基于自适应模糊强化学习的自主性能测试框架
软件工程
2020-08-03 v2 人工智能
性能
摘要
测试自动化带来了降低成本和人力投入的潜力，但软件测试的若干方面仍难以自动化。一个这样的例子是用于发现性能拐点的自动化性能测试。当前解决性能测试用例自动生成的方法主要涉及使用源代码或系统模型分析或基于用例的技术。然而，在测试时源代码和系统模型可能并不总是可用。另一方面，如果测试过程中预期目标的最优性能测试策略能够由测试系统学习得到，那么无需高级性能模型的测试自动化便成为可能。此外，习得的策略随后可复用于类似的被测软件系统，从而提高测试效率。我们提出 SaFReL，一种基于自适应模糊强化学习的性能测试框架。SaFReL 通过初始学习阶段学习生成性能测试用例的最优策略，随后在迁移学习阶段复用该策略，同时保持学习长期运行并更新策略。通过在模拟环境下的多个实验，我们证明了我们的方法比典型测试过程更高效地为不同程序生成目标性能测试用例，并且无需访问源代码和性能模型即可自适应地执行。
引用
@article{arxiv.1908.06900,
title = {An Autonomous Performance Testing Framework using Self-Adaptive Fuzzy Reinforcement Learning},
author = {Mahshid Helali Moghadam and Mehrdad Saadatmand and Markus Borg and Markus Bohlin and Björn Lisper},
journal= {arXiv preprint arXiv:1908.06900},
year = {2020}
}