Metamorphic testing alleviates the test oracle problem by defining oracles based on relations (i.e., metamorphic relations) that govern multiple related inputs and their expected outputs. However, designing MRs requires domain-specific knowledge, which may not be generally available. This hinders the widespread adoption of MT. Fortunately, we observe that developers often embed such domain knowledge that encodes MRs in test cases, even without the awareness of metamorphic testing. These encoded MRs might be generalized and useful for testing the original programs (where these MRs are found) and other programs with similar functionalities. In this paper, we propose MR-Extractor, to automatically discover metamorphic relations from existing test cases in open-source software (OSS) projects. MR-Extractor firstly identifies MR-encoded test cases in OSS, and then generalizes encoded MRs and codifies them into parameterized methods (called codified MR) for MT. Finally, MR-Extractor validates the reusability of codified MRs for new test generation. Experimental results show that (i) over 12,000 MR-encoded test cases are identified by MR-Extractor, accounting for 1.26% of the total test cases, and (ii) test cases constructed from the MRs discovered by MR-Extractor can effectively improve test coverage. Compared with developer-written test suites, codified-MR-based test suites leads to a 25.97% and 25.83% increase in the line coverage and mutation score. When compared with Evosuite-generated test suites, codified-MR-based test suites even achieves an 83.11% increase in mutant score.


翻译:变形测试通过定义控制多个相关输入及其预期输出的关系(即变形关系),缓解了测试准则问题。但是,设计变形关系需要领域特定知识,这些知识可能并不普遍存在。这影响了变形测试的广泛采用。幸运的是,我们观察到开发人员通常会在测试用例中嵌入这种编码的领域知识,而不需要了解变形测试。这些编码的变形关系可以被概括,并且对于测试原始程序(其中包含这些变形关系)和具有类似功能的其他程序非常有用。在本文中,我们提出了MR-Extractor,以从开源软件(OSS)项目中的现有测试用例中自动发现变形关系。 MR-Extractor首先识别OSS中的MR编码的测试用例,然后将编码的MR概括并将其编码为MT的参数化方法(称为编码MR)。最后,MR-Extractor验证了编码MR的可重用性,以进行新测试生成。实验结果表明,(i)MR-Extractor识别了超过12,000个MR编码的测试用例,占总测试用例的1.26%,(ii)从MR-Extractor发现的MR构造的测试用例可以有效提高测试覆盖率。与开发人员编写的测试套件相比,基于编码-MR的测试套件引导线路覆盖率和易变得分分别增加了25.97%和25.83%。与Evosuite生成的测试套件相比,基于编码-MR的测试套件甚至取得了83.11%的突变得分增加。

0
下载
关闭预览

相关内容

磁流变(Magnetorheological,简称MR)材料是一种流变性能可由磁场控制的新型智能材料。由于其响应快(ms量级)、可逆性好(撤去磁场后,又恢复初始状态)、以及通过调节磁场大小来控制材料的力学性能连续变化,因而近年来在汽车、建筑、振动控制等领域得到广泛应用。
【AAAI2021】知识图谱增强的预训练模型的生成式常识推理
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
论文浅尝 | Language Models (Mostly) Know What They Know
开放知识图谱
0+阅读 · 2022年11月18日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
RoBERTa中文预训练模型:RoBERTa for Chinese
PaperWeekly
57+阅读 · 2019年9月16日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年6月1日
Arxiv
12+阅读 · 2023年1月19日
Arxiv
15+阅读 · 2021年11月19日
VIP会员
相关VIP内容
【AAAI2021】知识图谱增强的预训练模型的生成式常识推理
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员