A cooperative strategy for diagnosing the root causes of quality requirement violations in multiagent systems
针对现有多智能体系统质量需求违规诊断方案集中僵化的问题，提出一种智能体协作的根因诊断策略，含交互协议与算法，经面向服务系统验证可准确识别故障源并辅助选优应对措施。
2024-04-18 cs.SE
Regression Testing in Remote and Hybrid Software Teams: An Exploratory Study of Processes, Tools, and Practices
CESAR School（CESAR学院）；UFRPE（巴西雷西夫联邦大学）；University of Calgary（卡尔加里大学）
本研究探讨远程和混合团队中回归测试的流程、工具和实践，发现其依赖文档、自动化和工具集成来支持异步协作，揭示了回归测试作为社会技术实践的演变。
2026-03-08 cs.SE
Locally Weighted Regression with different Kernel Smoothers for Software Effort Estimation
估计软件工作量几十年来一直是一个很大程度上未解决的问题。阻碍建立准确的估计模型的主要原因之一是具有复杂结构的软件数据的异质性。通常，从本地数据构建工作量估计模型往往比使用整个数据更准确。以前的研究集中在使用聚类技术和决策树来生成本地和连贯的数据，可以帮助建立本地预测模型。然而，这些方法可能会在某些方面有所不足，由于在寻找最佳聚类和处理噪声数据的限制。在本文中，我们使用了一种更复杂的局部性方法，可以减轻这些缺点，即局部加权回归（LWR）。该方法通过在基于k-近邻的模型中建立多个局部回归模型的估计模型，为从局部数据中学习提供了一种有效的解决方案。影响该方法精度的主要因素是用于推导局部回归模型权重的核函数的选择。本文研究了选择不同的核函数对软件工作量估计问题的局部加权回归性能的影响。通过对7个数据集、10个核、3个多项式次数和4个带宽值共840个局部加权回归变量的综合实验，我们发现：1）均匀核函数并不能优于非均匀核函数; 2）核类型、多项式次数和带宽参数对估计精度没有特定影响。
2022-09-12 cs.SE
Systematic Detection of Energy Regressions in Software Version Histories
University of Namur（那慕尔大学）；Delft University of Technology（代尔夫特理工大学）
本文提出EnergyTrackr方法，通过对5个Java项目1932次提交的评估，验证其可高效检测提交间能量退化，二分算法效率优于线性算法，可助力开发者优化软件能耗。
2026-10-14 cs.SE
Software Effort Estimation using Radial Basis and Generalized Regression Neural Networks
软件开发工作量估算是软件项目管理中最重要的活动之一。已经提出了一些模型来构建软件规模和工作量之间的关系，但我们仍然有问题的努力估计。这是因为在项目初始阶段获得的项目数据往往不完整、不一致、不确定和不清楚。在软件行业中，准确的工作量估计仍然是一个挑战。人工神经网络模型更适合这种情况。本文研究了基于人工神经网络的软件工作量估算模型。这些模型的目的是提高网络的性能，适合COCOMO模型。人工神经网络模型使用径向基和广义回归。基于COCOMO 81数据库的案例研究比较了所提出的神经网络模型与中间COCOMO。采用MMRE、MARE、VARE、平均BRE和预测五种不同的评价标准对结果进行分析。据观察，径向基神经网络提供了更好的结果
2010-07-26 cs.SE
Software Development Effort Estimation Using Regression Fuzzy Models
软件工作量估算在项目管理中起着至关重要的作用。错误的结果可能导致高估或低估工作量，这可能对项目资源造成灾难性的后果。机器学习技术在该领域越来越受欢迎。特别是模糊逻辑模型，被广泛用于处理不精确和不准确的数据。本研究的主要目标是设计和比较三种不同的模糊逻辑模型来预测软件估计工作量：Mamdani，Sugeno与恒定输出和Sugeno与线性输出。为了帮助设计的模糊逻辑模型，我们进行了回归分析，一种方法，我们称之为回归模糊逻辑。采用最先进的无偏性能评估标准，如标准化准确度、效应量和平均平衡相对误差，以及统计检验来评估模型。使用来自国际软件基准标准组（ISBSG）数据集的工业项目对模型进行了训练和测试。结果表明，数据异方差影响模型的性能。发现模糊逻辑模型对异常值非常敏感。我们的结论是，当使用回归分析来设计模型时，具有线性输出的Sugeno模糊推理系统优于其他模型。
2019-02-10 cs.SE
Evaluating Change Point Detection Methods for Software Performance Regression Analysis
