Machine Learning Models for Intelligent Test Case Selection

doi:10.1007/978-3-031-97657-5_23

2026-01-01

PRE

Yousof Darwish

Mohammed Al-Refai *

Alzubi, Ahmed

DOI：10.1007/978-3-031-97657-5_23

原文链接

原文求助

摘要

En 中文

回归测试是在每次代码更改后运行测试用例，以确保更改中没有意外的中断。本研究探讨了机器学习在智能测试用例选择中的应用，旨在减少测试工作量同时保持测试有效性。使用从Apache Commons Collections项目提交中提取的测试用例特征数据集，我们研究了四种分类模型的性能：逻辑回归、随机森林、支持向量分类器（SVC）和梯度提升。测试用例选择标签使用Ekstazi回归测试选择技术生成，以指示测试用例是否被选中。模型采用基于提交哈希的分组拆分策略进行训练和评估，以确保与生产环境预期相符的实时性能估计。评估指标包括准确率、精确率、召回率、F1分数、AUC-ROC以及回归测试选择（RTS）指标如安全违规、精确率违规和测试套件缩减。结果表明，梯度提升在测试套件缩减和风险缓解之间取得了良好的平衡，为回归测试背景下的自动化测试用例选择提供了有前景的方法。这项工作突出了机器学习在复制甚至超越Ekstazi等现有技术以优化软件测试流程和提高整体开发效率方面的潜力。

Keyword:

Regression test selection

Java software systems

Ekstazi

Static and dynamic analysis

Machine learning