变异测试是一种基于故障的软件测试分析技术,它通过向被测程序注入一组人工故障(称为变异体),从而模拟程序的故障行为,并评估测试集的充分性。在实践中,工程师们希望使用无法被传统的结构化覆盖测试检测的变异体,来指导测试用例的生成。这类故障被称为难测变异体。本文提出了 一种基于机器学习的变异测试优化技术。该技术以故障点的程序上下文为特征,通过机器学习技术,从训练样本中学习难测变异体的特征模式,并预测程序中的难测变异体。本文的研究内容包括:(1)定义了故障检测上下文模型:该模型以故障注入位置为中心,通过程序依赖关系,自动识别与变异体检测条件相关的代码位置,为学习模型推断变异体难测程度提供特征依据。(2)提出了故障检测文档模型:该模型将图结构的检测上下文模型,通过规则转换为词序列的文本形式,进而简化学习模型对复杂结构特征数据的处理。(3)设计了面向变异体的表示学习网络:该网络以故障检测文档模型为输入,通过注意力机制和表示学习技术,生成变异体的分布式表示,作为机器学习算法的直接输入。(4)通过一系列的学习模型,如决策树、逻辑回归、神经网络等,自动化地预测被测程序中的难测变异体。为了评估方法的有效性,本文在26个C程序的108000个变异体上开展实验分析。实验结果表明:以故障检测上下文为特征的变异测试优化技术,能有效识别程序中的难测变异体;且在交叉验证和跨工程验证中,机器学习模型取得了较高的分类精准度和召回率,验证了本文方法的有效性。