Concordia University（康考迪亚大学）；University of L’Aquila（拉奎拉大学）；SAP（思爱普）；Oracle（甲骨文）；University of Würzburg（维尔茨堡大学）；Charles University（查理大学）；University of Hamburg（汉堡大学）
本文评估十二种变点检测方法在真实软件性能数据上的准确性，揭示其在性能回归分析中的适用性与有效性。
2026-10-08 cs.SE
Ensemble Regression Models for Software Development Effort Estimation: A Comparative Study
University of Pernambuco（伯南布哥大学）
随着对计算机软件的需求不断增加，软件的范围和复杂性变得比以往任何时候都高。软件行业确实需要对正在开发的项目进行准确的评估。软件开发工作量估算是软件项目管理的主要过程之一。然而，高估和低估都可能导致软件产业的损失。这项研究确定了哪种技术具有更好的努力预测精度，并提出了组合技术，可以提供更好的估计。基于平均绝对残差（MAR）准则和统计检验，对8种不同的集成模型进行了比较。结果表明，所提出的集成模型，除了提供高效率相比，它的同行，并产生最佳的响应软件项目的努力估计。因此，在这项研究中提出的集成模型将有助于项目经理与开发质量的软件。
2020-07-03 cs.AI cs.SE
Agile Software Effort Estimation using Regression Techniques
Addis Ababa University（亚的斯亚贝巴大学）
本研究针对敏捷软件开发工作量估算问题，基于故事点方法结合LASSO与Elastic Net回归技术构建估算模型，经21个项目实验验证LASSO回归预测性能更优。
2025-10-06 cs.AI cs.SE
Rapid Regression Detection in Software Deployments through Sequential Testing
持续部署的实践使公司能够通过提高软件部署的速度来缩短上市时间。但是，更频繁地部署会带来偶尔发布有缺陷的更改的风险。对于互联网公司来说，这有可能降低用户体验，增加用户放弃。因此，质量控制门是软件交付过程的重要组成部分。这些用于建立对发布或变更可靠性的信心。为此，一种常见的方法是执行金丝雀测试来评估生产工作负载下的新软件。尽早检测缺陷对于减少曝光和向开发人员提供即时反馈是必要的。我们提出了一个统计框架，用于快速检测软件部署中的回归。我们的方法是基于随机顺序和平等分布的顺序测试。这使得金丝雀测试能够被连续监控，允许回归被快速检测，同时严格控制整个错误检测概率。这种方法的实用性是基于Netflix的两个案例研究。
2022-06-22 cs.SE stat.AP
Use Case Point Approach Based Software Effort Estimation using Various Support Vector Regression Kernel Methods
Department of Computer Science（计算机科学系）
在软件开发生存周期的早期阶段，当需求的细节通常没有被清楚地识别时，软件工作量估计是一项关键的工作。各种优化技术有助于提高工作量估计的准确性。支持向量回归（SVR）是几种不同的软计算技术之一，有助于获得最佳估计值。SVR的思想基于在高维特征空间中计算线性回归函数，其中输入数据经由非线性函数映射。此外，SVR核方法可以应用于变换输入数据，然后基于这些变换，可以获得可能输出之间的最佳边界。本文研究工作的主要目的是利用用例点方法来估计软件工作量。用例点方法依赖于用例图来估计软件项目的规模和工作量。然后，尝试优化使用各种SVR核方法从用例点分析获得的结果，以实现更好的预测精度。
2014-01-15 cs.LG cs.SE
Can We Spot Energy Regressions using Developers Tests?
软件能耗（SEC）越来越受到人们的关注。在本文中，我们解决的问题，提示开发人员对他们的程序SEC的软件开发的背景下，基于持续集成（CI）。在这项研究中，我们调查CI是否可以利用开发人员的测试来执行一类新的测试：能量回归测试。能量回归类似于性能回归，但侧重于程序的能量消耗，而不是标准的性能指标，如执行时间或内存消耗。我们建议对开发人员测试在能量回归测试中的使用进行探索性研究。我们建议首先研究开发人员的测试是否可以用于获得稳定的SEC指标。然后，考虑比较两个版本之间的开发人员测试的SEC是否可以准确地发现由自动化程序突变引入的能量回归。最后，评估它是否可以成功地查明源代码行有罪的能量回归。我们的研究将为自动化的SEC回归工具铺平道路，这些工具可以很容易地部署在现有的CI基础设施中，以提高从业人员对SEC问题的认识。
2021-08-12 cs.PF cs.SE
Software Effort Estimation with Ridge Regression and Evolutionary Attribute Selection
