本文關鍵詞：基于數(shù)據(jù)挖掘的軟件錯誤定位方法研究

  更多相關文章： 軟件調(diào)試 錯誤定位 動態(tài)切片 關聯(lián)分析 聚類分析

【摘要】：近年來,社會發(fā)展對軟件測試和調(diào)試技術提出了新的挑戰(zhàn)。不斷變化的環(huán)境和需求對軟件系統(tǒng)提出了更高的要求,保證軟件質(zhì)量變得至關重要。目前,軟件調(diào)試是保證軟件質(zhì)量最主要的手段之一,而錯誤定位是軟件調(diào)試中最為耗時費力的活動之一。錯誤定位旨在找到隱含在程序源代碼中的錯誤指令、過程或數(shù)據(jù)定義。它可以提高軟件質(zhì)量、降低軟件調(diào)試成本。因此,研究軟件錯誤定位具有重要意義。軟件錯誤定位是近年來國內(nèi)外研究的熱點,具有重要科學意義和應用前景。到目前為止,軟件錯誤定位方法還不夠完善,存在如下問題:(1)錯誤定位精度有待進一步提高。大多數(shù)錯誤定位方法,利用統(tǒng)計理論對定位結果進行了精煉,只在一定程度上提高了錯誤定位的精度。(2)較少考慮偶然正確性測試用例對錯誤定位效率的影響,偶然正確性測試用例會使錯誤定位效率下降。(3)已有的方法在軟件中存在多個錯誤時的定位效果不理想,開發(fā)人員較難高效地同時定位出軟件中存在的多個錯誤。針對上述問題,本文從程序切片分析入手并結合數(shù)據(jù)挖掘技術進行軟件錯誤定位研究。首先,研究基于關聯(lián)分析及排序策略的錯誤定位方法;其次,研究偶然正確性測試用例對錯誤定位效率的影響,從理論角度進行了分析,并提出偶然正確性測試用例識別方法;最后,針對軟件中存在多錯誤的問題,提出多錯誤定位方法。本文的主要工作和貢獻總結如下:(1)提出了基于關聯(lián)分析及排序策略的錯誤定位方法FLAR(Fault Localization based on Association analysis and Rank strategy)以及改進方法DS-FLAR(Dynamic Slicing-Fault Localization based on Association analysis and Rank strategy)。采用關聯(lián)分析技術能夠反映出程序執(zhí)行軌跡中語句與執(zhí)行結果之間的關聯(lián)關系,然后利用本文設計的排序策略對關聯(lián)分析后的語句進行排序,生成錯誤定位報告。實證研究表明,FLAR方法錯誤定位效果較好。另外,我們提出改進的動態(tài)切片方法,用于更好地縮小錯誤定位的范圍,從而優(yōu)化FLAR方法,最終提出一種基于動態(tài)切片、關聯(lián)分析及排序策略相結合的錯誤定位方法DS-FLAR。實驗結果表明DS-FLAR定位效果優(yōu)于FLAR方法、以及其它對比方法。(2)針對偶然正確性問題,提出了錯誤定位效率受偶然正確性測試用例影響的理論分析框架。通過將懷疑度計算公式看成是程序元素的四元組表示形式中變量(成功測試用例覆蓋程序元素的次數(shù))的函數(shù),采用對函數(shù)求導的方式來分析偶然正確性測試用例對不同懷疑度計算公式效率的影響。基于上述框架,理論分析了偶然正確性測試用例對30個經(jīng)典懷疑度計算公式效率的影響。此研究工作是偶然正確性測試用例對錯誤定位效率影響的有益理論探索,為在軟件錯誤定位時移除偶然正確性測試用例提供理論依據(jù)。(3)針對偶然正確性影響錯誤定位效率的問題,提出了面向有效錯誤定位的偶然正確性測試用例識別方法。該方法首先識別偶然正確性元素,應用懷疑度計算公式計算程序元素懷疑度,挑選出高可疑偶然正確性元素作為偶然正確性特征元素;然后,根據(jù)該特征元素對程序執(zhí)行軌跡進行維度約簡,并進一步建立基于模糊c均值聚類的偶然正確性測試用例識別模型;最后,將其結果應用于錯誤定位。應用該方法在3組測試程序上進行偶然正確性測試用例識別,在此基礎上,采用4種錯誤定位方法開展錯誤定位,比較移除偶然正確性測試用例對錯誤定位效率的影響。實驗結果表明,與基于k-means聚類的偶然正確性測試用例識別方法相比,該方法在偶然正確性測試用例識別方面具有較低的誤報率和漏報率,更能提高錯誤定位的效率。(4)針對軟件中存在多個錯誤的問題,提出了基于Chamelelon聚類分析的多錯誤定位方法。該方法首先將每一個失敗程序執(zhí)行軌跡和所有成功程序執(zhí)行軌跡合并,計算其懷疑度,按懷疑度大小選取高可疑元素作為程序執(zhí)行軌跡的特征元素,按照該特征元素對失敗程序執(zhí)行軌跡進行約簡;其次,在此基礎上,聚類分析技術將失敗程序執(zhí)行軌跡分簇,使得每簇包含一個錯誤;然后,將失敗程序執(zhí)行軌跡簇與所有成功程序執(zhí)行軌跡簇合并,計算其懷疑度;最后,根據(jù)合并后的簇生成的懷疑度序列,采用并行調(diào)試模式同時定位程序中的多個錯誤。實證研究表明該方法能有效地定位程序中的多個錯誤。
【關鍵詞】：軟件調(diào)試 錯誤定位 動態(tài)切片 關聯(lián)分析 聚類分析
【學位授予單位】：中國礦業(yè)大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP311.53;TP311.13
【目錄】：

