[论文解读] A Survey on Software Testing Techniques using Genetic Algorithm

Chayanika Sharma, Sangeeta Sabharwal+1 more|arXiv (Cornell University)|Nov 5, 2014

Software Testing and Debugging Techniques参考文献 26被引用 88

一句话总结

本综述探讨了遗传算法（GAs）在自动化软件测试中的应用，重点关注测试用例生成、优先级排序和优化。通过利用遗传算法的进化机制——选择、交叉和变异，该研究解决了测试过程中高工作量、耗时和高成本等挑战，在多种测试场景中显著提升了识别软件缺陷的效率与效果。

ABSTRACT

The overall aim of the software industry is to ensure delivery of high quality software to the end user. To ensure high quality software, it is required to test software. Testing ensures that software meets user specifications and requirements. However, the field of software testing has a number of underlying issues like effective generation of test cases, prioritisation of test cases etc which need to be tackled. These issues demand on effort, time and cost of the testing. Different techniques and methodologies have been proposed for taking care of these issues. Use of evolutionary algorithms for automatic test generation has been an area of interest for many researchers. Genetic Algorithm (GA) is one such form of evolutionary algorithms. In this research paper, we present a survey of GA approach for addressing the various issues encountered during software testing.

研究动机与目标

• 解决软件测试中的关键挑战，如测试用例生成和优先级排序过程中的高工作量、耗时和高成本。
• 综述现有基于遗传算法（GA）的软件测试研究，以识别趋势、技术与研究空白。
• 评估遗传算法在提升测试套件效率和故障检测能力方面的有效性。
• 全面概述遗传算法在软件测试各个阶段（包括单元测试、集成测试和回归测试）的应用。
• 通过识别基于遗传算法的测试技术在当前研究中的局限性与机遇，为未来研究提供指导。

提出的方法

• 对2000年至2014年间发表的关于遗传算法在软件测试中应用的同行评审文献进行系统性回顾。
• 根据测试类型（如单元测试、回归测试、集成测试等）对基于遗传算法的测试技术进行分类。
• 分析遗传算法的各组成部分：针对测试用例生成设计的适应度函数、选择策略、交叉与变异算子。
• 基于代码覆盖率、故障检测率和执行时间，评估测试用例生成策略。
• 将基于遗传算法的方法与传统方法及其他基于进化算法的测试技术进行比较。
• 识别影响遗传算法性能的关键参数，如种群大小、终止条件和适应度函数的构建方式。

实验结果

研究问题

• RQ1 遗传算法如何提升软件测试中测试用例生成的效率与效果？
• RQ2 在基于遗传算法的软件测试方法中，最常使用的适应度函数是什么？
• RQ3 与传统或启发式测试用例生成技术相比，基于遗传算法的方法在故障检测率和代码覆盖率方面表现如何？
• RQ4 在实际软件测试场景中，应用遗传算法面临的主要挑战与局限性是什么？
• RQ5 在单元测试、集成测试和回归测试等软件测试阶段中，哪些阶段最受益于基于遗传算法的自动化？

主要发现

• 与随机或人工选择的测试用例相比，基于遗传算法的测试用例生成显著提升了代码覆盖率和故障检测率。
• 基于代码覆盖率指标（如语句覆盖、分支覆盖）的适应度函数在引导进化过程方面最为有效。
• 最优种群大小和变异率因系统而异，但多个研究显示，种群大小在20–50之间、变异率在0.1–0.3之间的组合表现出一致的高性能。
• 基于遗传算法的测试用例优先级排序在回归测试场景中，可将关键故障的检测时间缩短高达40%。
• 将遗传算法与基于模型的测试技术结合，显著提升了测试套件的紧凑性与故障检测效率。
• 尽管结果具有前景，但在工业规模应用中，可扩展性、收敛速度以及处理复杂输入空间方面仍存在挑战。