CN109933515A - 一种回归测试用例集的优化方法和自动优化装置 - Google Patents
一种回归测试用例集的优化方法和自动优化装置 Download PDFInfo
- Publication number
- CN109933515A CN109933515A CN201711365459.1A CN201711365459A CN109933515A CN 109933515 A CN109933515 A CN 109933515A CN 201711365459 A CN201711365459 A CN 201711365459A CN 109933515 A CN109933515 A CN 109933515A
- Authority
- CN
- China
- Prior art keywords
- test case
- test
- case
- cluster
- feature space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种回归测试用例集的优化方法和自动优化装置,包括:获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;从所述初始特征信息中抽取所述每个测试用例的目标特征信息;将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成;根据所述特征空间确定聚类簇的数量K;获取所述每个测试用例在所述特征空间中的相似度;基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。这样能够非常有效的减少用例集的规模,提升系统执行效率,便于测试用例的维护和测试结果的分析。
Description
技术领域
本发明涉及软件测试领域,尤其涉及一种回归测试用例集的优化方法和自动优化装置。
背景技术
软件的质量就是软件的生命,在大型软件迭代开发过程中,回归测试成为保证软件质量的重要一环,同时回归测试又会耗费大量的资源和时间,在目前软件版本更新迭代越来越快的背景下,如何高效的进行回归测试,缩短软件研发周期,降低开发成本,成为企业中十分关键的问题。
根据统计,一般开发人员每修改3到4个bug,就会引入1个新的bug,这就是必须要进行回归测试的原因。一般的软件测试流程是后期快速迭代的,bug在后期是快速收敛的,debug和测试的周期也是越来越短,频率是越来越高,譬如说第一轮测试需要花上10天跑用例,那么到后期就没那么长的时间,可能就是1~2天的测试时间,在后期有时候一天就有一个新版本,这时候就要求测试人员能快速的进行一轮回归测试。
一般来说,覆盖越高,风险越低,但是效率就越差,反之亦然。如果时间允许的话,能把所有用例都再跑一遍最好不过,但是一般不会有这个时间,这就需要在效率和覆盖间找一个适当的平衡,选择一部分用例来进行回归测试。
目前大多数企业在选择回归测试用例时采用的方法,一般可以分为以下三类:
(1)不做筛选,每个版本,每次迭代都是选用全部用例集执行,这种方法效率低下,会产生极大的资源浪费
(2)随机筛选用例,这种方法准确率无法保证,虽然减少资源浪费,但是无法保证软件质量
(3)人工筛选,这种方法对测试人员的知识和素质依赖性非常高,往往要花费很长时间培养。
可见,现有技术中至少存在如下技术问题:
在进行回归测试时,不能够平衡测试用例覆盖率与测试时间之间的矛盾。
发明内容
本发明实施例通过提供一种一种回归测试用例集的优化方法和自动优化装置,用于解决现有技术中在进行回归测试时,在降低回归测试用例集个数的同时不能够保证软件质量,在筛选合适的回归测试用例集时对人工的依赖程度较高技术问题。
第一方面,本发明一实施例提供了一种回归测试用例集的优化方法,应用于自动优化装置,包括:
获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;
从所述初始特征信息中抽取所述每个测试用例的目标特征信息;
将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成;
根据所述特征空间确定聚类簇的数量K;
获取所述每个测试用例在所述特征空间中的相似度;
基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。
可选的,所述从所述初始特征信息中抽取所述每个测试用例的目标特征信息,包括:
对所述初始特征信息进行数据清洗和特征筛选,从而抽取所述每个测试用例的目标特征信息。
可选的,所述根据所述特征空间确定聚类簇的数量K,包括:
利用所述特征空间生成所述目标特征信息的协方差矩阵;
利用主成分分析PCA获取所述协方差矩阵的最大投影方向;
在所述最大投影方向上进行直方图统计,获取直方图的峰值个数;
将所述直方图的峰值个数确定为聚类簇的数量K。
可选的,所述初始特征信息包括:
说明文档、执行人员、执行结果报表、用例脚本的语句、分支、函数、类和模块中的一个或多个。
可选的,在所述基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果之后,所述方法还包括:
对所述测试用例聚类结果进行抽样产生输出用例集。
第二方面,本发明一实施例提供了一种自动优化装置,包括:
第一获取模块,用于获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;
