[發(fā)明專(zhuān)利]一種基于神經(jīng)網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)生成方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410214122.0
• 申請(qǐng)日: 2014-05-20
• 公開(kāi)（公告）號(hào): CN103995775A
• 公開(kāi)（公告）日: 2014-08-20
• 發(fā)明（設(shè)計(jì)）人: 曹玲玲;楊晉博;潘睿
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浪潮電子信息產(chǎn)業(yè)股份有限公司
• 主分類(lèi)號(hào): G06F11/36
• 分類(lèi)號(hào): G06F11/36;G06N3/02
• 代理公司: 濟(jì)南信達(dá)專(zhuān)利事務(wù)所有限公司 37100
• 代理人: 姜明

?

技術(shù)領(lǐng)域

????本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體的說(shuō)是一種動(dòng)態(tài)的對(duì)網(wǎng)頁(yè)進(jìn)行創(chuàng)建和加載，實(shí)現(xiàn)實(shí)時(shí)更新功能的基于神經(jīng)網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)生成方法。

背景技術(shù)

Kore?對(duì)測(cè)試數(shù)據(jù)生成問(wèn)題的定義是：給定一個(gè)程序元素，找到一個(gè)程序的輸入，使它能執(zhí)行這個(gè)程序元素。生成測(cè)試數(shù)據(jù)的方法有的面向路徑，有的面向非標(biāo)準(zhǔn)路經(jīng)。方法有三類(lèi)：隨機(jī)方法、面向目標(biāo)和面向路徑的測(cè)試數(shù)據(jù)生成方法，每一類(lèi)方法有可分為靜態(tài)或動(dòng)態(tài)的測(cè)試數(shù)據(jù)生成方法。

一、靜態(tài)和動(dòng)態(tài)測(cè)試數(shù)據(jù)生成方法。靜態(tài)測(cè)試數(shù)據(jù)生成，不基于程序的輸入數(shù)據(jù)而是采用程序的符號(hào)執(zhí)行以及表達(dá)式的消解和變換的方法。動(dòng)態(tài)測(cè)試數(shù)據(jù)生成，是利用程序的實(shí)際輸入數(shù)據(jù)來(lái)執(zhí)行程序的方法。

二、隨機(jī)測(cè)試數(shù)據(jù)生成方法。隨機(jī)方法，是最簡(jiǎn)單的測(cè)試數(shù)據(jù)生成方法，可以生成任一類(lèi)型輸入變量的值，但找出程序的錯(cuò)誤的概率較低，一般常用隨機(jī)方法作為其他測(cè)試數(shù)據(jù)生成方法的比較對(duì)象。

三、面向目標(biāo)的測(cè)試數(shù)據(jù)生成方法。給定程序控制流圖中的一條非標(biāo)準(zhǔn)路經(jīng)，面向目標(biāo)的方法生成測(cè)試數(shù)據(jù)來(lái)遍歷該路經(jīng)。因此該方法事實(shí)上是生成測(cè)試數(shù)據(jù)來(lái)遍歷經(jīng)過(guò)該非標(biāo)準(zhǔn)路徑的所有路徑，其效果比隨機(jī)方法強(qiáng)得多。

在軟件開(kāi)發(fā)過(guò)程中，軟件測(cè)試占有舉足輕重的地位。一般意義上，軟件測(cè)試是為了發(fā)現(xiàn)錯(cuò)誤而執(zhí)行的過(guò)程。其中，設(shè)計(jì)和生成有效地測(cè)試數(shù)據(jù)是決定軟件測(cè)試質(zhì)量的重要因素之一。測(cè)試數(shù)據(jù)生成可以被理解為一個(gè)抽樣過(guò)程，即根據(jù)相應(yīng)的測(cè)試覆蓋標(biāo)準(zhǔn)，采用一定的方法，在測(cè)試數(shù)據(jù)全集中進(jìn)行抽樣，選取出一批錯(cuò)誤敏感的測(cè)試數(shù)據(jù)，它們具有較高的發(fā)現(xiàn)軟件錯(cuò)誤的可能性。一個(gè)有效的測(cè)試數(shù)據(jù)設(shè)計(jì)方法可以生成高質(zhì)量的測(cè)試數(shù)據(jù)，并盡可能的降低測(cè)試數(shù)據(jù)總數(shù)，從而降低軟件開(kāi)發(fā)成本。所以，為了縮短開(kāi)發(fā)周期，降低費(fèi)用，研究者們正在研究軟件測(cè)試數(shù)據(jù)的自動(dòng)生成問(wèn)題。由于此問(wèn)題極其復(fù)雜，通常屬于組合優(yōu)化問(wèn)題，用常規(guī)方法解決遇到困難，因此軟件測(cè)試數(shù)據(jù)的智能化生成問(wèn)題成為軟件測(cè)試的研究熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)，在軟件測(cè)試數(shù)據(jù)智能化生成的研究中較為活躍，技術(shù)也日趨成熟。因此，基于神經(jīng)網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)生成顯然已經(jīng)成為研究測(cè)試數(shù)據(jù)智能化生成問(wèn)題的一種方法。

