自动生成定向测试的面向学习的属性分解

基于SAT的边界模型检查（BMC）有望用于自动生成定向测试。由于状态空间爆炸问题，基于SAT的BMC不适合处理具有较大SAT实例或较大范围的复杂属性。在本文中，我们提出了一个框架，该框架可通过利用基于决策顺序的分解子属性学习来自动降低SAT伪造的复杂性。我们的框架做出了三项重要的贡献：i）针对复杂属性伪造提出了面向学习的分解技术，ii）利用对分解后的子属性的学习提出了一种有效的方法来加速复杂属性伪造，iii）结合了两者的优点属性分解和属性聚类以减少总体测试生成时间。使用软件和硬件基准测试的实验结果证明了我们框架的有效性。