• 致謝4-5
• 摘要5-7
• Abstract7-10
• Extended Abstract10-23
• 變量注釋表23-24
• 1 緒論24-37
• 1.1 研究背景及意義24-25
• 1.2 國內(nèi)外研究現(xiàn)狀25-31
• 1.3 存在問題31-32
• 1.4 研究內(nèi)容32-35
• 1.5 論文結構35-36
• 1.6 本章小結36-37
• 2 錯誤定位及相關理論37-49
• 2.1 問題描述37
• 2.2 錯誤定位框架37-41
• 2.3 程序切片41-43
• 2.4 數(shù)據(jù)挖掘43-48
• 2.5 本章小結48-49
• 3 基于關聯(lián)分析及排序策略的錯誤定位方法49-63
• 3.1 引言49-50
• 3.2 錯誤定位方法50-57
• 3.3 實驗評估57-62
• 3.4 本章小結62-63
• 4 基于動態(tài)切片和關聯(lián)分析的錯誤定位方法63-80
• 4.1 引言63-64
• 4.2 研究動機64-65
• 4.3 錯誤定位方法65-69
• 4.4 實驗評估69-79
• 4.5 本章小結79-80
• 5 錯誤定位效率受偶然正確性測試用例影響理論分析80-95
• 5.1 引言80-81
• 5.2 偶然正確性相關定義81-82
• 5.3 研究動機82-84
• 5.4 理論分析框架84-85
• 5.5 實例研究85-94
• 5.6 本章小結94-95
• 6 面向有效錯誤定位的偶然正確性測試用例識別方法95-114
• 6.1 引言95-96
• 6.2 問題描述96-97
• 6.3 偶然正確性測試用例識別方法97-99
• 6.4 實驗評估99-113
• 6.5 本章小結113-114
• 7 基于Chameleon聚類分析的多錯誤定位方法114-129
• 7.1 引言114-115
• 7.2 問題描述115
• 7.3 基于聚類分析的多錯誤定位115-118
• 7.4 實驗評估118-128
• 7.5 本章小結128-129
• 8 總結與展望129-131
• 8.1 論文工作總結129-130
• 8.2 展望130-131
• 參考文獻131-143
• 作者簡歷143-146
• 學位論文數(shù)據(jù)集146

，

本文編號：944568