초록
적응적 랜덤 테스팅 (Adaptive Random Testing, ART)은 입력 도메인 내의 오류 패턴을 순수 랜덤 테스팅 (Random Testing, RT)보다 좋은 효율로 찾아내기 위해 고안된 테스트 케이스 선택 알고리즘이다. 대표적인 ART 기법인 거리 기반 ART (Distance-based ART, D-ART)와 제한 영역 기반 ART (Restricted Random Testing, RRT) 둥은 좋은 성능을 보이기는 하지만, 테스트 케이스 선택에 필요한 많은 양의 거리 계산으로 인한 느린 테스트 케이스 생성과 거리 기반 방식의 사용으로 인한 테스트 케이스 분포의 불균일성이라는 단점을 가진다. 반복 분할 기반 ART (ART through Iterative Partitioning, IP-ART)는 입력 도메인을 반복 분할하는 방식을 통해 D-ART와 RRT가 가진 계산 부하를 크게 감소시켰다. 하지만 IP-ART의 경우에도 테스트 케이스 분포 문제는 여전히 존재하여 기법의 확장 적용에 대한 장애 요소로 작용하고 있다. 따라서 본 논문에서는 이와 같은 IP-ART의 단점 완화 및 성능 개선을 위한 방법을 제안하고, 실험을 통해 평균 9% 정도의 성능 향상을 확인하였다.
An Adaptive Random Testing (ART) is one of test case generation algorithms that are designed to detect common failure patterns within input domain. The ART algorithm shows better performance than that of pure Random Testing (RT). Distance-bases ART (D-ART) and Restriction Random Testing (RRT) are well known examples of ART algorithms which are reported to have good performances. But significant drawbacks are observed as quadratic runtime and non-uniform distribution of test case. They are mainly caused by a huge amount of distance computations to generate test case which are distance based method. ART through Iterative Partitioning (IP-ART) significantly reduces the amount of computation of D-ART and RRT with iterative partitioning of input domain. However, non-uniform distribution of test case still exists, which play a role of obstacle to develop a scalable algerian. In this paper we propose a new ART method which mitigates the drawback of IP-ART while achieving improved fault-detection capability. Simulation results show that the proposed one has about 9 percent of improved F-measures with respect to other algorithms.