基于知识图谱的嵌入式操作系统测试用例复用推荐模型

Recommendation Model Based on Knowledge Graph for Embedded Operating System Test Cases Reuse

摘要

测试是确保嵌入式操作系统品质及安全性的重要途径，而测试用例是软件测试中的重要角色。针对目前嵌入式操作系统历史用例知识不能充分利用以及传统案例中测试用例复用功能弱的缺陷，提出了一种基于知识图谱的嵌入式操作系统测试用例推荐模型。该方法利用知识图谱在具有复杂关系的数据中存储和检索信息的优势，根据历史测试用例抽取实体和关系，设计本体模型，并创建领域知识图谱；选择无监督对比学习的自然语言处理技术进行实体间的中文文本相似度匹配任务，结合知识推荐建立关于嵌入式操作系统测试用例的复用推荐模型。实验结果表明，本文设计的本体模型能够帮助测试人员有效地复用测试用例，并达到94.305%的覆盖率，极大地节约了测试成本，具有较强的工程应用价值。

Abstract

Test cases play a significant role in software testing, which is a vital method for guaranteeing the reliability and security of embedded operating system. According to the existing result, the knowledge of historical test cases cannot be completely utilized, and the reuse function of test cases in traditional situations is weak. Aiming at these defects, a recommendation model based on knowledge graph for embedded operating system test cases reuse is proposed. Firstly, this paper uses knowledge graph to store and retrieve data with complex relationships. Secondly, the ontology model is designed and the domain knowledge graph is created based on the entities and relationships extracted from historical test cases. Then, this paper chooses unsupervised contrastive learning natural language processing methods for matching Chinese text similarity. Finally, a reuse recommendation model about embedded operating system test cases has been built. Experiments demonstrate that the ontology model proposed in this study can assist testers in effectively reusing test cases and achieve an 94.305% coverage rate, which significantly reduces testing costs and has a significant impact on engineering applications.

Graphical abstract

关键词

嵌入式操作系统 / 知识图谱 / 测试用例复用 / 文本相似度

Key words

embedded operating system / knowledge graph / test cases reuse / text similarity

0　 引 言

如今科技及互联网技术飞速发展，全球已进入后PC(Post-PC)时代，嵌入式操作系统（embedded operating system，EOS）已经覆盖到科学研究、工程设计、军事技术等众多领域^[1]。近年来，由于实际应用中各种需求不断增加，嵌入式操作系统的规模和复杂程度迅速增长，系统出现故障的概率也同步增加。在大多数情况下，EOS出现故障的原因为软件失效。因此，提高EOS软件的质量是目前亟待处理的问题。软件测试是保证软件质量、研发可靠性软件的关键方法^[2]。然而，大部分EOS的测试方案都是围绕特定项目制定的，需要根据经验及特定需求编写。一部分用例只能在特定的项目测试中使用，可重用性差；此外，手工设计测试用例的方法效率低，容易造成历史经验的浪费^[3]。在软件测试的过程中，可以修改高度相似的测试用例，以减少测试用例设计的工作量^[4，5]。

在传统的测试用例复用推荐中，多数研究人员采用信息检索场景下的文本匹配技术，文献[6]提出一种基于本体概念相似度的组件及构件的查询方法，该匹配方法通过与布尔无关的执行策略，将指数级的算法复杂程度下降到多项式级。文献[7，8]构建测试用例索引树，为测试用例的查询提供相关线索，并在此基础上，推出了一种针对不同类型数据模式的测试用例检索算法。文献[9]针对雷达软件缺陷库的检索，将协同过滤与测试用例推荐技术相结合。尽管现有的一些研究对重用测试用例的检索算法进行了改进，如构造测试用例本体模型等，但是这些研究都是从用例本身的复用检索视角进行设计，对于领域用例的本体与其他知识本体之间的关联关系考虑得不够充分，从而使用例复用在工程实践中的效果大打折扣。另一方面，传统的软件测试用例复用库中，底层数据存储大多都基于关系数据库的形式，不能很好地解决测试工程中大规模数据的知识关联关系。