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱(chēng)神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱(chēng)為激勵(lì)函數(shù)。每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過(guò)該連接信號(hào)的加權(quán)值，稱(chēng)之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近，也可能是對(duì)一種邏輯策略的表達(dá)。人工神經(jīng)網(wǎng)絡(luò)是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的機(jī)理，克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能在處理直覺(jué)、非結(jié)構(gòu)化信息方面的缺陷，具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)。

學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)研究的一個(gè)重要內(nèi)容，它的適應(yīng)性是通過(guò)學(xué)習(xí)實(shí)現(xiàn)的。根據(jù)環(huán)境的變化，對(duì)權(quán)值進(jìn)行調(diào)整，改善系統(tǒng)的行為根據(jù)學(xué)習(xí)環(huán)境不同，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式可分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。在監(jiān)督學(xué)習(xí)中，將訓(xùn)練樣本的數(shù)據(jù)加到網(wǎng)絡(luò)輸入端，同時(shí)將相應(yīng)的期望輸出與網(wǎng)絡(luò)輸出相比較，得到誤差信號(hào)，以此控制權(quán)值連接強(qiáng)度的調(diào)整，經(jīng)多次訓(xùn)練后收斂到一個(gè)確定的權(quán)值。當(dāng)樣本情況發(fā)生變化時(shí)，經(jīng)學(xué)習(xí)可以修改權(quán)值以適應(yīng)新的環(huán)境。非監(jiān)督學(xué)習(xí)時(shí)，事先不給定標(biāo)準(zhǔn)樣本，直接將網(wǎng)絡(luò)置于環(huán)境之中，學(xué)習(xí)階段與工作階段成為一體。此時(shí)，學(xué)習(xí)規(guī)律的變化服從連接權(quán)值的演變方程。

????基于此，現(xiàn)提供一種可生成高質(zhì)量的測(cè)試數(shù)據(jù)，降低測(cè)試數(shù)據(jù)總數(shù)并能降低軟件開(kāi)發(fā)成本的基于神經(jīng)網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)生成方法。

發(fā)明內(nèi)容

本發(fā)明的技術(shù)任務(wù)是解決現(xiàn)有技術(shù)的不足，提供一種可生成高質(zhì)量的測(cè)試數(shù)據(jù)、基于神經(jīng)網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)生成方法。

本發(fā)明的技術(shù)方案是按以下方式實(shí)現(xiàn)的，該一種基于神經(jīng)網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)生成方法，其具體實(shí)現(xiàn)過(guò)程如下：

1）訓(xùn)練階段：

測(cè)試數(shù)據(jù)生成器生成的測(cè)試數(shù)據(jù)一方面通過(guò)度量分析提取測(cè)試數(shù)據(jù)指數(shù)，另一方面通過(guò)評(píng)價(jià)器得到測(cè)試數(shù)據(jù)揭示的故障類(lèi)別；由一系列測(cè)試數(shù)據(jù)指數(shù)及對(duì)應(yīng)的故障類(lèi)別組成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，采用學(xué)習(xí)算法實(shí)施神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練完畢得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)；

2）預(yù)測(cè)階段：

由評(píng)價(jià)器生成測(cè)試數(shù)據(jù)，經(jīng)過(guò)度量分析提取測(cè)試數(shù)據(jù)指數(shù)，將其輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到測(cè)試數(shù)據(jù)的揭錯(cuò)等級(jí)，并據(jù)此對(duì)測(cè)試數(shù)據(jù)進(jìn)行取舍處理。