一、研究背景在软件测试实践中代码覆盖率Code Coverage是评估测试充分性的常用指标。对于单元测试和功能测试而言高代码覆盖率通常意味着更全面的测试能力 因此在持续集成和软件质量评估中被广泛使用。然而在性能测试Performance Testing领域 代码覆盖率的意义却并不明确。性能测试通常关注系统吞吐量、延迟等指标测试执行成本较高运行时间长开发者往往只针对关键代码路径进行性能测试。因此一个值得研究的问题是性能测试到底覆盖了多少代码哪些代码更可能被性能测试覆盖为回答这些问题论文对多个开源 Java 系统进行了系统性的实证分析。二、论文信息论文标题Is Code Coverage of Performance Tests Related to Source Code Features? An Empirical Study on Open-source Java Systems发表信息Empirical Software Engineering2025机构单位意大利拉奎拉大学开源情况https://github.com/SpencerLabAQ/performance-test-coverage三、研究问题研究方法论文围绕以下三个核心研究问题展开RQ1 性能测试的代码覆盖率是多少RQ2 性能测试的执行成本如何RQ3 源代码特征是否可以预测哪些代码会被性能测试覆盖通过这些问题研究者希望理解性能测试在真实项目中的覆盖行为。因此对多个开源 Java 项目进行了系统分析重点关注性能测试与功能测试的代码覆盖行为。实验数据包括28 个开源 Java 系统约 17 万个 Java 方法2190 个性能测试基准图1.本研究的主要步骤研究流程主要包括三个阶段1.测试识别识别项目中的性能测试JMH和功能测试JUnit。2.覆盖率统计执行测试并统计其覆盖到的方法。3.特征分析提取 44 种代码特征并训练机器学习模型进行预测。四、核心研究发现1️⃣ 性能测试覆盖率普遍较低平均代码覆盖率约为8.8%仅为功能测试覆盖率的约 1/4图2.跨项目基准的覆盖率这表明开发者在设计性能测试时 通常只关注少量关键代码路径。2️⃣ 性能测试执行成本较高性能测试平均执行时间约为功能测试的62 倍测试成本与覆盖率之间存在明显权衡图3.总体执行时间比较3️⃣ 静态代码特征难以预测性能测试目标研究者尝试利用源码特征预测哪些方法会被性能测试覆盖并训练了多种机器学习模型包括传统机器学习模型特征选择方法Transformer 代码模型CodeBERT 等图4.静态源码特征的预测性能实验结果见图4结果表明静态代码特征无法有效预测哪些代码需要性能测试。五、研究启示该研究对软件工程实践具有重要启示性能测试覆盖率通常较低开发者更关注关键路径而非整体覆盖。测试成本较高需要合理设计测试策略。代码特征不足以指导性能测试未来需要结合运行时数据或系统负载信息。六、总结本文通过对多个开源 Java 系统进行大规模实证研究 系统分析了性能测试的代码覆盖情况。研究结果表明性能测试覆盖率普遍较低性能测试执行成本较高静态代码特征难以预测性能测试目标。未来研究可以结合运行时行为、系统负载和真实使用场景进一步提升性能测试设计方法。 讨论你认为性能测试是否应该追求更高的代码覆盖率是否可以利用生产环境数据指导性能测试设计 点赞 收藏 分享你的支持是我们持续解析高水平软件安全论文的最大动力