随着铁路行业的快速发展,相关软件的安全性问题已经成为人们关注的重点。铁路行业发生的一些重大事故,大部分与相关系统的软件缺陷有关。而系统的缺陷会随着软件复杂度的增加呈指数级上升,这也直接提高了软件测试的难度和成本。软件测试的实际应用和理论研究都有广阔的市场前景。
美国软件工程实验室制定了软件度量模型与标准 [1-3],用于指导美国航空航天局(NASA)的软件开发并作为产品软件安全与任务的保障。城市轨道交通领域的国产列车自动控制系统(CBTC,
Communication Based Train Control System) 软件有其自身的度量特性,并不完全适合应用此标准。现阶段,国产 CBTC 软件测试存在大量频繁迭代和建模过程,会产生海量的计算任务,缺少针对相应软件测试系统的大数据 [4-5] 分布式计算 [6-7] 领域的研究。此外,国产 CBTC 软件测试系统对于复杂度各异的
测试项目,存在测试方案繁琐,测试成本过高,测试与开发沟通效率过低等诸多问题,缺少一种集成度较高的智能解决方案。本文提出的基于大数据计算模型的 CBTC 软件智能测试系统可以较好地解决上述问题。