SETBVE：基于质量与多样性的软件边界行为探索

《ACM Transactions on Software Engineering and Methodology》：SETBVE: Quality-Diversity Driven Exploration of Software Boundary Behaviors

软件边界行为分析框架通过质量多样性优化提升自动化探索效果。研究指出传统边界值分析方法依赖人工经验且优化单一指标，易导致测试边界覆盖不全。本文提出的SETBVE框架采用模块化设计，结合输入输出行为描述的边界对档案库，通过QD优化策略系统探索边界区域，并运用局部搜索算法优化候选边界。实验表明该框架在30个整数函数测试中覆盖率提升90%，且持续优化效果优于基线方法。研究表明平衡测试质量与行为多样性能有效提升边界测试覆盖率。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

软件会根据输入特征表现出不同的行为，而故障通常发生在输入域的边界处。传统的边界值分析（BVA）依赖于手动启发式方法，而自动化的边界值探索（BVE）方法通常只优化一个质量指标，这可能导致对边界行为的调查范围狭窄且不全面。我们提出了SETBVE，这是一个可定制的、模块化的自动化黑盒BVE框架，它利用质量多样性（QD）优化来系统地发现和细化更广泛的边界。SETBVE维护了一个按输入和输出行为描述符组织的边界对档案。它将探索方向引导到代表性不足的区域，同时保留高质量的边界对，并应用局部搜索来细化候选边界。在针对30个基于整数的函数的实验中，SETBVE在多样性方面优于基线方法，将档案覆盖范围提高了多达90个百分点。定性分析显示，SETBVE识别出了基线方法遗漏的边界候选项。虽然基线方法在30秒后通常在多样性和质量上达到稳定状态，但SETBVE在600秒的运行中仍能持续改进。即使是最简单的SETBVE模块配置也能很好地识别出多样的边界行为。我们的研究结果表明，平衡质量和行为多样性有助于识别出比仅关注质量的方法更多的软件边缘情况行为。

人工智能摘要

人工智能生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助发现新的见解，帮助读者评估内容的相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。