SETBVE：软件边界行为的质量-多样性驱动探索

软件系统根据输入特征表现出不同的行为，而故障往往发生在输入域之间的边界处。传统的边界值分析（BVA）依赖人工启发式方法，而自动化的边界值探索（BVE）方法通常仅优化单一质量指标，存在对边界行为调查狭窄且不全面的风险。我们引入了 SETBVE，这是一个可定制、模块化的自动化黑盒 BVE 框架，利用质量-多样性优化来系统地发现并细化更广泛的边界谱。SETBVE 维护一个由基于输入和输出的行为描述符组织的边界对存档。它引导探索走向代表性不足的区域，同时保留高质量的边界对，并应用局部搜索来细化候选边界。在基于整数的十个函数的实验中，SETBVE 在多样性方面优于基线，将存档覆盖率提高了 37 至 82 个百分点。定性分析表明，SETBVE 识别出了基线遗漏的边界候选。基线方法在多样性和质量上通常在 30 秒后趋于平稳，而 SETBVE 在 600 秒的运行中持续改进，展现出更好的可扩展性。即使是最简单的 SETBVE 配置在识别多样化边界行为方面也表现良好。我们的研究结果表明，在质量与行为多样性之间取得平衡，比仅关注质量的方法有助于识别更多的软件边缘情况行为。