近年来，随着复杂的自然语言处理（natural language processing，NLP）技术的出现，知识图谱（knowledge graph，KG）得到了广泛普及^[10]，其在知识存储、检索和推理方面具有明显优势。建立专业领域知识图谱通常采用“自上而下”的方式，根据建模需求和业务领域构建领域本体作为知识图谱的模式层，再通过业务数据对本体实例化^[11]。在软件工程中，知识图谱的典型应用主要包括了以下几种：建立领域知识库管理系统（例如，医疗、金融投资，政府管理和安全领域等）、设计和开发软件工程项目库，以及智能搜索等^[12]。测试人员需要理解领域知识，从软件文档中提取需求的相关信息，以编写正确和完整的测试用例，这是一个耗时且成本高昂的过程。知识图谱可以从处理复杂的依赖关系、穷举测试及领域可视化三个方面帮助测试人员减轻工作量^[13]。文献[14]开发Kara工具，利用知识图谱和自动测试结果生成具有领域知识的众包测试需求。文献[10]提出一种KG创建工具，从非结构化和稀疏语料库中创建KG，用于自动生成汽车领域软件的测试用例。文献[12]提出了一种面向雷达软件的测试用例复用检索算法，在知识图谱中实现了实体特征属性文本的语义相似度匹配任务，并将知识推荐和协同过滤推荐技术结合起来，构建测试用例复用推荐模型，进行复用设计和缺陷匹配。文献[15]构建软件测试领域知识本体，利用本体相似度概念实现软件测评知识的重用及共享。文献[16]建立基于本体定义的软件测试过程，使测试阶段的维护更便利。文献[17]利用知识图谱构建目标系统测试链，以支持与软件漏洞相关的推理任务。文献[18，19]利用本体模型实现测试文档及测试用例的生成。这些实际的应用证实了知识图谱在软件测试领域的可行性和实用性。

为了解决EOS历史测试用例不能充分利用，可复用性差的问题，本文提出了基于知识图谱的嵌入式操作系统测试用例的复用推荐模型。构建EOS测试领域的本体模型，使用图形化数据库Neo4j^[20]可视化测试数据，协助测试人员有效地分析历史测试数据；并使用SimCSE（simple contrastive learning of sentence embeddings）^[21]模型执行中文语义相似度任务，推荐可复用的测试用例。最后基于中标麒麟操作系统和SylixOS的测试用例数据验证了方法的有效性，为嵌入式操作系统测试的复用研究提供了新的解决思路。

1　 知识图谱构建

在传统软件测试过程中，测试人员通过阅读软件文档，确认软件需求，如图1(a)所示。系统工程团队会手动为每个需求语句创建测试用例，如图1(b)所示。在复杂系统的情况下，软件文档可以跨越数千页，这是一个非常费力的过程，需要测试人员深入理解文档。一旦软件测试人员编写完成测试用例，团队就会审查每个测试用例，然后在测试环境上执行。测试用例执行完成后会生成一份测试文档或测试报告，其中包含通过/失败的测试用例数量、执行每个测试用例的时间等重要信息^[10]，每个软件项目都会重复此过程。

1.1　本体模型设计

知识图谱是一种基于语义的网络知识库，其特点为有向图的结构，它的节点代表知识实体或相关概念，而节点之间的边则表示实体或概念的各种语义关系^[22]。嵌入式操作系统测试领域的知识内容及关系相对清晰，基于本体知识，总结专家意见，使用自顶向下模型构建知识图谱的本体。实体设计应遵循独立共享和数量最小化原则。独立是指不依赖于特定领域；共享可理解为实体存在重用的可能性与必要性；最小化是指本体中包含的实体数量应消除冗余。根据EOS测试的特点及测试用例重用设计的实际应用需求，进行实体、关系、属性的设计，最终确定本体的实体关系模型如图2所示。

本体模型中包含7个实体：测试对象（test subject，TS），测试需求（test requirement，TR），测试类型（test type，TY），测试用例（test case，TC），预置条件（precondition，CON），测试记录（test record，RE），问题报告（problem report，PR）。

1） 测试对象：指在测试任务中的嵌入式操作系统，本文测试对象主要包括中标麒麟，SylixOS大型实时操作系统。

2） 测试需求：在实际的测试过程中，测试大纲要求测试项目严格覆盖测试需求，测试项目根据测试需求被分解为多个测试用例。测试人员根据相关需求规范编写测试用例。根据《中华人民共和国国家标准GB/T 25000.51-2016》^[23]及相关标准，为了系统以及软件质量的相关要求，测试需求可分为文件需求、功能需求、接口需求、性能和效率需求、兼容性需求、易用性需求、可靠性需求、信息安全需求、可维护性需求、可移植性需求、有效性需求、效率需求、满意度需求、抗风险需求、外围覆盖需求和其他需求^[3]。

