超越数字输入的边界值探索的自适应策略生成

软件行为通常在输入区域之间的边界处突然改变，并且这些转换容易出错。边界值探索 (BVE) 通过搜索但会触发不同程序行为的相似输入对来自动进行边界发现。现有的自动化 BVE 技术依赖于为每种输入类型，甚至为每个被测试的函数手工设计的变异算子，这限制了它们对数字输入的使用。我们提出了 ABEX，一个基于 LLM 的代理框架，用自适应策略生成取代算子工程：专门的 LLM 代理在执行反馈和质量多样性（QD）档案的指导下提出、选择和执行边界探索策略。由于策略是用自然语言表达的，因此它们可以编码类型级别和功能特定的知识，有效的策略甚至可以存储和重用。我们在黑盒设置中对 20 个具有数字、字符串、数组和混合输入的函数进行评估。在数值函数上，ABEX 在 11 个函数中的 10 个上优于最先进的 QD 方法，平均 QD 分数高出 11.7 倍。在非数字函数上，ABEX 首次在自动黑盒 BVE 中解决，发现了所有主题的域对齐边界行为。突变测试表明，所发现的边界能够揭示错误：在同等大小的测试套件中，ABEX 的平均突变得分为 86.2%，而 QD 基线为 61.9%，并且杀死的难以检测的顽固突变体数量是其 9 倍。一项消融研究将适应性策略的生成确定为这些收益的主要驱动力。