抽取模块,用于从所述初始特征信息中抽取所述每个测试用例的目标特征信息;
映射模块,用于将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成;
确定模块,用于根据所述特征空间确定聚类簇的数量K;
第二获取模块,用于获取所述每个测试用例在所述特征空间中的相似度;
聚类模块,用于基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。
可选的,所述抽取模块具体用于:
对所述初始特征信息进行数据清洗和特征筛选,从而抽取所述每个测试用例的目标特征信息。
可选的,所述确定模块包括:
生成子模块,用于利用所述特征空间生成所述目标特征信息的协方差矩阵;
获取子模块,用于利用主成分分析PCA获取所述协方差矩阵的最大投影方向;
统计子模块,用于在所述最大投影方向上进行直方图统计,获取直方图的峰值个数;
确定子模块,用于将所述直方图的峰值个数确定为聚类簇的数量K。
可选的,所述初始特征信息包括:
说明文档、执行人员、执行结果报表、用例脚本的语句、分支、函数、类和模块中的一个或多个。
可选的,所述装置还包括:
抽样模块,用于对所述测试用例聚类结果进行抽样产生输出用例集。
第三方面,本发明一实施例提供了一种计算机装置,所述装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如第一方面实施例所述方法的步骤。
第四方面,本发明一实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面实施例所述方法的步骤。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
采用本发明实施例提供的技术方案,能够非常有效的减少用例集的规模,提升系统执行效率,便于测试用例的维护和测试结果的分析。
附图说明
图1为本发明实施例提供的回归测试用例集的优化方法的流程图;
图2为本发明实施例提供的回归测试用例集的优化方法的具体算法流程图;
图3为本发明实施例提供的自动优化装置的示意图;
图4为本发明实施例提供的自动化测试系统的整体构架图。
具体实施方式
为了解决上述技术问题,本发明实施例中的技术方案的总体思路如下:一种回归测试用例集的优化方法和自动优化装置,包括:获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;从所述初始特征信息中抽取所述每个测试用例的目标特征信息;将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成;根据所述特征空间确定聚类簇的数量K;获取所述每个测试用例在所述特征空间中的相似度;基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。这样能够非常有效的减少用例集的规模,提升系统执行效率,便于测试用例的维护和测试结果的分析。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,本发明实施例一提供了一种回归测试用例集的优化方法,应用于自动优化装置,包括:
S101,获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;
S102,从所述初始特征信息中抽取所述每个测试用例的目标特征信息;
S103,将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成;
S104,根据所述特征空间确定聚类簇的数量K;
S105,获取所述每个测试用例在所述特征空间中的相似度;
S106,基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。
该方法利用自动优化装置对测试用例进行分类和选择,用来提高测试的准确率(precision)和召回率(recall),一般假设属于同一簇的测试用例之间特征差异较小,而属于不同簇的测试用例差异较大,基于此基本假设,属于同一簇的测试用例应检测出相同漏洞(bug),而不同簇的用例应检测出不同漏洞。
对于步骤S101,获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;其中,初始特征信息包括:说明文档、执行人员、执行结果报表、用例脚本的语句、分支、函数、类和模块中的一个或多个;初始特征信息也可以包括测试用例集中每个测试用例的其他的特征信息,在此不再一一例举。
在执行完步骤S101之后,继续执行步骤S102,该步骤具体为:对所述初始特征信息进行数据清洗和特征筛选,从而抽取所述每个测试用例的目标特征信息。其中,数据清洗例如对初始特征信息中的无效和/或冗余信息进行去除,特征筛选例如对初始特征信息中的各种特征信息进行选择,筛选出一部分需要用到的特征信息。在对初始特征信息进行数据清洗和特征筛选后,获得的信息是目标特征信息。
在根据步骤S102获得目标特征信息后,继续执行步骤S103,该步骤为:将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成。具体地,测试用例集中的每一个测试用例映射为唯一对应的特征向量,将测试用例集用例集映射到特征空间中,特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成。
在获得特征空间后,执行步骤S104,该步骤具体包括:
利用所述特征空间生成所述目标特征信息的协方差矩阵H;
利用主成分分析PCA(Principal Component Analysis)获取所述协方差矩阵H的最大投影方向;
在所述最大投影方向上进行直方图统计,获取直方图的峰值个数;
将所述直方图的峰值个数确定为聚类簇的数量K。
在获得特征空间后,也执行步骤S105,该步骤具体为:获取所述每个测试用例在所述特征空间中的相似度。
对于上述步骤S103、S104和S105,这三者均是在构成特征空间后执行,这三者的执行顺序可以为任意的顺序,按先后顺序、并行顺序、以及其中两者并行执行,另外一个和这两者先后执行的顺序来执行均可。
在获得的相似度和聚类簇的数量K后,执行步骤S106,具体为:根据获得的相似度和聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。
在获得测试用例聚类结果后,为了保证输出用例集的大小合适,根据实际需要设置适当的采样率,对所述测试用例聚类结果进行抽样产生输出用例集。
为了更好的理解本实施例,对该方法进行如下具体说明。
如图2所示,是回归测试用例集的优化方法的算法流程图,具体如下:
S201,获取与回归测试关联的测试用例集中每个测试用例的初始特征信息。
S202,对所述初始特征信息进行数据清洗和特征筛选,从而抽取所述每个测试用例的目标特征信息,将所述测试用例集映射到特征空间。其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成。
S203,利用所述特征空间生成所述目标特征信息的协方差矩阵H;根据协方差矩阵H确定聚类簇的数量K。具体确定聚类簇的数量K的方法如前述步骤S104所示。
S204,获取所述每个测试用例在所述特征空间中的相似度。
S205,根据所述相似度和所述聚类簇的数量K,初始化聚类中心J以及隶属度矩阵。
S206,计算并更新聚类中心J。
S207,更新隶属度矩阵U。
S208,计算判别函数,是否满足停止条件。在为是时,执行步骤S209,在为否时,返回执行步骤S206。
S209,生成测试用例聚类结果。
S210,对所述测试用例聚类结果进行抽样产生输出用例集。生成的输出用例集可以仅仅是用例集的身份标识,例如用例集的ID号,也可以携带有用例集的初始特征信息,初始特征信息包括:说明文档、执行人员、执行结果报表、用例脚本的语句、分支、函数、类和模块中的一个或多个;初始特征信息也可以包括测试用例集中每个测试用例的其他的特征信息,在此不再一一例举。
采用本实施例,自动优化装置自动选择用例集可以极大的平衡测试覆盖率与测试时间之间的矛盾,从而提高测试效率,降低测试成本。而且在产品或者用例发生变化时能够自适应对用例选择策略进行实时的调整,完全不需要人工进行干预。同时,本发明还设计了一套包括该自动优化装置的自动化测试系统,该自动化测试系统能够执行实施例一的方法。该自动化测试系统在实施例二中作具体阐述。
如图3所示,本发明实施例二提供了一种自动优化装置,其特征在于,包括:
第一获取模块301,用于获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;
抽取模块302,用于从所述初始特征信息中抽取所述每个测试用例的目标特征信息;
映射模块303,用于将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成;
确定模块304,用于根据所述特征空间确定聚类簇的数量K;
第二获取模块305,用于获取所述每个测试用例在所述特征空间中的相似度;
聚类模块306,用于基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。
该自动优化装置用于对测试用例进行分类和选择,用来提高测试的准确率(precision)和召回率(recall),一般假设属于同一簇的测试用例之间特征差异较小,而属于不同簇的测试用例差异较大,基于此基本假设,属于同一簇的测试用例应检测出相同漏洞(bug),而不同簇的用例应检测出不同漏洞。
该装置中的第一获取模块301,获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;其中,初始特征信息包括:说明文档、执行人员、执行结果报表、用例脚本的语句、分支、函数、类和模块中的一个或多个;初始特征信息也可以包括测试用例集中每个测试用例的其他的特征信息,在此不再一一例举。
该装置中的抽取模块302,对所述初始特征信息进行数据清洗和特征筛选,从而抽取所述每个测试用例的目标特征信息。其中,数据清洗例如对初始特征信息中的无效和/或冗余信息进行去除,特征筛选例如对初始特征信息中的各种特征信息进行选择,筛选出一部分需要用到的特征信息。在对初始特征信息进行数据清洗和特征筛选后,获得的信息是目标特征信息。
该装置中的映射模块303,将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成。具体地,测试用例集中的每一个测试用例映射为唯一对应的特征向量,将测试用例集用例集映射到特征空间中,特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成。
该装置中的确定模块304,具体包括:
生成子模块,用于利用所述特征空间生成所述目标特征信息的协方差矩阵;
获取子模块,用于利用主成分分析PCA获取所述协方差矩阵的最大投影方向;
