STR表示相關(guān)行為段(Segmentation of Related Behavior Transition)包括TR內(nèi)1組連續(xù)的相關(guān)弧和位置,1個(gè)相關(guān)行為段用STR{T1,T2,…,Tn}描述,其內(nèi)T1,T2,…,Tn∈STR。TU表示并發(fā)無(wú)關(guān)行為變遷集合(Unrelated Behavior Transition);STU表示并發(fā)無(wú)關(guān)行為段(Segmentation of Unrelated Behavior Transition)包括TU內(nèi)1組連續(xù)的相關(guān)弧和變遷位置,1個(gè)并發(fā)無(wú)關(guān)行為段用STU{T1,T2,…,Tn}描述,其內(nèi)T1,T2,…,Tn∈STU。

        非并發(fā)無(wú)關(guān)行為變遷集合用TN描述,STN表示非并發(fā)無(wú)關(guān)行為段(Segmentation of Non-concurrent Unrelated Behavior Transition)包括Tn中一組連續(xù)的相關(guān)弧和變遷位置定1個(gè)非并發(fā)無(wú)關(guān)行為段用STN{T1,T2,…,Tn}描述,其內(nèi)T1,T2,…,Tn∈STN。變遷集合T滿足:T=TT∪TR∪TU∪TN。SCPN模型實(shí)例,見(jiàn)圖1。

        圖1 SCPN模型實(shí)例

        圖1描述1個(gè)3路并發(fā)的SCPN模型,數(shù)據(jù)相關(guān)行為變遷用TE描述,待測(cè)行為用TC、TG描述,并發(fā)無(wú)關(guān)行為T(mén)A、TB、TD、TF、TH確定按照模型中是否與待測(cè)、相關(guān)行為具有并發(fā)關(guān)系。

        SCPN模型實(shí)例的并發(fā)無(wú)關(guān)行為段的分類(lèi),用圖2描述。因?yàn)椴l(fā)無(wú)關(guān)行為段操作復(fù)雜,測(cè)試過(guò)程中,依照位置關(guān)系進(jìn)行分類(lèi)處理[11,12],依據(jù)分類(lèi)結(jié)果實(shí)施不同規(guī)則的剪枝操作。在軟件測(cè)試內(nèi)的一條分支上,如果在所有待測(cè)行為段后有并發(fā)無(wú)關(guān)行為段;純無(wú)關(guān)行為段(Pure STU,PSTU)在軟件測(cè)試內(nèi)并發(fā)無(wú)關(guān)行為段占據(jù)1整條分支的行為片段;前無(wú)關(guān)行為段(Before STU,BSTU);中無(wú)關(guān)變遷集合(Middle Transition,MT)表示MT中一個(gè)變遷元素;中無(wú)關(guān)行為段(Middle STU,MSTU)。

        圖2 并發(fā)無(wú)關(guān)行為段的分類(lèi)

        在圖2內(nèi),STT{TG}表示對(duì)于待測(cè)行為段,存在前無(wú)關(guān)行為段BSTU{TA,TB}、后無(wú)關(guān)行為段(AfterSTU,ASTU),后無(wú)關(guān)行為段ASTU{TD}、PSTU{TH}。STT{TC}表示對(duì)于待測(cè)行為段,存在中無(wú)關(guān)行為段用MSTU{TF}描述、純無(wú)關(guān)行為段用PSTU{TH}描述。

        2.2 狀態(tài)空間剪枝的軟件測(cè)試序列生成算法

        通過(guò)狀態(tài)節(jié)點(diǎn)的剪枝算法,處理并發(fā)無(wú)關(guān)行為段分類(lèi)后待測(cè)行為段的狀態(tài)集。輸入系統(tǒng)模型、待測(cè)或相關(guān)行為段的匹配初、末狀態(tài)集,判斷無(wú)關(guān)行為段類(lèi)型,依據(jù)類(lèi)型不同,分別實(shí)施特定狀態(tài)節(jié)點(diǎn)剪枝操作,縮減狀態(tài)空間的規(guī)模,得到末狀態(tài)集、匹配初。

        采用狀態(tài)空間剪枝的測(cè)試序列生成算法獲取軟件測(cè)試數(shù)據(jù),該算法流程,如圖3描述。

        圖3 測(cè)試序列生成算法

        由圖3可知:將系統(tǒng)模型及其狀態(tài)空間作為輸入數(shù)據(jù),采用狀態(tài)節(jié)點(diǎn)投影對(duì)所有待測(cè)行為段實(shí)施操作;對(duì)無(wú)關(guān)行為段類(lèi)型實(shí)施判斷,如果有中無(wú)關(guān)行為段,實(shí)施變遷弧剪枝操作;如果存在無(wú)關(guān)行為段,獲取可達(dá)子圖,變遷弧剪枝操作;若在內(nèi)側(cè)行為段,去重可達(dá)子圖,依據(jù)狀態(tài)空間,操作全序列測(cè)試。

        2.3 數(shù)據(jù)序列擴(kuò)增算法

        依據(jù)上小節(jié)獲取的軟件該測(cè)試序列,采用自適應(yīng)粒子群優(yōu)化算法,實(shí)現(xiàn)軟件測(cè)試數(shù)據(jù)擴(kuò)增。

