多维抽样：以换取更小样本为代价换取非均匀 t-次特征交互覆盖
软件工程
2024-07-01 v1 机器学习
摘要
确保高度可配置系统的功能安全性通常需要测试代表性子配置集合，以减少测试工作量和节省资源。 t-次特征交互覆盖比例是衡量子配置集合是否具有代表性且能够发现故障的常见标准。现有的 t-次抽样算法对所有特征的 t-次特征交互进行均匀覆盖，导致执行时间较长且样本规模大，尤其是在考虑大 t-次特征交互时（即 t值较大）。本文引入一种新的 t-次特征交互抽样方法，质疑所有 t-次特征交互是否需要均匀覆盖，称为 \emph{\mulTiWise{}}。该方法在子集中优先考虑关键与非关键特征，生成 t-次特征交互样本时为关键特征子集考虑更高的 t值。我们使用来自实际应用的主题系统进行评估，包括 \busybox{}、\soletta{}、\fiasco{} 和 \uclibc{}。我们的结果表明，牺牲所有特征之间 t-次特征交互覆盖的均匀性，可减少样本生成时间和最终样本规模。因此，如果可用关于特征关键性的知识，\mulTiWise{} 抽样提供了现有方法的一种替代方案。
引用
@article{arxiv.2406.19801,
title = {MulTi-Wise Sampling: Trading Uniform T-Wise Feature Interaction Coverage for Smaller Samples},
author = {Tobias Pett and Sebastian Krieter and Thomas Thüm and Ina Schaefer},
journal= {arXiv preprint arXiv:2406.19801},
year = {2024}
}