University of Cyprus（塞浦路斯大学）；Frederick University（弗雷德里克大学）；Cyprus University of Technology（塞浦路斯理工大学）
针对软件成本估算中属性选择依赖经验且传统方法不准确的问题，本文提出结合岭回归与遗传算法的混合模型，自动选择成本驱动因素，并在高维数据集上验证了消除冗余属性可提高估算精度。
2010-12-28 cs.AI cs.LG cs.SE
Three-Stage Adjusted Regression Forecasting (TSARF) for Software Defect Prediction
针对传统NHPP类软件可靠性增长模型适应性差、机器学习方法受限于缺陷数据样本不足的问题，提出面向软件缺陷预测的三阶段调整回归预测方法TSARF。
2024-01-31 cs.SE cs.SY eess.SY
RANalyzer: Automated Continuous RAN Software Evaluation and Regression Analysis
Northeastern University（东北大学）
本文提出RANalyzer框架，通过结合LLM语义提取与残差分析，量化软件更新对性能的影响，利用大规模测试数据识别代码变更导致的性能退化并实现自动化评估。
2026-04-25 cs.NI cs.SE
Identifying and Replicating Code Patterns Driving Performance Regressions in Software Systems
本研究通过文献回顾和挖掘真实代码变更模式，提出并评估新的性能变异算子，以增强性能测试套件检测性能回归的能力。
2025-04-08 cs.SE
Managing Object-Oriented Integration and Regression Testing
面向对象软件的系统测试比传统软件的测试要复杂得多。特别是高度增量和迭代的开发周期需要更多的更改和部分实现。重新实现的类。在开发过程中，必须进行更多的集成和回归测试，以达到稳定的阶段。在这个演示文稿中，我们提出了一个图表捕捉所有可能的依赖关系和面向对象的程序中的相互作用。然后，我们给出了算法和覆盖标准，以确定集成响应。回归测试策略和所有测试用例将在一些实施后执行。修改活动。最后总结了一些实践经验和体会。
1999-02-05 cs.SE
v-SVR Polynomial Kernel for Predicting the Defect Density in New Software Projects
Universidad de Guadalajara（瓜达拉哈拉大学）；Applied Science Private University（应用科学私立大学）；University of Sharjah（沙迦大学）；University of Detroit Mercy（底特律梅西大学）
确定软件过程有效性的一个重要产品度量是缺陷密度（DD）。在这项研究中，我们提出了应用支持向量回归（SVR）来预测从国际软件基准标准组（ISBSG）2018年发布的数据集获得的新软件项目的DD。两种类型的支持向量机（e-SVR和v-SVR）被用于训练和测试这些项目。每个SVR使用四种类型的内核。将每个SVR的预测准确度与统计回归的预测准确度进行比较（即，简单线性回归（SLR）。统计显著性检验表明，在大型机上开发新的软件项目并使用第三代程序设计语言编码时，多项式核的v-SVR优于SLR
2018-12-15 cs.LG cs.SE
An Exploratory Study on Regression Vulnerabilities
背景：安全回归是在以前未受影响的软件系统中引入的漏洞。它们通常是由于源代码更改而发生的（例如，bug修复）并且可能具有严重的影响。目的：增加对安全回归的理解。这是发展安全软件工程的重要一步。方法：我们对Mozilla进行了探索性的混合方法案例研究。首先，我们分析了78个回归漏洞和72个bug报告，其中一个bug修复在Mozilla中引入了回归漏洞。我们调查了开发人员如何在这些错误报告中进行交互，他们如何执行更改，以及在什么条件下他们引入回归漏洞。其次，我们对参与可扩展性诱导bug修复的尽可能多的Mozilla开发人员进行了五次半结构化访谈。结果：漏洞修复期间未讨论软件安全性。开发人员主要关心的是当前bug的复杂性和社区修复它的压力。此外，开发人员不必担心回归漏洞，并假设工具会检测到它们。事实上，动态分析工具帮助发现了Mozilla大约30%的回归漏洞。结论：这些结果提供的证据表明，虽然工具支持有助于识别回归漏洞，但它可能不足以确保漏洞修复期间的安全性。此外，我们的研究结果需要进一步研究安全工具支持以及如何在错误修复期间集成它们。数据和材料：https://doi.org/10.5281/zenodo.6792317
2022-07-05 cs.SE
Systematic Detection of Energy Regression and Corresponding Code Patterns in Java Projects
