基于半监督聚类方法的测试用例选择技术

摘要：

回归测试的目的是保证软件修改后没有引入新的错误.但是随着软件的演化,回归测试用例集不断增大,为了控制成本,回归测试用例选择技术应运而生.近年来,聚类分析技术被运用到回归测试用例选择问题中.将半监督学习引入到聚类技术中,提出了判别型半监督K-means聚类方法(Discriminative Semi-supervised K-means clustering Method,DSKM).该方法从回归测试的历史执行记录中挖掘出隐藏的成对约束信息,同时利用大量的无标签样本和少量的有标签样本进行学习,优化聚类的结果,并进一步优化测试用例选择的结果.实验表明,相对于Constrained-Kmeans方法和SSKM方法,DSKM方法能够更好地提高约简率并保持覆盖率.

关键词：回归测试、测试用例选择、K-means算法、成对约束、线性判别分析、半监督聚类

所属期刊栏目：45

分类号：TP301(计算技术、计算机技术)

资助基金：四川省应用基础研究项目2014JY0112

在线出版日期：2018-04-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：249-254