3） 测试类型：根据测试需求确定。

4） 测试用例：测试用例是对一项特定的测试需求进行测试任务的描述，其属性包括用例编号、用例名称、测试步骤、预期输出和实际输出等。

5） 预置条件：实现需求语句及测试用例执行步骤前需要满足的所有条件。

6） 测试记录：测试记录由测试用例生成。测试记录的属性包括测试人员、测试时间、是否通过。

7） 问题报告：问题报告与测试记录中产生的问题对应。其属性主要为测试过程中出现的异常现象。

确定实体及其属性之后需要定义领域关系和约束。软件测试领域实体与实体之间的关系可作为对象属性，它描述了测试领域中概念和实例之间的交互。通过对嵌入式操作系统历史数据及其他应用领域测试的研究，确定了7个实体之间的关系。具体的连接形式如图2所示。为了能够追溯所有测试环节中的信息，形成测试链，本文建立测试类型与测试需求之间的“需求追溯”、测试用例与测试类型之间的“属于”等关系，形成知识图谱，便于测试用例重用。

在构建领域知识图谱的过程中，需要领域专家参与本体的设计和评估。因此在构建本体模型的基本框架后，邀请了测试领域的专家与相关企业测试经验丰富的测试人员指导本体的设计与评估，经过修改与完善后形成最终的嵌入式操作系统测试领域知识图谱的本体。

1.2　数据抽取

基于知识图谱的知识抽取技术可以概括为实体抽取、属性抽取和关系抽取等^[24]。从数据来源的角度看，知识抽取对象数据可分为非结构化、半结构化和结构化^[25，26]。

本文采用的中标麒麟及SylixOS历史测试数据由相关合作企业提供，大多是结构化数据。可以通过语义映射的方法将excel表中的数据转化为知识三元组的形式。为了构建嵌入式操作系统测试的知识图谱，利用python库的xlrd工具，实现测试知识的提取，选择Neo4j^[20]图形数据库存储嵌入式操作系统测试知识图谱，通过Cypher数据查询语言进行数据的增删改查操作，测试用例复用推荐的后端Web服务采用Flask框架构建。本文对现有的618个测试用例进行知识抽取，最终建立的知识图谱涵盖了951个知识实体和962个关系。部分知识图谱视觉效果如图3所示。

2　 测试用例复用推荐

嵌入式实时操作系统的测试用例复用是从已有的多个测试用例中检索相似的测试用例数据，其复用成功的关键就是找到测试人员真实需要的测试用例，并推送给测试人员。为了优化重用效果，本文提出了一种基于知识图谱的嵌入式操作系统测试用例的复用推荐方法，采用SimCSE无监督语义相似度方法。推荐模型如图4所示，使用嵌入式操作系统测试报告及历史测试需求训练SimCSE模型，为历史测试用例及新发起测试需求生成句向量，计算其语义相似度，相似度高的测试用例推荐为可复用测试用例。

SimCSE的训练集为嵌入式操作系统的历史测试需求及测试文档。本文采用无标签的样本数据，即把每个句子自身视为相似句输入模型进行训练，使用Dropout作为数据扩增，解决泛化能力差的问题，训练目标如（1）式所示:

-{\displaystyle \sum _{i=\mathrm{1}}^N}\sum _{\alpha =\mathrm{0,1}}\mathrm{l}\mathrm{o}\mathrm{g}\frac{{\mathrm{e}}^{\frac{\mathrm{c}\mathrm{o}\mathrm{s}\left({\mathit{h}}_i^{{}^{\left(\alpha \right)}},{\mathit{h}}_i^{{}^{\left(\mathrm{1}-\alpha \right)}}\right)}{\tau }}}{{\displaystyle \sum _{j=\mathrm{1},j\ne i}^N}{\mathrm{e}}^{\frac{\mathrm{c}\mathrm{o}\mathrm{s}\left({\mathit{h}}_i^{{}^{\left(\alpha \right)}},{\mathit{h}}_j^{{}^{\left(\alpha \right)}}\right)}{\tau }}+{\displaystyle \sum _j^N}{\mathrm{e}}^{\frac{\mathrm{c}\mathrm{o}\mathrm{s}\left({\mathit{h}}_i^{{}^{\left(\alpha \right)}},{\mathit{h}}_j^{{}^{\left(\mathrm{1}-\alpha \right)}}\right)}{\tau }}}（1）

