面向类集成测试序列确定的强化学习方法

摘要：

面向类集成测试序列的强化学习方法能够自适应地根据系统集成状态调整集成测试策略,是测试优化的关键技术之一,但现有方法普遍存在计算成本高且不适用于大规模软件系统、忽略测试风险的滞后性问题,大幅降低了适用性和可靠性.针对上述问题,提出一种具有重要值加权奖励的基于测试顺序的强化学习方法.优化强化学习建模,忽略节点在测试序列上的具体位置,减弱状态之间的相关性,提升模型可用性.结合深度强化学习模型,端到端地更新集成测试策略,减少值函数的误差.在奖励函数的设计上,引入修正的节点重要值,实现降低整体测试桩复杂度且提升关键类优先级的多目标优化求解.在SIR开源系统上的实验结果表明:优化的强化学习建模方式能够有效降低整体测试桩复杂度,并适用于大规模软件系统;融入修正节点重要值的奖励函数能够有效提升软件系统中关键类的优先级,平均提升幅度为55.38%.

关键词：测试序列、强化学习、节点重要值、奖励函数、集成测试

所属期刊栏目：50

分类号：TP311.53(计算技术、计算机技术)

资助基金：国家自然科学基金;广西密码学与信息安全重点实验室研究课题

在线出版日期：2024-01-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：68-78