University of Namur（南纳穆尔大学）；Delft University of Technology（代尔夫特理工大学）
本文提出EnergyTrackr方法，用于检测Java项目中多提交的能源回归，识别潜在增加软件能耗的代码反模式，帮助开发者优化代码以减少能耗。
2026-04-21 cs.SE
Fail Fast - Fail Often: Enhancing Agile Methodology using Dynamic Regression, Code Bisector and Code Quality in Continuous Integration (CI)
敏捷实践作为传统软件开发方法的替代方案，正受到业界的广泛关注。然而，在将敏捷[2]与测试驱动开发（TDD）[10]实践、云部署、持续集成（CI）、不间断性能、负载、安全和可访问测试相结合方面存在许多挑战。在这些挑战中，持续集成是一种在软件测试中被广泛讨论和实践的方法。本文描述了一种在持续集成中使用代码质量、代码平分线和动态回归来改进敏捷方法的方法。用于此分析、设计和开发的工具集是Jenkins、Robot Framework [4]、Perforce和Git。
2015-06-29 cs.SE
DeepDiagnosis: Automatically Diagnosing Faults and Recommending Actionable Fixes in Deep Learning Programs
Iowa State University（爱荷华州立大学）
深度神经网络（DNN）被用于各种各样的应用中。然而，与任何软件应用程序一样，基于DNN的应用程序也存在漏洞。以前的工作观察到DNN错误修复模式与传统的错误修复模式不同。此外，这些有缺陷的模型是不平凡的诊断和修复，由于不明确的错误，有几个选项来修复它们。为了支持开发人员定位和修复错误，我们提出了DeepDiagnosis，这是一种新的调试方法，可以定位故障，报告错误症状并为DNN程序提供修复建议。在第一阶段，我们的技术监控训练模型，定期检查八种类型的错误条件。然后，在出现问题的情况下，它会报告包含足够信息的消息，以对模型执行可操作的修复。在评估中，我们彻底检查了444个模型-53个来自GitHub和Stack Overflow的真实世界，391个由AUTOTRAINER策划。与UMLUAT和DeepLocalize相比，DeepDiagnosis提供了更高的准确性。我们的技术比AUTOTRAINER更快的故障定位。结果表明，我们的方法可以支持其他类型的模型，而最先进的只能处理分类的。我们的技术能够报告在训练过程中不表现为数值错误的错误。此外，它可以为修复提供可操作的见解，而DeepLocalize只能报告在训练期间导致数值错误的错误。与其他方法相比，DeepDiagnosis表现出故障检测，错误定位和症状识别的最佳功能。
2021-12-07 cs.LG cs.SE
ComReg: A Complex Network Approach to Prioritize Test Cases for Regression Testing
执行回归测试是为了确保软件某个部分的变更不会影响软件的其他部分。执行所有现有的测试用例是重新建立这种信心的最佳方式。然而，回归测试是一个昂贵的过程-可能没有足够的资源（例如，时间、劳动力），以允许重新执行所有测试用例。回归测试优先级技术试图根据一些标准对回归测试套件进行重新排序，以便更早地执行最高优先级的测试用例。在这项研究中，我们希望优先级测试用例的回归测试的依赖网络的基础上的故障。在软件测试中，一些故障是其他故障（引导故障）的后果是很常见的。此外，当且仅当前导故障已被移除时，相关故障才能被移除。我们的目标是确定测试用例的优先级，以便在系统测试阶段暴露主要故障（故障依赖网络中最核心的故障）的测试用例在回归测试中首先执行。我们提出了ComReg，一个基于故障依赖网络的测试用例优先级排序技术。我们将故障依赖网络建模为有向图，并识别出主要故障，以确定回归测试用例的优先级。我们使用的中心性聚合技术，认为六个网络代表中心性指标，以确定故障依赖网络中的领先故障。我们还讨论了使用故障社区从优先回归测试套件中选择任意百分比的测试用例。我们进行了案例研究，评估所提出的方法的有效性和适用性。
2014-11-26 cs.SE
When Regression Verification Meets CEGAR
软件系统在其生存周期中不断演化。许多修订是随着时间的推移而产生的。对软件的每个修订版本进行模型检验是不切实际的。回归验证建议重复使用先前验证运行的中间结果。本文提出了一种全自动的回归验证技术的背景下CEGAR。过程摘要描述了过程的输入/输出行为，被建议作为中间结果进行重用。过程摘要存储起来相当小，在技术上易于处理，并且不需要太多额外的计算工作就可以重用。重复使用过程摘要可以节省对相应过程的大量分析工作。通过结合回归验证和CEGAR，我们提出了一种技术，能够重用过程摘要在不同的抽象精度和不同的程序修订。我们对大量的工业程序（89个Linux内核设备驱动程序的534个版本）进行了广泛的实验。实验结果表明，该方法可以显著提高回归验证的性能.