其中，N为经过带Dropout的Encoder的训练句子数量；{\mathit{h}}_{\mathrm{1}}^{(\mathrm{0})},{\mathit{h}}_{\mathrm{2}}^{(\mathrm{0})},\dots ,{\mathit{h}}_N^{(\mathrm{0})}为每个训练句子所生成的向量，{\mathit{h}}_{\mathrm{1}}^{(\mathrm{1})},{\mathit{h}}_{\mathrm{2}}^{(\mathrm{1})},\dots ,{\mathit{h}}_N^{(\mathrm{1})}为再一次经过Encoder（使用随机Dropout）所得到的向量。将({\mathit{h}}_i^{\left(\mathrm{0}\right)},{\mathit{h}}_i^{(\mathrm{1})})视为一对正例，即相似句进行训练。苏剑林等（https://kexue.fm/archives/8348）的研究表明，要在一个epoch内将模型训练到最优效果，需要任意挑选约1万个样本数据进行训练任务。

对于输入的语义文本，使用SimCSE获得输入数据的句子向量。例如，给定两个待匹配的测试需求实体a和b，它们具有共同的文本属性集合\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{r}=\{\mathrm{a}\mathrm{t}\mathrm{t}{\mathrm{r}}_{\mathrm{1}},\mathrm{a}\mathrm{t}\mathrm{t}{\mathrm{r}}_{\mathrm{2}},\dots ,\mathrm{a}\mathrm{t}\mathrm{t}{\mathrm{r}}_n\}，计算a，b的共同属性\mathrm{a}\mathrm{t}\mathrm{t}{\mathrm{r}}_i(\mathrm{1}\le i\le n)，描述文本的句子{\mathit{S}}_{a,i}和{\mathit{S}}_{b,i}间的余弦相似度，如（2）式所示，其中vec为句子所对应生成的向量。

\mathrm{s}\mathrm{i}{\mathrm{m}}_{\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{r}}\left(a_i,b_i\right)=\frac{\mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{S}}_{a,i}\right)\mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{S}}_{b,i}\right)}{\left|\mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{S}}_{a,i}\right)\right|\left|\mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{S}}_{b,i}\right)\right|}（2）

对于多属性的实体，采用计算每个属性的相似度，累加后求平均的方法，最终得到实体a和b的属性综合相似度，如（3）式所示:

\mathrm{s}\mathrm{i}{\mathrm{m}}_{\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{r}}\left(a,b\right)=\frac{\mathrm{1}}{n}{\displaystyle \sum _i^n}\mathrm{s}\mathrm{i}{\mathrm{m}}_{\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{r}}\left(a_i,b_i\right)（3）

测试目标和测试内容可由测试需求确定，在大多数情况下，软件测试人员基于EOS系统中测试用例和需求之间的覆盖与其他关联关系，可以从类似的历史项目中检索出相关的用例，从而达到重用测试用例的目的。在本文中，软件需求被分解为多个测试项，包括以下几个内容：测试对象（test subject，TS），测试需求（test requirement，TR），测试类型（test type，TY），测试用例（test case，TC），预置条件（precondition，CON）。采用SimCSE算法生成句子向量进行文本相似度的计算，在软件需求知识的基础上，建立包含待测试软件需求和有关实体的子知识图谱，并将其与历史测试用例知识图谱中的相似子图谱进行逐个匹配，实现可复用测试用例的推荐。模型训练数据为中标麒麟与SylixOS的历史测试需求及测试报告。具体算法如算法1所示。

基于知识图谱寻找相似的测试用例，利用知识图谱中相似知识相似性强的优势，可以兼顾测试对象、测试需求、测试类型及测试用例间的知识链，增强后续测试用例推荐的准确性。

3　 实 验

本文选择Neo4j图形数据库存储嵌入式RTOS测试领域的知识图谱，并利用py2neo包，使用Cypher数据查询语言进行数据访问。知识图谱的应用后端由python语言实现，后端Web服务使用Flask框架。实验配置为Windows11操作系统，AMD Ryzen 7 5800H+16 GB内存的硬件平台，知识图谱的构建与应用开发平台为Python3.7+py2neo2021.2.3。为了检验本文提出方法的效率，以中标麒麟和SylixOS的历史测试用例作为实验数据，单条用例推荐时间作为检验指标，与传统构建测试用例库的方法进行比较，如表1所示。这些测试用例涵盖防火墙、网络、存储、文件系统等多个功能模块。

