基于需求覆盖度的自然语言测试用例最小化方法

《ACM Transactions on Software Engineering and Methodology》：Requirements Coverage-Guided Minimization for Natural Language Test Cases

测试套件冗余问题及RTM方法研究，通过自然语言处理将测试用例映射为向量，利用遗传算法在预算约束下优化选择高相似性用例以降低冗余，同时保持需求覆盖率和故障检测率。工业汽车系统数据集验证RTM在多数预算下优于基线方法。

　　

摘要AI 摘要

要查看此由 AI 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

随着软件系统的不断发展，测试套件的规模往往会扩大，并且经常包含冗余的测试用例。这种冗余会增加测试的工作量、时间和成本。测试套件最小化（TSM）旨在消除这种冗余，同时保持关键属性，如需求覆盖率和故障检测能力。在本文中，我们提出了 RTM（基于需求覆盖率的测试套件最小化），这是一种针对基于需求的测试（验证）设计的新颖 TSM 方法，它可以在固定的最小化预算下有效减少测试套件的冗余，同时确保完全的需求覆盖率和较高的故障检测率（FDR）。基于在功能安全性至关重要的关键系统中的常见做法，我们假设测试用例是用自然语言指定的，并在实现之前与需求关联起来。RTM 使用文本嵌入技术将测试用例转换为向量表示，然后利用距离函数来计算测试用例对之间的相似度值。在这些相似度值的指导下，采用遗传算法（GA），其种群初始化采用保持覆盖率的策略，以搜索符合预算的最佳多样化测试用例子集。我们研究了三种测试用例的预处理方法、七种不同的文本嵌入技术、三种距离函数以及三种 GA 的初始化策略。我们在一个包含 $736$ 个系统测试用例的工业汽车系统数据集上评估了 RTM，这些测试用例覆盖了 $54$ 个需求。实验结果表明，尽管在运行时间方面具有可扩展性，但在大多数最小化预算下，RTM 在 FDR 方面的表现优于所有基线技术，同时保持了完全的需求覆盖率。此外，我们还研究了测试套件冗余程度对 TSM 效果的影响，为在实际约束条件下优化基于需求的测试套件提供了新的见解。

AI 摘要

AI 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。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方总结。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、清晰度和有用性进行评论。这样做将有助于改进和未来重新生成的版本。

要查看此由 AI 生成的简单语言摘要，您必须具有高级访问权限。