《表1 工业数据集信息：面向持续集成测试优化的强化学习奖励机制》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向持续集成测试优化的强化学习奖励机制》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了确定本文方法在实际业界的适用性，本文使用工业数据集进行实验:Paint Control和IOF/ROL均来自ABB Robotics Norway2，用于测试复杂工业机器人；Google Shared Dataset（GSDTSR）是谷歌开源的数据集.这些数据集中包含超过300个集成周期中的测试用例执行结果等历史信息.表1列出了3个数据集的详细信息，包括测试用例集大小、集成周期数等.表中执行结果数指所有测试用例在整个集成过程中被执行的总次数，而失效率表示测试用例被执行的总数中失效的比重.可以看出，Paint Control数据集规模较小，同时，测试用例失效率近1/5；IOF/ROL数据集测试用例集规模中等，但失效率更大，是3个数据集中最高的；谷歌开源数据集GSDTSR测试用例集规模最大，但失效率仅0.25%，即在大量的测试用例中仅有少量的失效测试用例，在持续集成测试优化中，把大量测试用例中的少量失效测试用例优先执行，优化难度最大.