预测变异测试有效性的威胁：未覆盖变异体的影响
软件工程
2020-05-26 v1
摘要
预测变异测试（PMT）是一种利用机器学习方法预测变异体是否会被杀死的技术。研究者们已在跨项目设定下提出了多种用于PMT的机器学习方法。然而，他们并未考虑未覆盖变异体的影响。若生成变异体的语句未被任何测试用例执行，则该变异体为未覆盖变异体。我们表明，未覆盖变异体夸大了先前的PMT结果。此外，我们旨在提出一种改进PMT的替代方法，并为跨项目PMT提出一种不同的解释。我们复现了先前的PMT研究。我们还提出了一种基于随机森林与梯度提升相结合的方法来改进PMT结果。我们在先前PMT文献提供的相同654个Java项目上对我们的方法进行了实证评估。结果表明，PMT的性能在AUC指标上从0.83急剧下降至0.51。此外，在27%的测试项目上，PMT的表现甚至不如随机猜测。所提出的方法将平均AUC值提升至0.61，从而改进了PMT结果。
引用
@article{arxiv.2005.11532,
title = {The Threat to the Validity of Predictive Mutation Testing: The Impact of Uncovered Mutants},
author = {Alireza Aghamohammadi and Seyed-Hassan Mirian-Hosseinabadi},
journal= {arXiv preprint arXiv:2005.11532},
year = {2020}
}