[发明专利]软件产品线配置空间近似均匀采样方法

说明书

本发明涉及软件产品线配置空间近似均匀采样方法，包括步骤：S1、输入特征模型S2、采用SAT求解器随机生成特征模型的N个解，完成样本集A的初始化；S3、计算样本集A中任两个解的距离，完成距离矩阵D的初始化；S4、计算样本集A中所有个体的新颖得分；S5、运用选择、交叉和变异算子生成一个新个体c，即新配置；S6、采用新个体c更新样本集A；S7、若允许的运行时间耗尽，则进入步骤S8，否则返回步骤S5；S8、输出样本集A。本发明利用SAT求解器生成一组随机样本，然后运用搜索算法不断提升样本的多样性和均匀性；为度量样本间的距离，设计了一种新的距离计算公式，可有效地迫使样本在空间内尽可能分布均匀。

技术领域

本发明涉及计算机软件产品线工程技术领域，尤其涉及软件产品线配置空间近似均匀采样方法。

背景技术

软件产品线(Software product lines，SPLs)是一种有效的软件开发方法，它在满足软件产品共性的基础上，可根据用户需求灵活地实现软件定制。采用软件产品线有助于节约开发成本、降低维护工作量以及缩短产品上市周期。著名的Linux操作系统、Eclipse开发环境和Drupal网站内容管理系统等就是采用产品线技术开发的软件产品。

事实上，软件产品线采用可复用的模块化软件部件实现软件产品集的开发，该软件产品集通常由特征模型(Feature Model)表示。其中，一个特征指系统的某个特定软件部件，而产品则是特征的集合。特征模型明确了特征之间的约束关系，进而定义构成可行或有效软件产品(又称为软件配置)的所有特征组合。显然，随着特征数的增加，可行的软件配置呈指数式增长。所有可行软件产品构成的集合称为软件产品线配置空间，或简称配置空间。

在软件产品线工程众多任务中，认识配置空间的有关性质是非常重要的。这些任务包括，但不限于，根据目标和约束函数找到最优软件配置；通过训练的模型预测某个软件配置的性能；定位由特征之间的交互引起的错误等。最理想的情形是探索或访问每个可行软件配置，但这在实际中几乎不可行。主要原因在于配置空间的规模极大。例如，大规模的真实SPLs可包含成百上千个特征，相应的可行软件配置数量惊人，远远大于10¹⁰。显然，枚举所有软件配置是完全行不通的。

一种直观的解决方案是从配置空间选择一个小规模的、有效的且具有代表性的样本集。该样本集需仔细选择，能够从统计学意义上很好地代表整个配置空间。理想情况下，若无领域知识，样本应广泛且均匀地分布在整个空间。现有的采样策略包括：1)随机采样方法以随机的方式选择特征或软件配置。这种采样方法虽然简单，但是易于产生无效样本；2)基于求解器的采样方法借助现成的约束求解器，如SAT4J等，生成样本。这种方法可扩展到大规模的真实软件产品线，但是无法确保随机性及覆盖率；3)覆盖率导向的采样方法，如著名的t-wise采样，根据一定的覆盖准侧生成样本。然而，该方法生成的样本仅位于配置空间的特定区域，在某些情况下不具有很好的代表性；4)均匀采样方法要求每个软件配置被选择的机会均等。该方法能确保均匀性，但是计算代价大，无法有效扩展到大规模软件产品线。例如，对Linux内核软件产品线，采用7个处理器并行运行均匀采样算法Smarch，也无法在1个小时内生成12个样本。

由此可见，现有采样方法或者可扩展到大规模的真实软件产品线，但是无法确保均匀性；或者实现了均匀性，但是可拓展性差。如何折衷均匀性和可拓展性是当前待解决的一个重要问题。

发明内容

为解决现有技术所存在的技术问题，本发明提供软件产品线配置空间近似均匀采样方法，通过利用SAT求解器生成一组随机样本，然后运用搜索算法不断提升样本的多样性和均匀性；为度量样本间的距离，设计了一种新的距离计算公式，可有效地迫使样本在空间内尽可能分布均匀。

本发明采用以下技术方案来实现：软件产品线配置空间近似均匀采样方法，主要包括以下步骤：

S1、输入特征模型

S2、采用SAT求解器随机生成特征模型的N个解，完成样本集A的初始化；