变异测试是一种评估和改进测试套件质量的重要技术,对保证软件质量起着关键作用。但变异测试中一直存在因大量变异体导致测试执行成本过高、变异测试效率较低的问题。预测变异测试是一种在不需要测试套件执行变异体的情况下,直接利用机器学习方法来预测新变异体是否被杀死的方法。此方法可以显著降低执行变异体成本,提高变异测试效率。因此本文从预测变异测试出发,提出了一种基于无偏差最优特征和优化集成学习的预测变异测试方法。本文主要贡献如下。首先,此方法从变异体来源、产生和执行三个层次进行分析,探究变异体衍生相关特征对预测变异测试性能的影响。在传统的变异体特征基础上,设计了6个密切与变异体产生相关的特征。针对数据集中高维特征问题,本文提出了基于多层次特征的无偏差最优特征子集构建的方法。该方法首先利用特征重要性分析和斯皮尔曼系数分析特征与标签间的重要性排名和特征之间的秩相关系数来消除噪声特征和冗余特征,再利用随机森林筛选出无偏差最优特征子集。该方法既可以减少特征维度,也可提高数据质量。其次,在预测变异测试中,单一分类器构建的模型存在泛化性较差、预测性能在不同的评价指标中差异较大的问题。本文提出一种基于优化集成学习的方法。该方法首先选择预测性能整体较好的随机森林和卷积神经网络两种基分类器来构建优化集成学习的预测变异测试模型。接着先对基分类器进行参数设置与优化,再利用权重优化方法寻找基分类器最优权重系数。最后根据最优权重系数对每个基分类器进行加权投票集成,得到最终预测变异测试模型预测结果。该方法既可提高模型预测性能,也可增加分类器的多样性。最后,在10个开源的Java项目上进行实验,采用了5项评价指标:准确率、精确率、召回率、F1分数和AUC,对本文提出的方法进行了实验验证和有效性分析。首先在新增6个特征的有效性实验中,与当前主流的基线方法相比较,在准确率和AUC上都有较大的提升。然后在无偏差最优特征子集的有效性实验中,对比实验中的五个评价指标上基本都提高了预测变异测试性能。并且在构建的无偏差最优特征子集中,本文新增的6个特征中有5个在其中。最后在优化集成学习的有效性实验中,与最先进的方法相比时,其准确率、精确率、召回率、F1分数和AUC上均有提升,分别是0.12,0.14,0.15,0.16和0.20。综上所述,本文提出的预测变异测试方法能有效地提高预测变异测试性能。