4、可覆盖性分析与启发式驱动的测试用例选择

可覆盖性分析与启发式驱动的测试用例选择

可覆盖性分析的改进

在可覆盖性分析方面，为了提升性能，可采取以下几种启发式方法：
1. 观察反例 ：将所有可覆盖性任务放入任务池中。当创建反例证明某个任务可覆盖时，检查是否有其他未覆盖的任务能被该反例覆盖，若有则从任务池中移除。
2. 使用随机模拟 ：模拟速度快，可生成程序可能执行的轨迹。在寻找特定任务前，对程序进行几次模拟，移除所有观察到的任务。此外，模拟可扩展反例，包含剩余可覆盖性任务中涉及的所有值，提高检测和移除这些任务的可能性。
3. 使用静态分析 ：为每个任务识别一个额外任务列表（可能为空），若该任务被覆盖，则所有额外任务也被覆盖。使用集合覆盖算法，选择任务子集并尝试仅覆盖这些任务，减少需要覆盖的任务数量。
4. 使用程序转换 ：可覆盖性分析规则，特别是语句可覆盖性分析规则，可基于修改程序进行优化。创建一个更简单的辅助程序，在辅助程序上运行规则可得到相同结果。

目前，已实现了前两种启发式方法，结果很有前景，可在接近或略超过模型检查大小限制的模块上测量可覆盖性。一方面，许多任务通过快速模拟被消除；另一方面，模型检查引擎中的许多简化方法适用于可覆盖性分析中的简单规则。

启发式驱动的测试用例选择理论基础

标记迁移系统（LTS）

LTS 是描述进程行为的基本模型，如规范、实现和测试。一个标记迁移系统是一个 4 元组 < Stat, L, T, s0 >，其中 Stat 是可数的非空状态集，L