随着软件技术、嵌入式技术和网络技术的发展,软件所处的信息空间与人们日常工作生活所处的物理空间日渐融合。能够为用户提供更加方便、高效、快捷的计算服务的信息物理融合系统正在改变人们和软件系统的交互方式。软件作为信息物理融合系统重要的组成部分,其质量不仅影响着信息物理融合系统本身能否提供优质的计算服务,还关乎信息物理融合系统使用者的生命和财产安全(如特斯拉撞车事件、优步撞行人事件等)。软件测试作为一种重要的软件质量保障手段,被广泛使用于各类软件的质量保障中。然而信息物理融合系统软件面临的环境不确定性,为信息物理融合系统软件的测试提出了新的挑战。由于人类对于信息物理融合系统软件所处的物理环境的认知的有限性,环境不确定性在信息物理融合系统软件中是固有存在的。本文认为,环境不确定性对信息物理融合系统软件的测试有如下两大挑战:●其一,环境不确定性使得信息物理融合系统软件无法准确感知其所处的运行环境。感知的不确定性不仅使得现有软件测试方法难以快速、有效地探索信息物理融合系统软件的状态空间,还使得软件测试工程师难以准确判断信息物理融合系统软件的运行是否处于正确状态。●其二,环境不确定性使得软件开发人员无法为信息物理融合系统软件的运行环境提供准确的形式化规约。为了应对规约的不确定性,信息物理融合系统软件大量使用了基于数据驱动的开发模式,即通过使用机器学习算法,基于数据,而非基于软件规约,进行软件开发。由于缺乏判断程序运行是否正确的显示化的软件规约,现有软件测试方法难以被应用于测试基于数据驱动开发的软件。为了应对环境不确定性给信息物理融合系统软件测试带来的挑战,本文在深入分析环境的感知不确定性和规约不确定性分别给软件测试带来的影响之上,提出了一个迭代式的研究框架,用于有效测试受环境不确定性影响的信息物理融合系统软件。该研究框架分别从寻找被测试软件的错误执行,以及整体评估被测试软件的运行质量两个方面对信息物理融合系统软件进行测试。本文的主要创新性贡献如下:●提出了一种基于白盒采样的信息物理融合系统软件测试输入生成技术(SIT)。测试输入生成负责探索被测试程序的状态空间以发现错误执行。在信息物理融合系统软件测试中,程序-环境交互和环境不确定性拓展了程序的输入空间,使得现有测试输入生成难以有效地发现错误执行。SIT方法提出交互式的软件测试输入生成算法框架以及基于白盒采样的空间探索策略,能够有效、快速地探索被测试软件的状态空间。通过使用真实信息物理融合系统软件的实验,该技术在被测试软件失效执行的发现率上显著高于已有软件测试输入生成技术(失效发现率高出22.4-42.2%)。同时,该技术发现被测试软件失效执行的时间效率亦显著高于已有技术(失效发现速度快 66.7-83.3%)。●提出了一种基于多不变式的信息物理融合系统软件测试预言生成技术(CoMID)。测试预言负责判断被测试程序的执行是否出现失效。在信息物理融合系统软件测试中,环境不确定性模糊了对程序正确执行和错误执行的边界的描述和判断,使得现有测试预言难以有效地检测信息物理融合系统软件的异常状态。CoMID方法提出基于上下文的迭代执行分组技术和基于多不变式的异常状态检测技术,能够准确地发现被测试程序执行过程中的异常状态。通过使用真实信息物理融合系统软件的实验,该技术在被测试软件异常状态检测的检测率上要显著高于已有软件测试预言生成技术(检测率高5.7-28.2%)。同时,该技术在被测试软件异常状态检测的误报率上显著低于已有软件测试预言生成技术(误报率低6.8-37.6%)。●提出了一种基于程序自动生成的机器学习软件环境适应性评估技术(SynEva)。信息物理融合系统中广泛使用了机器学习软件,在规约不确定的情况下进行软件开发。机器学习软件面临的无测试预言问题和缺少完美版本的特点使得现有软件测试方法难以对其进行有效的质量评估。SynEva方法提出基于程序生成的镜像生成技术和预测行为相似度度量技术,能够有效地评估机器学习软件从训练环境中提取的知识对预测环境的适应性。这一适应性能够从整体上评估机器学习软件在预测环境中的预测质量。通过使用真实环境数据集的实验,该技术能够准确地评估机器学习软件对于环境的适应性。对于一个给定的机器学习程序,SynEva方法给出的评估值与该程序的环境适应性之间存在很强的负相关关系(相关系数为-0.81)。