        2.3.1 初始種群選擇

        為了降低測(cè)試序列數(shù)據(jù)生成個(gè)數(shù),使用初始種群實(shí)施序列數(shù)據(jù)擴(kuò)增。

        在新版本程序P′輸入用t1,t2,…,tm表示2.1小節(jié)獲取的測(cè)試序列數(shù)據(jù)集,生成的執(zhí)行路徑用p′(t1),p′(t2),…,p′(tm)描述。程序P′的路徑p′i和p′j穿越的節(jié)點(diǎn)序列分別用n′i1,n′i2,…,n′i|p′i|、n′j1,n′j2,…,n′j|p′j|描述,路徑相似度計(jì)算,用式(1)描述

        S(p′i,p′j)=Nsame/|p′j|

        (1)

        其內(nèi):路徑p′i相對(duì)于p′j的路徑相似度用S(p′i,p′j)描述;路徑p′i和p′j穿越的相同節(jié)點(diǎn)個(gè)數(shù)用Nsame描述,且Nsame/|p′i∪p′j|。

        (2)

        2.3.2 自適應(yīng)粒子群算法

        自適應(yīng)粒子群算法為了實(shí)現(xiàn)粒子的位置x接近目前問(wèn)題的最優(yōu)解x*僅需研究x的直接變化,進(jìn)化公式,如式(3)所示:

        (3)

        慣性權(quán)重決定算法的精度與收斂速度。若慣性權(quán)重較低時(shí),對(duì)算法局部搜索非常有利;若慣性權(quán)重較高時(shí),對(duì)算法全局搜索非常有利。

        通過(guò)調(diào)整慣性權(quán)重,優(yōu)化粒子群算法,粒子聚集度φ計(jì)算,用式(4)描述

        φ=|fg-f′avg|

        (4)

        其內(nèi):種群粒子的平均適應(yīng)值用favg描述;采用種群內(nèi)適應(yīng)值大于favg粒子適應(yīng)值再次平均計(jì)算出f′avg;種群的全局最優(yōu)解用f描述。

        自適應(yīng)調(diào)整方法包括

        1)當(dāng)f(xi)>f′avg時(shí),表示xi逼近最優(yōu)解,慣性權(quán)重越小,慣性權(quán)重具體計(jì)算,如式(5)描述

        (5)

        2)當(dāng)favg≤f(xi)≤f′avg時(shí),表示粒子的狀況很普通,慣性權(quán)重隨迭代次數(shù)的增加而增大,在求解時(shí)非線性減少,用式(6)余弦定理表示:

        (6)

        其內(nèi):最大進(jìn)化代數(shù)、當(dāng)前進(jìn)化代數(shù)分別用T、t描述。

        3)當(dāng)f(xi)

        (7)

        其內(nèi),常數(shù)用d描述。

        (8)

        2.3.3 用自適應(yīng)粒子群優(yōu)化算法流程

        基于粒子群優(yōu)化算法的數(shù)據(jù)集擴(kuò)增算法具體流程如下:

        例如:為了輸出生成覆蓋新版本程序P′的測(cè)試序列數(shù)據(jù)采用輸入原程序P的測(cè)試序列數(shù)據(jù)集T。

        step 1:相似度矩陣是通過(guò)式(2)求得,設(shè)置初始參數(shù)、初始種群。

        step 2:判斷終止條件符合程度,判斷擴(kuò)增數(shù)據(jù)覆蓋P′目標(biāo)路徑最大化。如果符合,轉(zhuǎn)到step 6。

        step 3:測(cè)試序列數(shù)據(jù)的適應(yīng)值按照適應(yīng)度函數(shù)調(diào)整全局最優(yōu)pgd、個(gè)體最優(yōu)值pid,并通過(guò)式(5)~式(7)設(shè)置慣性權(quán)重。

        step 4:通過(guò)式(8),為了獲取目標(biāo)路徑的不同子Pdif與穿越路徑路徑,確定輸入分量ti1,ti2,…,tin,采用Step 1選取測(cè)試序列數(shù)據(jù)作為輸入。

        step 5:依據(jù)step 3獲取的參數(shù)導(dǎo)入式(3),更新輸入變量ti1,ti2,…,tin生成新的測(cè)試序列數(shù)據(jù)后,轉(zhuǎn)到step2。

        step 6:輸出覆蓋P′的測(cè)試序列數(shù)據(jù)集。

        3 仿真研究

        仿真測(cè)試程序?yàn)槲鏖T(mén)子工業(yè)程序集中的程序Tcas、三角形判定程序Triangle、基準(zhǔn)程序Next Day,在實(shí)驗(yàn)中,全部程序在jdkl.7.0-25環(huán)境下運(yùn)行。為驗(yàn)證本文算法的有效性,實(shí)驗(yàn)對(duì)比方法選用本文算法與文獻(xiàn)[9]基于神經(jīng)網(wǎng)絡(luò)的仿真優(yōu)化算法、文獻(xiàn)[10]基于分布式壓縮感知的聯(lián)合檢測(cè)與跟蹤算法實(shí)施軟件測(cè)試數(shù)據(jù)擴(kuò)增效率及算法性能仿真分析,基本參數(shù)設(shè)定包括慣性權(quán)重wmax=1.8、wmin=0.4,進(jìn)化最大代數(shù)T=1000,學(xué)習(xí)因子a1=a2=2。測(cè)試程序信息用表l描述。