与文献[3,10]设计的本体模型不同，本文根据嵌入式操作系统测试用例的特点，在测试需求、测试类型等实体中，加入了预置条件的实体及相应关系。由表1可知，本文通过知识图谱进行用例推荐的效率要优于传统用例库，最大时间消耗比例达1∶2.79。中标麒麟由于用例数量相对于SylixOS较少，所以用例推荐速度更快。

3.1　测试用例复用分析

为了评价测试用例复用效果的有效性，本文选用编辑距离（Lenvenshtein distance）相似度计算方法进行效果比对，使用推荐用例覆盖率（coverage）作为评价指标，计算如下:

\mathrm{c}\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{g}\mathrm{e}=\frac{\mathrm{q}\mathrm{u}\mathrm{a}\mathrm{l}\mathrm{i}\mathrm{f}\mathrm{y}}{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}\times \mathrm{100}\mathrm{\%}（4）

若一个软件有N个需求，则总采样点数（total）为测试专家为需求i编制的历史测试用例集中的测试用例数，合格采样点数（qualify）为本文方法为需求i推荐重用的测试用例数量。实验结果如表2所示，本文方法测试用例平均覆盖率达到94.305%，相较于编辑距离方法覆盖率高1.425%。

3.2　实例分析

以中标麒麟操作系统中的实时性测试为例，知识图谱中可提取出5个测试用例。测试用例描述部分如表3所示，包括周期抖动测试、任务切换测试、signal发送到接收延迟测试、signal接收延迟测试、信号量混洗耗时性能测试。新发起一个测试，测试对象：testlink；测试需求：实时性；测试类型：NULL；测试用例：接收延迟；预置条件：绑核。则推荐可复用的测试用例，相似性从高到低为TC4→TC3→TC5→TC2→TC1。

4　 结 语

在本文中，我们提出了一种基于知识图谱的嵌入式操作系统测试用例推荐模型，根据历史测试用例设计本体模型，从结构化数据中抽取知识，构建嵌入式操作系统领域知识图谱。采用SimCSE无监督学习方法，完成中文文本相似度匹配任务，推荐复用测试用例。实验结果表明，该方法能够有效实现测试用例的复用用例推荐，本体模型构建中，预置条件的抽取能够帮助测试人员有效地复用测试用例，使得覆盖率达到94.305%。

本文的工作还可以从以下几点进行改进：第一，文章中抽取的数据为结构化数据，实际中嵌入式操作系统的测试用例还有测试设计文档和报告等非结构化、半结构化的数据，我们的方法并不能对这类用例进行知识抽取；第二，本文仅有两个测试对象的用例数据，未验证在大规模数据情况下，模型的检索性能和效率；第三，本文仅使用无监督SimCSE方法完成文本相似度匹配任务，未考虑无监督与有监督学习对复用用例检索准确率的性能差距。

未来我们将针对目前研究的不足，探索在非结构化数据、半结构化数据及大规模数据的测试用例复用方法。

参考文献

[1] 沈连丰， 许波， 夏玮玮， 等. 嵌入式系统及其开发应用［M］. 第2版. 北京：电子工业出版社， 2011：1-2.

[2] SHENG L F， XU B， XIA W W， et al. Embedded Systems and Its Development Applications ［M］. 2nd Ed. Beijing： Publishing House of Electronics Industry， 2011： 1-2（Ch）.

[3] 王杨. 黑盒测试技术在嵌入式软件测试中的融合应用［J］. 汽车实用技术， 2022， 47（1）：201-204. DOI： 10.16638/j.cnki.1671-7988.2022.001.046 .

[4] WANG Y. Application of black box testing technology in embedded software testing［J］. Automobile Applied Technology， 2022，47（1）： 201-204. DOI： 10.16638/j.cnki.1671-7988.2022.001.046（Ch ）.

[5] JIN D S， WANG Z， LI M Y， et al. Construction and application of knowledge graph of domestic operating system testing［C］// Proceedings of the 4th International Conference on Computer Science and Software Engineering. New York： ACM，2021： 268-273. DOI： 10.1145/3494885.3494933 .

