基于强化学习的可扩展相似感测试套件最小化
软件工程
2025-04-25 v2
摘要
多准则测试套件最小化 (MCTSM) 问题旨在根据代码覆盖率或故障检测能力等充分性准则删除冗余测试用例。然而，当前技术要么导致故障检测能力显著损失，要么因该问题的NP难性面临可扩展性挑战，从而限制了实际应用。我们提出了TripRL，一种新型技术，将传统准则（如语句覆盖率和故障检测能力）与测试覆盖率相似性集成到整数线性规划 (ILP) 中，以产生高测试效果且多样化的缩减测试套件。TripRL利用二分图表示及其嵌入实现简洁的ILP表述，并将ILP与有效的强化学习 (RL) 训练相结合。这种组合使得大规模测试套件最小化更具可扩展性，同时提升测试效果。我们的实证评估表明，TripRL的运行时间随MCTSM问题规模呈线性增长。值得注意的是，对于来自Defects4j数据集的大型测试套件，现有方法在合理时间内无法提供解决方案，而我们的技术始终能在47分钟内提供解。TripRL产生的缩减测试套件保持原始的语句覆盖率和故障检测能力，同时具备更高的潜在未知故障检测能力。
引用
@article{arxiv.2408.13517,
title = {Scalable Similarity-Aware Test Suite Minimization with Reinforcement Learning},
author = {Sijia Gu and Ali Mesbah},
journal= {arXiv preprint arXiv:2408.13517},
year = {2025}
}