从需求到测试用例：一种基于 NLP 的高性能 ECU 测试用例自动化方法
软件工程
2025-05-02 v1
摘要
自动化测试用例规约生成对于提高软件测试的效率和准确性至关重要，特别是在高性能电子控制单元（ECU）等复杂系统中。本研究调查了自然语言处理（NLP）技术的使用，包括基于规则的信息提取和命名实体识别（NER），以将自然语言需求转化为结构化的测试用例规约。使用来自 Polarion 工具的 400 份特征元素文档的数据集，评估了这两种方法在提取信号名称和值等关键元素方面的表现。结果显示，基于规则的方法优于 NER 方法，在具有单信号的更直接需求中达到了 95% 的准确率；而 NER 方法利用 SVM 和其他机器学习算法，达到了 77.3% 的准确率，但在复杂场景中表现不佳。统计分析证实，与人工方法相比，基于规则的方法显著提高了效率和准确性。本研究突出了 NLP 驱动的自动化在改善质量保证、减少人工工作量和加速测试用例生成方面的潜力，未来的工作重点是改进 NER 和混合模型以处理更大的复杂性。
引用
@article{arxiv.2505.00547,
title = {From Requirements to Test Cases: An NLP-Based Approach for High-Performance ECU Test Case Automation},
author = {Nikitha Medeshetty and Ahmad Nauman Ghazi and Sadi Alawadi and Fahed Alkhabbas},
journal= {arXiv preprint arXiv:2505.00547},
year = {2025}
}
备注
Accepted for publication in the proceedings of IEEE ICHMS'25