2018-06-13 cs.SE
Detecting Performance-Relevant Changes in Configurable Software Systems
Saarland University（萨尔兰大学）；Leipzig University（莱比锡大学）
ConfFLARE通过识别数据流交互和相关软件特性，有效减少性能测试成本，准确检测性能退化。
2025-11-21 cs.SE
Automated Regression Unit Test Generation for Program Merges
将其他分支合并到当前工作分支中在协作软件开发中很常见。然而，开发人员仍然严重依赖文本合并工具来处理复杂的合并任务。潜在的语义合并冲突可能无法被检测到，并降低软件质量。回归测试能够防止回归错误，在实际软件开发中得到了广泛的应用。然而，合并后的软件可能无法很好地检查重新运行现有的整个测试套件。直观地说，如果测试套件未能同时覆盖不同分支的更改，则合并冲突将无法被检测到。最近，有人提出对3路合并进行验证，但这种方法甚至不支持一些常见的情况，例如对程序的不同部分进行不同的更改。在本文中，我们提出了一种回归单元测试生成方法，专门用于检查程序合并，根据我们提出的测试预言。我们的通用测试预言机不仅支持我们检查3路合并，还支持2路合并和章鱼合并。考虑到项目中除了方法变更外，其他位置也可能出现冲突，本文设计了一种基于项目整体依赖性分析的UUT选择算法。在此基础上，我们实现了一个工具TOM来生成Java程序合并的单元测试。我们还设计了由389个冲突3路合并和389个冲突八达通合并组成的基准MCon 4J，以促进对该主题的进一步研究。实验结果表明，TOM发现了45个冲突的3路合并和87个冲突的章鱼合并，而基于验证的工具无法工作的MCon 4J。
2020-02-29 cs.SE
TEASER: Simulation-based CAN Bus Regression Testing for Self-driving Cars Software
TEASER工具从高保真汽车仿真器生成真实CAN信号，并集成到Jenkins CI流水线中，实现自动驾驶汽车软件基于仿真的CAN总线回归测试自动化，能有效暴露仿真故障。
2023-07-06 cs.SE
CM-CASL: Comparison-based Performance Modeling of Software Systems via Collaborative Active and Semisupervised Learning
由于复杂的配置空间和昂贵的性能评估，大型软件系统的配置调优通常具有挑战性。大多数现有的方法遵循两个阶段的过程，首先学习基于回归的性能预测模型上可用的样本，然后使用学习的模型搜索具有令人满意的性能的配置。由于运行具有特定配置的大型软件系统所需的大量时间和资源，这种基于回归的模型通常会受到样本稀缺的影响。此外，以前的研究表明，即使是一个高度准确的基于回归的模型可能无法辨别两种配置之间的相对优点，而性能比较实际上是配置调整的一个基本策略。为了解决这些问题，本文提出了CM-CASL，基于比较的软件系统性能建模方法，通过协作主动和半监督学习。CM-CASL学习一个分类模型，比较两个给定配置的性能，并通过人类专家和分类器使用主动和半监督学习的集成进行协作标记过程来增强样本。实验结果表明，CM-CASL在分类精度和排序精度方面均优于两种最先进的性能建模方法，从而为后续的配置调优工作提供了更好的性能模型。
2023-03-28 cs.SE
Localization of real world regression Bugs using single execution
当以前按预期工作的软件功能停止工作或不再按预期工作时，就会出现回归错误。代码更改，例如bug修复或新功能工作，可能会导致回归bug。回归bug是软件开发过程中令人烦恼和痛苦的现象，需要大量的努力来本地化，有效地阻碍了团队的进步。在本文中，我们提出了回归检测，一种方法，它有助于开发人员定位源代码段，导致给定的回归错误。与现有的一些工具不同，我们的方法不需要自动化测试套件或执行系统的过去版本。它是高度可扩展到数百万的锁定系统。开发人员对代码或bug没有先验知识，根据bug数据库中描述的步骤重现bug。我们用来自领先的开源项目（Eclipse、Tomcat、Ant）的bug评估了我们的方法。在超过90%的情况下，开发人员只需要检查10 - 20行代码就可以找到bug，而不管代码库的大小。
2015-05-06 cs.SE
Code Coverage Based Test Case Selection and Prioritization
回归测试的目的，是在对现有软件作出多项修订或改动后，确保软件能达到预期的功能。回归测试或可透过隐藏软件在功能性及非功能性应用方面的回归或软件错误，以证明经修订的软件的质素。事实上，测试用例集的维护是巨大的，因为它需要在大规模的测试用例上投入大量的时间和金钱。因此，最小化测试集成为减少回归测试预算的必要条件。准确地说，这篇研究论文希望提出一种创新的方法，有效地选择和优先级的测试用例，作为回报，可能会获得最大的代码平均。
2013-12-07 cs.SE
NodeSRT: A Selective Regression Testing Tool for Node.js Application
