软件学报

作者：丁艳茹，张艳梅，姜淑娟，袁冠，王荣存，钱俊彦

单位：丁艳茹，中国矿业大学 矿山数字化教育部工程研究中心, 江苏 徐州 221116;中国矿业大学 计算机科学与技术学院, 江苏 徐州 22111611,张艳梅，中国矿业大学 矿山数字化教育部工程研究中心, 江苏 徐州 221116;中国矿业大学 计算机科学与技术学院, 江苏 徐州 221116;桂林电子科技大学 广西可信软件重点实验室, 广西 桂林 54100402,姜淑娟，中国矿业大学 矿山数字化教育部工程研究中心, 江苏 徐州 221116;中国矿业大学 计算机科学与技术学院, 江苏 徐州 22111603,袁冠，中国矿业大学 矿山数字化教育部工程研究中心, 江苏 徐州 221116;中国矿业大学 计算机科学与技术学院, 江苏 徐州 22111604,王荣存，中国矿业大学 矿山数字化教育部工程研究中心, 江苏 徐州 221116;中国矿业大学 计算机科学与技术学院, 江苏 徐州 22111605,钱俊彦，广西师范大学 广西多源信息挖掘与安全重点实验室, 广西 桂林 54100406

关键词：类集成测试序列;强化学习;测试桩;测试代价;奖励函数

基金：国家自然科学基金(61673384, 71774159, 62162004, 51874292); 广西可信软件重点实验室开放课题(kx201608); 广西自然科学基金重点项目(2018GXNSFDA138003)

集成测试是软件测试过程中不可缺少的步骤, 针对在集成测试中如何对系统中的类合理排序的问题, 国内外研究者提出了多种生成类集成测试序列的方法, 然而他们大多没有将测试桩复杂度作为评估测试代价的指标. 针对该问题, 提出面向类集成测试序列生成的强化学习研究方法, 以总体测试桩复杂度为评价测试代价的指标, 生成测试代价尽可能低的类集成测试序列. 首先, 定义强化学习任务, 根据任务设定算法的追求目标; 其次, 进行程序的静态分析, 根据分析得到的结果计算测试桩复杂度; 然后, 将测试桩复杂度的计算融入奖励函数的设计中, 为选择下一步动作提供信息和依据; 最后, 通过奖励函数反馈值函数, 通过值函数的设定保证累计奖励最大化. 当智能体完成规定训练次数, 系统会选择获得最大累计奖励值的类集成测试序列进行输出, 即为我们追求的测试代价尽可能低的结果. 实验结果表明, 与现有方法相比, 在以总体测试桩复杂度为评价指标时, 提出的方法结果更优.

来源：2022年第5期

《软件学报》期刊编辑部

查看软件学报杂志2022年第5期