LEAM++：用于选择性突变故障生成的学习方法

《ACM Transactions on Software Engineering and Methodology》：LEAM++: Learning for Selective Mutation Fault Construction

本文提出LEAM和LEAM++，利用语法指导的编码器-解码器架构和概率语法规则序列，高效构造高质量突变故障。实验表明，LEAM++在效果上优于传统和深度学习方法，显著提升测试优先级、故障定位和缺陷检测，同时效率最优。

　　

摘要

变异故障是变异测试的核心，在许多软件测试任务中得到了广泛应用。因此，高效地构建高质量的变异故障至关重要。为了解决传统变异技术和基于深度学习的变异技术在有效性方面的局限性，我们首先提出了LEAM，该技术采用基于语法规则的编码器-解码器架构，并扩展了语法规则。虽然LEAM显著提升了测试效果，但它没有考虑相关的测试成本。为了进一步提高LEAM的效率，我们提出了LEAM++，该技术引入了一种新的选择性变异故障构建模块，该模块基于语法规则序列的概率以及变异故障之间的相似性来进行故障生成。

我们使用Defects4J对LEAM++进行了全面评估。在有效性方面，测试结果表明，由LEAM++生成的变异故障比两种传统技术（Major和PIT）以及基于深度学习的技术（DeepMutation）更能真实地反映软件中的故障，并显著提升了三种下游应用的效果，包括基于变异的测试用例优先级排序、基于变异的故障定位和基于变异的漏洞检测。在效率方面，LEAM++在三种场景（变异测试、基于变异的测试用例优先级排序和基于变异的故障定位）中均优于其他四种选择性变异测试技术。我们的工作为高效自动化构建变异故障奠定了重要基础。