        表1 測(cè)試程序信息

        3.1 軟件測(cè)試數(shù)據(jù)擴(kuò)增效率分析

        采用本文算法與神經(jīng)網(wǎng)絡(luò)算法、分布式壓縮感知算法,運(yùn)行測(cè)試程序20次,生成目標(biāo)路徑測(cè)試數(shù)據(jù),對(duì)不同指標(biāo)進(jìn)行記錄,實(shí)驗(yàn)結(jié)果用表2描述。

        由表2數(shù)據(jù)可知:對(duì)比三種算法在不同基準(zhǔn)程序的擴(kuò)增效率,本文算法比神經(jīng)網(wǎng)絡(luò)算法、分布式壓縮感知算法,測(cè)試數(shù)據(jù)擴(kuò)增效率平均分別提高了約57%和82%。本文算法均差小,運(yùn)行時(shí)間最短,平均運(yùn)行時(shí)間0.51s。因此,本文算法軟件測(cè)試數(shù)據(jù)效率高。

        3.2 算法性能分析

        選取西門(mén)子工業(yè)程序集中的Tcas程序,三種算法在迭代過(guò)程中對(duì)目標(biāo)路徑的覆蓋率,用圖4描述。

        圖4 目標(biāo)路徑覆蓋率

        通過(guò)圖4數(shù)據(jù)表明:本文算法比神經(jīng)網(wǎng)絡(luò)算法、分布式壓縮感知算法相比,在覆蓋目標(biāo)路徑方面具有較大的優(yōu)勢(shì),

        本文算法在進(jìn)化代數(shù)400時(shí),目標(biāo)路徑覆蓋率達(dá)到1.0,并在后期的目標(biāo)路徑覆蓋率保持平穩(wěn),而神經(jīng)網(wǎng)絡(luò)算法、分布式壓縮感知算法目標(biāo)路徑覆蓋率低,后期的目標(biāo)路徑覆蓋率有波動(dòng)。

        4 結(jié)論

        為了提高軟件測(cè)試的效率,研究基于狀態(tài)空間剪枝的軟件測(cè)試數(shù)據(jù)擴(kuò)增算法。軟件測(cè)試時(shí)按照并發(fā)無(wú)關(guān)行為段在軟件測(cè)試內(nèi)的位置實(shí)施分類(lèi),依據(jù)分類(lèi)結(jié)果實(shí)施不同規(guī)則的剪枝操作,生成測(cè)試序列,采用自適應(yīng)粒子群優(yōu)化算法實(shí)施軟件測(cè)試序列數(shù)據(jù)集擴(kuò)增。通過(guò)仿真結(jié)果表明,本文算法在生成覆蓋目標(biāo)路徑測(cè)試數(shù)據(jù)的效率高,實(shí)現(xiàn)軟件測(cè)試數(shù)據(jù)擴(kuò)增。由于本人時(shí)間與精力有限,仍有許多不足之處,以后將研究重點(diǎn)放在實(shí)際的軟件測(cè)評(píng)的過(guò)程中,采用更先進(jìn)的算法與科學(xué)技術(shù),優(yōu)化軟件測(cè)試數(shù)據(jù)擴(kuò)增算法的實(shí)際應(yīng)用效果。

        国产高清白浆| 亚洲精品久久久久中文字幕一福利| 风韵饥渴少妇在线观看| 国产激情视频在线观看首页| 日韩精品高清不卡一区二区三区| 蜜桃传媒一区二区亚洲av婷婷| 少妇aaa级久久久无码精品片 | 午夜精品久久久久久久无码| 丰满少妇在线观看网站| 欧美日本视频一区| 男女啪啪啪的高清视频| 久久精品国产99国产精偷| 日日噜噜噜夜夜爽爽狠狠| A阿V天堂免费无码专区| 一区二区人妻乳中文字幕| 欧美丰满熟妇bbbbbb| 国产精品-区区久久久狼| 无码天堂在线视频| 久久伊人精品中文字幕有尤物| 免费无码中文字幕a级毛片| 日本免费人成视频播放| 一本色道亚州综合久久精品| 亚洲 另类 小说 国产精品| 久久av高潮av无码av喷吹| 一区二区三区福利在线视频| 日本韩国三级在线观看| 亚洲精品动漫免费二区| 国产精品99久久精品爆乳| 久久爱91精品国产一区| 日韩中文字幕版区一区二区三区| 亚洲丁香五月天缴情综合| 高清国产美女av一区二区| 亚洲国产精品久久久婷婷| 国产亚洲精品美女久久久| 亚洲免费视频播放| 日本一道高清在线一区二区| 免费观看a级毛片| 亚洲av日韩av无码av| 91亚洲精品久久久蜜桃| 五月激情综合婷婷六月久久 | 日本在线 | 中文|