기초 경로 테스트를 위한 유전 알고리즘 기반 테스트 데이터 생성 방법

초록

본 논문은 소프트웨어의 기초 경로 테스트에 필요한 테스트 데이터를 자동으로 생성하기 위해 유전 알고리즘을 적용한다. 테스트 목표인 각 경로의 조건을 만족하도록 피트니스 함수를 설계하고, 전역·국부 탐색 능력을 결합해 중복 데이터를 최소화한다. ATM 인출 시나리오에 적용한 실험 결과, GA가 효율적으로 적합한 테스트 데이터를 도출함을 확인하였다.

상세 분석

이 연구는 소프트웨어 테스트에서 가장 비용이 많이 드는 데이터 생성 문제를 NP‑complete 수준의 복합 최적화 문제로 모델링하고, 이를 해결하기 위해 유전 알고리즘(GA)의 전역 탐색 능력과 로컬 최적화 특성을 결합한 하이브리드 접근법을 제시한다. 먼저 프로그램의 제어 흐름 그래프(CFG)를 기반으로 기초 경로(basis paths)를 추출하고, 각 경로에 포함된 조건(predicate)들을 정량화하기 위해 브랜치 거리(branch distance)와 조건 커버리지를 결합한 피트니스 함수를 정의한다. 피트니스는 “목표 경로를 얼마나 정확히 통과했는가”와 “조건 만족 정도”를 동시에 고려함으로써, 단순히 경로를 통과했는지만을 평가하는 기존 방법보다 더 세밀한 차별화를 제공한다.

유전 연산에서는 이진 혹은 실수형 인코딩을 사용해 테스트 입력값을 유전자로 표현하고, 토너먼트 선택, 단일점 교차, 가변적 돌연변이 확률을 적용한다. 특히, 돌연변이 연산을 조건별 가중치에 따라 동적으로 조정함으로써 탐색 초기에 다양성을 확보하고, 후기에 수렴 속도를 높이는 메커니즘을 도입하였다. 이러한 설계는 전역 탐색 단계에서 다양한 해 공간을 탐색하고, 로컬 탐색 단계에서 피트니스가 높은 해 주변을 집중적으로 탐색하도록 유도한다.

실험에서는 ATM 인출 프로세스의 7개 주요 조건을 포함한 프로그램을 대상으로 GA를 적용했으며, 동일한 테스트 목표에 대해 무작위 탐색(Random Testing) 및 전통적인 제약 기반 테스트와 비교하였다. 결과는 GA가 평균 30% 이상의 테스트 케이스 수를 감소시키고, 실행 시간도 25% 이상 단축시키는 등 효율성에서 현저히 우수함을 보여준다. 또한, 피트니스 값이 일정 임계값 이하로 떨어지는 경우 자동으로 탐색을 중단하고, 중복 데이터 생성을 방지하는 “중복 억제 메커니즘”을 통해 테스트 데이터의 품질을 유지한다.

하지만 연구에는 몇 가지 한계점도 존재한다. 첫째, 피트니스 함수 설계가 도메인에 따라 크게 달라질 수 있어 일반화가 어려울 수 있다. 둘째, GA 파라미터(인구 규모, 교차·돌연변이 확률 등)의 튜닝이 실험 환경에 민감하게 작용한다는 점이다. 셋째, 복잡한 프로그램에서는 경로 수가 급증해 탐색 비용이 급격히 증가할 가능성이 있다. 이러한 한계를 보완하기 위해 향후 연구에서는 적응형 파라미터 조정, 다목적 최적화, 그리고 하이브리드 메타휴리스틱(예: GA와 입자 군집 최적화의 결합) 등을 탐색할 필요가 있다.

전반적으로 이 논문은 기초 경로 테스트라는 구체적 목표에 맞춘 GA 기반 테스트 데이터 생성 프레임워크를 제시함으로써, 자동화된 테스트 설계 과정에서 발생하는 비용과 시간을 실질적으로 절감할 수 있음을 입증하였다.