[6] MU Y M， GAO X X， SHEN M E. Research of reuse technology of test case based on function calling path［J］. Chinese Journal of Electronics， 2018， 27（4）： 768-775. DOI： 10.1049/cje.2018.04.012 .

[7] 夏传林， 郑巍， 谭莉娟， 等. 基于知识图谱的测试用例复用方法［J］. 计算机工程与设计， 2022， 43（5）：1273-1279. DOI： 10.16208/j.issn1000-7024.2022.05.010 .

[8] XIA C L， ZHENG W， TAN L J， et al. Test case reuse method based on knowledge graph［J］. Computer Engineering and Design， 2022， 43（5）： 1273-1279.DOI：10.16208/j.issn1000-7024.2022.05.010（Ch ）.

[9] 柯昌博， 黄志球， 肖甫. 基于本体概念相似度的软件构件检索方法［J］. 计算机科学， 2017， 44（12）： 144-149.DOI： 10.11896/j.issn.1002-137X.2017.12.028 .

[10] KE C B， HUANG Z Q， XIAO F. Software component retrieval method based on ontology concept similarity［J］. Computer Science， 2017， 44（12）： 144-149.DOI： 10.11896/j.issn.1002-137X.2017.12.028（Ch ）.

[11] 李园园， 黄松， 惠战伟， 等. 面向不同数据模式的测试用例检索方法［J］. 计算机科学， 2017， 44（11）： 221-225.DOI： 10.11896/j.issn.1002-137X.2017.11.033 .

[12] LI Y Y， HUANG S， HUI Z W， et al. Test case retrieval method for different data model［J］. Computer Science， 2017， 44（11）： 221-225.DOI： 10.11896/j.issn.1002-137X.2017.11.033（Ch ）.

[13] ZHANG N， CHAI H Y， HAN X Y. Research on the reuse of test case for warship equipment software［C］// 2018 IEEE International Conference on Software Quality， Reliability and Security Companion （QRS⁃C）. New York： IEEE Press， 2018： 64-69.DOI： 10.1109/QRS-C.2018.00025 .

[14] GUO S J， ZHANG J， TONG W Q， et al. An application of ontology to test case reuse［C］// 2011 International Conference on Mechatronic Science， Electric Engineering and Computer （MEC）. New York： IEEE Press， 2011： 775-778.DOI： 10.1109/MEC.2011.6025579 .

[15] NAYAK A， KESRI V， DUBEY R K. Knowledge graph based automated generation of test cases in software engineering［C］// Proceedings of the 7th ACM IKDD CoDS and 25th COMAD. New York： ACM， 2020： 289-295.DOI： 10.1145/3371158.3371202 .

[16] 罗浩榕， 朱卫星， 史涯晴， 等. 构建软件测试领域不确定性知识图谱［J］. 计算机技术与发展， 2022，32（7）：111-116. DOI： 10.3969/j.issn.1673-629X.2022.07.019 .

[17] LUO H R， ZHU W X， SHI Y Q， et al. Construction of knowledge graph of software test asset for uncertain knowledge［J］. Computer Technology and Development， 2022， 32（7）：111-116. DOI： 10.3969/j.issn.1673-629X.2022.07.019（Ch ）.

[18] 李昊， 柳溪. 基于知识图谱的雷达软件测试用例复用研究［J］. 测控技术， 2021， 40（6）： 18-26. DOI： 10.19708/j.ckjs.2021.06.004 .

[19] LI H， LIU X. Radar software test case reusing based on knowledge graph［J］. Measurement & Control Technology， 2021， 40（6）： 18-26. DOI： 10.19708/j.ckjs.2021.06.004（Ch ）.

[20] KESRI V， NAYAK A， PONNALAGU K. AutoKG—An automotive domain knowledge graph for software testing： A position paper［C］// 2021 IEEE International Conference on Software Testing， Verification and Validation Workshops （ICSTW）. New York： IEEE Press， 2021： 234-238. DOI： 10.1109/ICSTW52544.2021.00047 .

[21] GUO C， HE T K， YUAN W， et al. Crowdsourced requirements generation for automatic testing via knowledge graph［C］// Proceedings of the 29th ACM SIGSOFT International Symposium on Software Testing and Analysis. New York： ACM， 2020： 545-548.DOI： 10.1145/3395363.3404363 .

