基于半监督聚类方法的测试用例选择技术

• 作者: 杨秋辉 程雪梅 翟宇鹏 陈伟
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 回归测试 测试用例选择 K-means算法 成对约束 线性判别分析 半监督聚类
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 软件与数据库技术
• 页码范围: 249-254
• 页数: 6页
• 分类号: TP301
• 字数: 6848字
• 语种: 中文
• DOI: 10.11896/j.issn.1002-137X.2018.01.044

摘要

回归测试的目的是保证软件修改后没有引入新的错误.但是随着软件的演化,回归测试用例集不断增大,为了控制成本,回归测试用例选择技术应运而生.近年来,聚类分析技术被运用到回归测试用例选择问题中.将半监督学习引入到聚类技术中,提出了判别型半监督K-means聚类方法(Discriminative Semi-supervised K-means clustering Method,DSKM).该方法从回归测试的历史执行记录中挖掘出隐藏的成对约束信息,同时利用大量的无标签样本和少量的有标签样本进行学习,优化聚类的结果,并进一步优化测试用例选择的结果.实验表明,相对于Constrained-Kmeans方法和SSKM方法,DSKM方法能够更好地提高约简率并保持覆盖率.