11、基于测试用例多样性降低模型驱动测试成本及内置数据流集成测试

基于测试用例多样性降低模型驱动测试成本及内置数据流集成测试

在软件开发过程中，测试是保障软件质量的关键环节。模型驱动测试（MBT）技术虽然能系统地生成大量测试用例以满足覆盖和充分性标准，但执行这些测试用例的成本往往很高。同时，在大规模组件化系统中，数据流动态复杂，集成测试也面临着诸多挑战。下面我们将深入探讨如何应对这些问题。

模型驱动测试用例选择的有效性威胁与新方法

在模型驱动测试中，执行测试用例的成本是一个不容忽视的问题。这主要源于 MBT 工具在工业级系统上生成的测试套件规模庞大，而且在系统级测试中，测试通常要在部署平台上进行，每次测试执行的时间和资源成本都可能很高。

有效性威胁分析

• 成本比较的公平性 ：测试用例和集群的相似性比较是选择技术中最具影响力的部分。在算法实现中，所有成对相似性都预先计算在一个相似性矩阵中，并作为输入参数提供给选择算法。然而，这种实现方式缺乏可扩展性，对于大型测试套件，相似性矩阵会面临内存限制。例如，在比较自适应随机测试（ART）和遗传算法（GA）时，即使相似性评估次数相同，ART 也需要更多时间。此外，层次聚类（AHC）中的簇间相似性计算非常昂贵，且在每次迭代中都会重复计算。虽然可以通过缓存簇间相似性来优化代码，但由于内存限制，保存所有迭代中所有簇组合的相似性可能不可行，因此需要在内存成本和执行速度之间进行权衡。
• 结果的可推广性 ：所有结果和结论都基于一个使用给定真实故障集的工业案例研究。尽管运行此类研究耗时，但显然需要进行重复实验。不过，所使用的系统是一类广泛的工业系统的典型代表，即具有状态相关行为、控制传感器