[22] SUN Z， HU C， LI C L， et al. Domain ontology construction and evaluation for the entire process of software testing［J］. IEEE Access， 2020， 8： 205374-205385. DOI： 10.1109/ACCESS.2020.3037188 .

[23] POPERESHNYAK S， VECHERKOVSKAYA A. Modeling ontologies in software testing［C］// 2019 IEEE 14th International Conference on Computer Sciences and Information Technologies （CSIT）. New York： IEEE Press， 2019， 3： 236-239.DOI： 10.1109/STC-CSIT.2019.8929785 .

[24] ZHAO Y， YANG Y R， TIAN B， et al. An Invocation chain test and evaluation method based on knowledge graph［C］// 2020 International Conference on Networking and Network Applications （NaNA）. New York： IEEE Press， 2021： 277-281.DOI： 10.1109/NaNA51271.2020.00054 .

[25] CHEN P， XI A. Research on industrial software testing knowledge database based on ontology［C］// 2019 6th International Conference on Dependable Systems and Their Applications （DSA）. New York： IEEE Press， 2020： 425-429. DOI： 10.1109/DSA.2019.00066 .

[26] CRAPO A W， MOITRA A. Using OWL ontologies as a domain-specific language for capturing requirements for formal analysis and test case generation［C］// 2019 IEEE 13th International Conference on Semantic Computing （ICSC）. New York： IEEE Press， 2019： 361-366.DOI： 10.1109/ICOSC.2019.8665630 .

[27] DB-Engines. DB-Engines Ranking of Graph DBMS ［EB/OL］. ［2022-09-27］.

[28] GAO T Y， YAO X C， CHEN D Q. SimCSE： Simple contrastive learning of sentence embeddings［EB/OL］. 2021： arXiv： 2104.08821. DOI: 10.18653/v1/2021.emnlp-main.552 .

[29] 孟小艳， 蒋同海， 周喜， 等. 一种改进的自适应知识图谱嵌入式表示方法［J］. 计算机应用研究， 2021，38（1）：39-43.DOI：10.19734/j.issn.1001-3695.2019.11.0605 .

[30] MENG X Y， JIANG T H， ZHOU X， et al. Improved adaptive embedding method for knowledge graph representation［J］. Application Research of Computers， 2021，38（1）：39-43.DOI：10.19734/j.issn.1001-3695.2019.11.0605（Ch ）.

[31] 国家质量监督检验检疫总局，中国国家标准化管理委员会. 系统与软件工程 系统与软件质量要求和评价（SQuaRE） 第51部分：就绪可用软件产品：GB/T 25000.51-2016 ［S］. 北京：中国标准出版社，2016.

[32] General Administration of Quality Supervision， Inspection and Quarantine of the People’s Republic of China，Standardization Administration of the People’s Republic of China. Systems and Software Engineering—Systems and Software Quality Requirements and Evaluation（SQuaRE）—Part51：Requirements for Quality of Ready to Use Software Product（RUSP）and Instructions for Testing：GB/T 25000.51-2016 ［S］. Beijing： Standards Press of China， 2016（Ch）.

[33] 徐增林， 盛泳潘， 贺丽荣， 等. 知识图谱技术综述［J］. 电子科技大学学报， 2016， 45（4）： 589-606.DOI： 10.3969/j.issn.1001-0548.2016.04.012 .

[34] XU Z L， SHENG Y P， HE L R， et al. Review on knowledge graph techniques［J］. Journal of University of Electronic Science and Technology of China， 2016， 45（4）： 589-606. DOI： 10.3969/j.issn.1001-0548.2016.04.012（Ch ）.

[35] 于浏洋， 郭志刚， 陈刚， 等. 面向知识图谱构建的知识抽取技术综述［J］. 信息工程大学学报， 2020， 21（2）： 227-235. DOI: 10.3969/j.issn.1671-0673.2020.01.017 .

[36] YU L Y， GUO Z G， CHEN G， et al. Summary of knowledge graph construction oriented knowledge extraction technology［J］. Journal of Information Engineering University， 2020， 21（2）： 227-235 （Ch）. DOI: 10.3969/j.issn.1671-0673.2020.01.017 .

[37] AUER S， BIZER C， KOBILAROV G， et al. DBpedia： A nucleus for a web of open data［C］// The Semantic Web. Berlin： Springer， 2007： 722-735. DOI： 10.1007/978-3-540-76298-0_52 .

基金资助

广东省重点领域研发计划(2020B0101650001)