...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Computers >Optimizing Test Case Execution Schedule using Classifiers
【24h】

Optimizing Test Case Execution Schedule using Classifiers

机译：使用分类器优化测试用例执行时间表

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

As software evolves, test suite continually grows larger. However running all the test cases in the test suite is prohibitive in most cases. To reduce the cost of regression testing, we can optimize test case execution schedule to maximize the early fault detection rate of the original test suite. Different from previous research, we use classification algorithms to guide the schedule process based on code change information and running result analysis. In particular, we firstly train a classifier for each test case using both the code change information and the running result in previous versions. Then we secondly use the trained classifier to estimate the fault detection probability of the test case in a new version. Finally we generate a test case execution schedule report based on the fault detection probability of all the test cases. To verify the effectiveness of our approach, we performed an empirical study on Siemens Suite, which includes 7 real programs written by C programming language, and chose some typical classification algorithms, such as decision tree classifier, Bayes classifier, or nearest neighbor classifier. Based on the final result, we find that in most cases, our approach can outperform a random approach and then further provide a guideline for achieving cost-effective test case execution schedule when using our approach.
机译：随着软件的发展，测试套件不断增长。但是，在大多数情况下，禁止在测试套件中运行所有测试用例。为了减少回归测试的成本，我们可以优化测试用例的执行计划，以最大程度地提高原始测试套件的早期故障检测率。与以前的研究不同，我们使用分类算法基于代码更改信息和运行结果分析来指导调度过程。特别是，我们首先使用代码更改信息和先前版本中的运行结果来训练每个测试用例的分类器。然后，我们使用训练有素的分类器来估计新版本中测试用例的故障检测概率。最后，我们根据所有测试用例的故障检测概率生成一个测试用例执行进度报告。为了验证该方法的有效性，我们在Siemens Suite上进行了一项实证研究，其中包括7个用C编程语言编写的真实程序，并选择了一些典型的分类算法，例如决策树分类器，Bayes分类器或最近邻分类器。根据最终结果，我们发现在大多数情况下，我们的方法可以胜过随机方法，然后进一步为使用该方法时实现具有成本效益的测试用例执行时间表提供了指导。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号