paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Defect prediction guided search-based software testing

缺陷预测引导的基于搜索的软件测试
ASE Proceedings of the 35th IEEE/ACM International Conference on Automated Software Engineering2020匹配度 4/10 · 论文将缺陷预测用于搜索式测试生成，属于机器学习与软件工程/程序语言交叉，但与用户核心方向（面向 ML/Agentic 程序的静态分析、LLM/Agent 辅助静态分析或形式化验证、浮点程序分析、贝叶斯程序分析）无直接关联。引用 16 inbox
Anjana Perera, Aldeida Aleti, Marcel Böhme, Burak Turhan
测试、调试与修复机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：提出由缺陷预测引导的搜索式测试生成，按代码缺陷可能性分配测试预算。

当前多数自动化测试生成器，尤其是基于搜索的软件测试（SBST），以最大化代码覆盖率为主，但在有限测试预算下，高覆盖率并不能保证发现更多缺陷。本文提出一种受缺陷预测引导的自动化测试生成技术：先估计源代码不同部分的缺陷程度，再将更多测试预算分配给更可能含有缺陷的代码区域。缺陷程度通过著名缺陷预测技术 Schwa 度量，从而使测试资源分配与缺陷倾向对齐。摘要未报告具体实验规模和缺陷发现提升幅度，其核心贡献在于将缺陷预测信号引入 SBST 的搜索目标与预算分配。

问题
在有限测试预算下，仅追求高代码覆盖率的自动化测试生成（如 SBST）不足以最大化缺陷发现数量。
方法
利用 Schwa 估计源代码各部分的缺陷程度，并据此把更多测试预算分配给更可能缺陷的代码区域，以引导自动化测试生成。
评估
摘要未给出具体评估细节与结果；论文提出的是缺陷预测引导的 SBST 技术。
原文摘要（Abstract）

Today, most automated test generators, such as search-based software testing (SBST) techniques focus on achieving high code coverage. However, high code coverage is not sufficient to maximise the number of bugs found, especially when given a limited testing budget. In this paper, we propose an automated test generation technique that is also guided by the estimated degree of defectiveness of the source code. Parts of the code that are likely to be more defective receive more testing budget than the less defective parts. To measure the degree of defectiveness, we leverage Schwa, a notable defect prediction technique.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot5925,
  title = {Defect prediction guided search-based software testing},
  author = {Anjana Perera and Aldeida Aleti and Marcel Böhme and Burak Turhan},
  booktitle = {ASE},
  year = {2020},
  doi = {10.1145/3324884.3416612}
}