测试用例优先级排序的信息属性分类法：适用性、机器学习
软件工程
2022-01-19 v1 人工智能
摘要
大多数软件公司拥有庞大的测试套件，并持续重新运行其中部分以确认近期变更无不良影响。由于执行测试套件成本高昂，工业界需要测试用例优先级排序（TCP）方法。近来，TCP 方法使用机器学习（ML）来利用关于被测系统（SUT）及其测试用例的已知信息。然而，基于 ML 的 TCP 方法所增加的价值应结合信息收集成本进行批判性评估。本文分析了二十年的 TCP 研究，提出了一种包含 91 个已使用信息属性的分类法。这些属性根据其信息来源和提取过程的特征进行分类。基于该分类法，从信息可用性、属性组合以及适于 ML 的数据特征定义方面，分析了使用工业数据验证的 TCP 方法以及应用 ML 的方法。依赖大量信息属性、假定易于访问 SUT 代码和简化的测试环境，被识别为可能妨碍基于 ML 的 TCP 工业适用性的因素。TePIA 分类法提供了一个参考框架，用以统一术语并在考虑信息属性成本效益的情况下评估替代方案。
引用
@article{arxiv.2201.06044,
title = {A Taxonomy of Information Attributes for Test Case Prioritisation: Applicability, Machine Learning},
author = {Aurora Ramírez and Robert Feldt and José Raúl Romero},
journal= {arXiv preprint arXiv:2201.06044},
year = {2022}
}
备注
Accepted for publication in ACM Transactions on Software Engineering and Methodology. Additional material available from a GitHub repository: https://github.com/tepia-taxonomy/taxonomy-analysis