作者
Yi Ji (1)、Simon Mak (2)、Ryan Lekivetz (1) 和 Joseph Morgan (1)
隶属关系
（1）JMP 统计发现有限责任公司
（2）杜克大学，北卡罗来纳州达勒姆市
杂志
2024年第22届ACM-IEEE系统设计形式化方法与模型国际研讨会（MEMOCODE）
发布日期
2024
抽象的
软件测试对于复杂软件系统的可靠稳健开发至关重要。对于网络物理系统（CPS）而言，这一点尤为重要，因为CPS在部署前需要进行严格的测试。这些系统的复杂性限制了形式化验证方法的应用。此外，测试和故障定位的成本可能非常高昂。为了降低成本，本文提出了一种整体的机器学习引导的测试用例设计和故障定位（MaLT）框架，该框架利用最新的概率机器学习方法来加速复杂软件系统的测试。MaLT包含三个步骤：（i）使用覆盖数组构建测试用例集以进行初始测试；（ii）通过贝叶斯故障定位程序研究后验根本原因概率；（iii）利用贝叶斯分析结果，通过主动学习指导后续测试用例的选择。因此，所提出的MaLT框架能够在有限的测试次数内高效地识别和诊断软件故障。该框架具有与基于断言的测试预言方法相结合的潜力，这可能证明是一种将轻量级形式化方法与测试相结合的有效且经济的方式。
引用
Ji, Y., Mak, S., Lekivetz, R. 和 Morgan, J., 2024 年 10 月。MaLT：机器学习引导的复杂软件系统测试用例设计和故障定位。2024年第22届ACM-IEEE系统设计形式化方法与模型国际研讨会（MEMOCODE）（第 58-62 页）。IEEE， https://doi.org/10.1109/MEMOCODE63347.2024.00011 。