Node.js是构建Web应用程序最流行的框架之一。随着软件系统的成熟，运行整个回归测试套件的成本可能会变得很大。选择性回归测试（SRT）是一种只执行测试子集的技术，回归测试集可以更有效地检测软件故障。以前的SRT研究主要集中在标准的桌面应用程序。Node.js应用程序被认为很难执行测试缩减，因为Node的异步、事件驱动的编程模型，而且JavaScript是一种动态规划语言。在本文中，我们介绍了NodeSRT，一个用于Node.js应用程序的选择性回归测试框架。NodeSRT通过执行静态和动态分析，识别变更方法和测试之间的关系，然后将回归测试集缩减为仅受变更影响的测试，以改善回归测试集的执行时间。为了评估我们的选择技术，我们将NodeSRT应用于两个开源项目：Uppy和Simorgh，然后将我们的方法与retest-all策略和当前行业标准的SRT技术：Jest OnlyChange进行比较。结果表明，NodeSRT根据更改正确选择受影响的测试，比Jest OnlyChange快250%，精确450%。
2021-03-31 cs.SE
Tracing Optimization for Performance Modeling and Regression Detection
针对软件性能建模在生产环境中因追踪开销大而不实用的问题，提出统计方法排除性能不敏感代码区域，构建R-2得分达99%且开销降80%以上的优化模型，可有效检测性能回归且完全自动化。
2024-11-26 cs.PF cs.SE
TAOS-CI: Lightweight & Modular Continuous Integration System for Edge Computing
随着物联网和边缘设备的激增，我们观察到许多消费电子产品正在成为另一种物联网和边缘设备。与传统的智能设备（诸如智能电话）不同，消费电子产品通常具有每个产品型号的设备数量较少的显著差异。在这种高分散性的情况下，边缘设备的扩散需要消费电子产品的频繁且无缝的更新，这使得制造商倾向于回归，因为制造商在每个软件发布实例中具有较少的资源;即，他们需要通过产品型号的数量乘以更新的数量来重复发布。持续集成（CI）系统可以帮助防止回归错误主动开发软件包，包括频繁更新的设备软件平台。拟议的CI系统提供了一个便携式和模块化软件平台，自动检查启用模块的传入更改的潜在问题：代码格式和样式，性能回归，对源代码的静态检查，构建和打包测试，以及在物联网和边缘设备上部署平台映像之前对构建的二进制文件进行动态检查。此外，我们提出的方法是轻量级的，足以托管在普通的台式计算机，甚至几十个开发人员。因此，它可以很容易地应用于许多不同的源代码存储库。评估结果表明，所提出的方法大大提高了插件的执行时间和内存消耗，与以前的研究方法相比。
2021-01-21 cs.PF cs.SE
Change Point Detection in Software Performance Testing
我们描述了我们的过程中自动检测的性能变化的软件产品中存在的噪声。当我们的软件产品的更改提交到我们的源代码库时，会定期运行大量的测试，我们希望确定导致性能退化的提交。以前，我们依赖于手动检查时间序列图来识别重大变化。后来被基于阈值的检测系统所取代，但这两个系统都不足以及时发现性能的变化。这项工作描述了我们最近实现的一个变化点检测系统的E-分裂的手段算法。该算法产生一系列变化点，这些变化点表示从给定的性能结果历史的显著变化。一个人检查可操作的更改的更改点列表，然后对这些更改进行分类以进行进一步检查。使用变化点检测对我们检测性能变化的能力产生了巨大的影响。在数量上，它大大降低了我们对性能变化的误报率，而在质量上，它使整个性能评估过程更容易，更有成效（例如，更小的回归），更及时。
2020-03-01 cs.DB cs.PF cs.SE
Assurance Case Development for Evolving Software Product Lines: A Formal Approach
University of Toronto（多伦多大学）
本文提出一种形式化方法，用于演化软件产品线的提升保证案例开发与回归分析，支持感知变异性的AC语言、基于模板的开发提升及SPL演化影响分析，并提供了基于模型的工具与医疗设备应用实例。
2025-11-04 cs.SE
Software effort estimation based on optimized model tree
背景：软件工作量估计是一个回归问题，这一点已被广泛认识。模型树（Model Tree，MT）是一种基于机器学习的回归技术，可用于软件工作量估计，但与其他机器学习算法一样，MT具有较大的配置空间，需要仔细设置其参数。这些参数的选择取决于数据集，因此没有一般的指导方针可以管理这个过程，这形成了这项工作的动机。目的：本研究探讨了使用最新的优化算法Bees算法来指定适合数据集的MT参数的最佳选择，从而提高预测精度的效果。方法：采用基于Bees算法的最优参数MT方法构建软件工作量估算模型。该模型已验证了8个数据集来自两个主要来源：PROMISE和ISBSG。此外，我们还使用3倍交叉验证来实证评估不同估计模型的预测精度。作为基准，结果也比较与逐步回归基于案例的推理和多层感知器。结果如下：从MT和蜜蜂算法的组合得到的结果是令人鼓舞的，优于其他知名的估计方法应用于就业的数据集。它们也足够有趣，可以表明MT在适用于工作量估计的技术中的有效性。结论：蜜蜂算法的使用使我们能够自动找到构建适合每个数据集的努力估计模型所需的最佳MT参数。它还提供了一个显着的提高预测精度。
2017-03-13 cs.SE
Applying FCA toolbox to Software Testing
