作者
Yi Ji (1)、Simon Mak (2)、Ryan Lekivetz (1) 與 Joseph Morgan (1)
隸屬關係
（1）JMP 統計發現有限責任公司
（2）杜克大學，北卡羅來納州達勒姆市
雜誌
2024年第22屆ACM-IEEE系統設計形式化方法與模式國際研討會（MEMOCODE）
發布日期
2024
抽象的
軟體測試對於複雜軟體系統的可靠穩健開發至關重要。對於網路實體系統（CPS）而言，這一點尤其重要，因為CPS在部署前需要進行嚴格的測試。這些系統的複雜性限制了形式化驗證方法的應用。此外，測試和故障定位的成本可能非常高。為了降低成本，本文提出了一個整體的機器學習引導的測試案例設計和故障定位（MaLT）框架，該框架利用最新的機率機器學習方法來加速複雜軟體系統的測試。 MaLT包含三個步驟：（i）使用覆蓋數組建立測試案例集以進行初始測試；（ii）透過貝葉斯故障定位程序研究後驗根本原因機率；（iii）利用貝葉斯分析結果，透過主動學習指導後續測試案例的選擇。因此，所提出的MaLT框架能夠在有限的測試次數內有效地識別和診斷軟體故障。該框架具有與基於斷言的測試預言方法相結合的潛力，這可能證明是一種將輕量級形式化方法與測試相結合的有效且經濟的方式。
引用
Ji, Y., Mak, S., Lekivetz, R. 與 Morgan, J., 2024 年 10 月。 MaLT：機器學習引導的複雜軟體系統測試案例設計和故障定位。2024年第22屆ACM-IEEE系統設計形式化方法與模式國際研討會（MEMOCODE）（第 58-62 頁）。 IEEE， https://doi.org/10.1109/MEMOCODE63347.2024.00011 。
