综述：基于知识图谱引导的变更驱动代码集成路径覆盖测试

本文提出了一种基于知识图谱（Knowledge Graph）引导的变更驱动代码集成路径覆盖测试方法。通过静态分析硬件驱动代码构建知识图谱，挖掘与变更代码关联的实体形成集成目标路径（Integration Target Paths），并采用智能优化算法生成测试用例。实验表明该方法在测试用例生成效率（Efficiency）和有效性（Effectiveness）上分别提升19.08%-24.54%和9%-23%，且知识图谱与路径准确率达100%。

　　

Related work

当前研究主要集中于单元函数内的基目标路径（Basis Target Path）获取方法，包括基于控制流图（Control Flow Diagram）和智能优化算法两类技术。知识图谱在软件测试中的应用多集中于代码关联关系挖掘，但在驱动代码测试领域尚未形成系统方法。测试用例生成方面，遗传算法（Genetic Algorithm）和粒子群优化（Particle Swarm Optimization）等智能算法已被用于基路径覆盖测试，但缺乏面向集成路径的优化模型。

Overall framework

该方法包含三个核心阶段：首先通过静态分析驱动代码提取实体（如函数、变量）及关系（如调用、依赖），构建三元组形式的知识图谱；其次以变更代码为起点，根据预设的起始/终止实体及关系挖掘优先级，生成贯穿多个单元函数的集成目标路径；最后将测试用例生成问题建模为路径覆盖优化问题，采用智能优化算法求解。

Experiments

在开源驱动代码上的实验表明：知识图谱构建准确率达100%，集成路径生成正确率100%。与随机测试、基于基路径的测试相比，本方法在测试用例生成效率（Efficiency）提升19.08%-24.54%，缺陷检测有效性（Effectiveness）提高9%-23%。实验选取的代表性驱动代码包括传感器控制、芯片指令处理等典型硬件操作模块。

The threats to validity

实验威胁主要来自三方面：所选开源驱动代码的局限性可能影响结论普适性；评估指标（如路径覆盖率、缺陷检测率）的设定可能忽略实际应用场景；智能算法参数（如种群大小、迭代次数）的配置对结果存在影响。通过多项目验证和参数调优可在一定程度上缓解这些威胁。

Conclusions and future work

该方法通过知识图谱引导的集成路径测试，有效解决了变更驱动代码的全局风险检测问题。未来工作将拓展知识图谱的实体类型（如并发操作、中断处理），研究跨平台驱动代码的测试用例生成，并探索深度学习技术在路径优先级排序中的应用。

CRediT authorship contribution statement

Baicai Sun: 概念化、资金获取、方法论、原稿撰写；Miao Rong: 验证、数据分析；Gaige Wang: 审阅与监督；Dunwei Gong: 方法论、资源提供。

Declaration of competing interest

作者声明无利益冲突。