软件测试使用各种不同的工具来增强定义被测系统质量的复杂过程。形式概念分析（FCA）为我们提供了从一组对象及其属性导出形式本体的算法。使用FCA可以大大提高测试用例生成的效率。此外，基于FCA的机器学习系统支持回归测试结果的分析。
2015-05-06 cs.SE
Boost the Impact of Continuous Formal Verification in Industry
软件模型检验在过去的二十年里取得了长足的进步，但其可扩展性和适应性仍然是制约其实际应用的主要瓶颈之一。在这里，我们描述了一种通过利用持续集成和回归测试等实践将软件模型检验技术集成到DevOps文化中的方法。特别是，我们提出的方法着眼于修改的软件系统，因为它的最后一次验证，并提交给一个连续的形式化验证过程中，一组回归测试用例的指导下。我们的愿景是专注于开发人员，通过使用他们的主要软件开发方法和工具，将形式化验证技术集成到开发人员的工作流程中。
2019-07-17 cs.LO cs.SE
Continuous Performance Benchmarking Framework for ROOT
诸如ROOT之类的基础软件库面临着避免软件退化（包括性能退化）的巨大压力。作为持续集成和其他代码质量测试的一部分，持续性能基准测试是了解软件产品性能如何随时间演变的行业最佳实践。我们提出了一个框架，从行业最佳实践和工具，以帮助了解根代码的性能和监控的代码的效率为几个处理器架构。它还允许对ROOT I/O、向量化和并行化子系统进行历史性能测量。
2019-02-21 cs.SE
Building an OSS Quality Estimation Model with CATREG
开放源码软件（OSS）已经成为软件开发中的一种流行形式。在本文中，我们使用统计方法来推导OSS质量估计模型。我们的目标是建立估计模型的缺陷数量与度量在项目级别。首先，使用CATREG（最佳尺度分类回归）来获得定性变量的量化。然后用逐步线性回归对自变量进行验证。重复该过程以获得最佳定量和最终回归公式。这个建模过程是基于OSS社区的数据进行的，并被证明是有实际价值的。
2015-07-24 cs.SE
Reformulating Regression Test Suite Optimization using Quantum Annealing -- an Empirical Study
提出SelectQA量子退火方法重新表述回归测试用例选择问题，在有效性上优于BootQA并媲美传统方法，效率上优于DIV-GA且与Additional Greedy相当。
2025-01-28 cs.ET cs.SE
Formalizing Regression Testing for Agile and Continuous Integration Environments
School Of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）
本研究将敏捷与持续集成环境中的持续回归测试形式化为时间有序构建链与回归测试窗口，证明其可退化为经典retest-all，并通过表示两种先进算法验证了形式化的可靠性与完备性。
2025-11-04 cs.SE
Towards Automatic Generation of Amplified Regression Test Oracles
针对回归测试中测试放大面临的测试预言问题，提出一种利用SUT执行时的对象状态数据放大回归测试预言的方法，初步评估表明该方法能大幅增强行为变化检测能力。
2023-07-28 cs.SE
Trajectory-Aware Benchmark Subset Selection for Cost-Efficient Software Engineering Agent Regression Testing
Queen’s University（女王大学）；Concordia University（康考迪亚大学）
针对软件工程智能体回归测试成本高的问题，提出基于轨迹嵌入的确定性基准子集选择方法，在10%子集下中位误差低于5%，令牌成本降低约90%。
2026-09-22 cs.SE
Regression Testing Optimization for ROS-based Autonomous Systems: A Comprehensive Review of Techniques
本文首次系统综述了基于ROS的自主系统回归测试优化技术，分类分析了122项研究，并提出了未来研究方向，以提升测试效率与有效性。
2025-06-19 cs.SE
Machine Learning Techniques for Software Quality Assurance: A Survey
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
近年来，机器学习技术已经被应用到越来越多的应用领域，包括软件工程，特别是软件质量保证。重要的应用领域有，例如，软件缺陷预测或测试用例选择和优先级排序。预测大型软件系统中哪些组件在下一个版本中最有可能包含最多的错误的能力有助于更好地管理项目，包括早期估计可能的发布延迟，并提供指导纠正措施以提高软件质量。然而，发展强大的故障预测模型是一项具有挑战性的任务，许多技术已经在文献中提出。与评估软件系统中容易出现缺陷的部分密切相关的是如何选择测试用例并确定其优先级的问题，实际上，测试用例优先级已被广泛研究，以减少发现软件中回归所需的时间。在本调查中，我们讨论了故障预测和测试用例优先级排序的各种方法，并解释了在最近的研究中，用于故障预测的深度学习算法如何帮助弥合程序语义和故障预测特征之间的差距。我们还回顾了最近提出的测试用例优先级（TCP）的机器学习方法，以及它们降低回归测试成本而不会对故障检测能力产生负面影响的能力。
2021-04-29 cs.AI cs.SE
On the Risks of using LLM-Generated Tests for Regression Testing
SnT, University of Luxembourg（卢森堡大学科学与技术研究中心）
该研究针对145个开源项目拉取请求，发现8%-17%的LLM生成回归测试为漏洞强化测试，未经人工验证会引发新型技术债务。
2026-10-09 cs.SE
Early Detection of Performance Regressions by Bridging Local Performance Data and Architectural Models
本研究提出一种桥接组件级本地性能数据与系统级架构模型的轻量级方法，可在开发阶段早期检测不同强度偏差、各类工作负载下的系统性能回归，补充传统测试资源不足的问题。
2024-08-15 cs.SE
Application of Quantum Extreme Learning Machines for QoS Prediction of Elevators' Software in an Industrial Context
本文提出QUELL方法，将量子极限学习机（QELM）应用于电梯调度软件的等待时间预测，在软件回归测试、数字孪生和实时性能预测中取得优于经典机器学习模型的预测质量，并验证了其在特征减少时性能不下降。
2024-02-23 cs.SE
Test Agents: Adaptive, Autonomous and Intelligent Test Cases
软件规模的增长、执行回归测试的资源的缺乏以及无法更快地检测错误，都使得对持续集成和测试自动化的依赖增加。即使有更多的硬件和软件资源专用于测试自动化，软件测试也面临着巨大的挑战，导致越来越依赖于作为持续集成框架的一部分的自动测试用例选择和优先级排序的复杂机制。这些机制目前使用称为测试用例的简单实体，这些实体具体实现为可执行脚本。我们的核心思想是通过使用智能软件代理的概念，提供更多的推理，自适应行为和学习能力的测试用例。我们把这样的测试用例称为测试代理。作为测试代理基础的模型能够灵活和自主地采取行动，以满足总体测试目标。我们的目标是增加回归测试的分散性，让测试代理自己知道什么时候应该执行，他们应该如何更新他们的目的，以及什么时候应该相互交互。在本文中，我们设想软件测试代理，显示这种自适应的自主行为。新兴的发展和挑战，关于使用测试代理，特别是，新的研究，旨在使用自适应自主智能体在软件测试。
2018-02-12 cs.SE
Agent Based Software Testing Framework (ABSTF) for Application Maintenance
软件测试框架可以被描述为验证和确认计算机程序/应用程序按预期工作并满足用户需求的过程。通常测试可以手动完成或使用工具。手动测试可能是耗时和繁琐的，而且需要大量的人力资源投资。测试工具实际上有很多优点并且现在被广泛使用，但也有一些缺点。一个特别的问题是，不再需要人为干预。测试工具的成本很高，因此，它不能用于小公司。因此，在本文中，我们提出了基于Agent的测试，这是一个快速增长的方法在测试领域。所提出的系统（ABSTF）必须减少应用程序测试的时间，容易发现错误，并通过回归测试解决错误。在这里，我们将使用一种安全有效的回归选择技术算法来选择性地重新测试修改后的程序。我们还使用可追溯性关系的完整性检查面向Agent的系统，在整个应用程序中发现缺失的元素，并在测试时刻的缺陷分类。由于代理具有自主行动的能力，因此可以动态地监视代码更改并为更改后的代码版本生成测试用例。
2013-07-12 cs.SE
Automated and manual testing as part of the research software development process of RCE
研究软件通常由个人研究人员或小型团队在研究工作的同时开发。越多的人和研究项目依赖于有问题的软件，软件更新正确实现新功能并且不引入回归就越重要。因此，研究软件的开发人员必须在实现新功能和彻底测试任何代码更改之间平衡他们有限的资源。我们提出的过程中，我们使用的开发分布式集成框架RCE在DLR。这些过程旨在在自动化和手动测试之间取得平衡，减少测试开销，同时尽早解决问题。我们还简要描述了这些测试过程如何与周围的开发和发布过程集成。
2022-04-12 cs.SE
Assessing Quantum Extreme Learning Machines for Software Testing in Practice
本文通过三个工业软件测试案例评估量子噪声对QELM的影响，发现噪声显著降低性能并增大不确定性，且现有错误缓解方法缺乏跨任务和规模的一致性。
2025-09-27 cs.SE
A survey of service oriented architecture systems testing
面向服务的体系结构（SOA）是最新的软件体系结构之一。这种架构是在业务需求的方向上创建的，消除了软件和业务之间的差距。软件测试是软件开发活动中不断增加的成本。SOA具有与其他软件体系结构不同的规范和功能比例。首先，本文回顾了SOA测试的挑战和针对这些挑战的现有解决方案。然后报告了SOA系统测试的最新研究概况，包括功能测试和非功能测试。这些测试针对不同级别的功能测试，包括单元测试、集成测试和回归测试。
2012-12-13 cs.SE