统计子模块,用于在所述最大投影方向上进行直方图统计,获取直方图的峰值个数;
确定子模块,用于将所述直方图的峰值个数确定为聚类簇的数量K。
该装置中的第二获取模块305,获取所述每个测试用例在所述特征空间中的相似度。
该装置中还包括聚类模块306,在获得的相似度和聚类簇的数量K后,根据获得的相似度和聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。
该装置还可以包括抽样模块,在获得测试用例聚类结果后,为了保证输出用例集的大小合适,根据实际需要对抽样模块设置适当的采样率,该抽样模块对所述测试用例聚类结果进行抽样产生输出用例集。
该装置具体的工作原理的方法步骤与实施例一中的方法相同,在此不再赘述。
采用本实施例,自动优化装置自动选择用例集可以极大的平衡测试覆盖率与测试时间之间的矛盾,从而提高测试效率,降低测试成本。而且在产品或者用例发生变化时能够自适应对用例选择策略进行实时的调整,完全不需要人工进行干预。同时,本发明还设计了一套包括该自动优化装置的自动化测试系统。
如图4所示,是该自动化测试系统的整体构架图,具体构架说明如下:
通信层:本层是自动化测试系统与其它系统通信的基础模块,分为TCP(Transmission Control Protocol,传输控制协议)通信模块和UDP(User DatagramProtocol,用户数据报协议)通信模块。
服务层:本层提供自动化测试系统的基础服务,分为用例管理服务模块和用例执行模块。其中,用例管理服务模块例如用于用例的存储、显示、增删等。
计算层:本层提供自动化测试系统的核心功能,分为特征空间转换模块、聚类算法模块和直方图计算模块。该计算层可以由本实施例二中的自动优化装置组成。
UI(User Interface,用户界面)层:本层提供自动化测试系统的用户界面,分为人机交互模块、用例编写模块以及日志模块。
该系统可以从用例管理、用例选择、用例执行到用例结果分析各个测试步骤实现完全无人自动化,并且利用自动优化装置自动选择用例集可以极大的平衡测试覆盖率与测试时间之间的矛盾,从而提高测试效率,降低测试成本。而且在产品或者用例发生变化时能够自适应对用例选择策略进行实时的调整,完全不需要人工进行干预。
本发明实施例三提供了一种计算机装置,其特征在于,所述装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如实施例一所述方法的步骤。
本发明实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如实施例一所述方法的步骤。
上述本发明实施例中的技术方案,至少具有如下的技术效果或优点:
采用本发明实施例提供的技术方案,能够非常有效的减少用例集的规模,提升系统执行效率,便于测试用例的维护和测试结果的分析。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种回归测试用例集的优化方法,应用于自动优化装置,其特征在于,包括:
获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;
从所述初始特征信息中抽取所述每个测试用例的目标特征信息;
将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成;
根据所述特征空间确定聚类簇的数量K;
获取所述每个测试用例在所述特征空间中的相似度;
基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。
2.如权利要求1所述的方法,其特征在于,所述从所述初始特征信息中抽取所述每个测试用例的目标特征信息,包括:
对所述初始特征信息进行数据清洗和特征筛选,从而抽取所述每个测试用例的目标特征信息。
3.如权利要求1-2任一项所述的方法,其特征在于,所述根据所述特征空间确定聚类簇的数量K,包括:
利用所述特征空间生成所述目标特征信息的协方差矩阵;
利用主成分分析PCA获取所述协方差矩阵的最大投影方向;
在所述最大投影方向上进行直方图统计,获取直方图的峰值个数;
将所述直方图的峰值个数确定为聚类簇的数量K。
4.如权利要求1-2任一项所述的方法,其特征在于,所述初始特征信息包括:
说明文档、执行人员、执行结果报表、用例脚本的语句、分支、函数、类和模块中的一个或多个。
5.如权利要求1-2任一项所述的方法,其特征在于,在所述基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果之后,所述方法还包括:
对所述测试用例聚类结果进行抽样产生输出用例集。
6.一种自动优化装置,其特征在于,包括:
第一获取模块,用于获取与回归测试关联的测试用例集中每个测试用例的初始特征信息;
抽取模块,用于从所述初始特征信息中抽取所述每个测试用例的目标特征信息;
映射模块,用于将所述测试用例集映射到特征空间,其中,所述特征空间中的每个特征向量由所述每个测试用例的目标特征信息构成;
确定模块,用于根据所述特征空间确定聚类簇的数量K;
第二获取模块,用于获取所述每个测试用例在所述特征空间中的相似度;
聚类模块,用于基于所述相似度和所述聚类簇的数量K,对所述测试用例集中的所有测试用例进行聚类,获得测试用例聚类结果。
7.如权利要求6所述的装置,其特征在于,所述抽取模块具体用于:
对所述初始特征信息进行数据清洗和特征筛选,从而抽取所述每个测试用例的目标特征信息。
8.如权利要求6-7任一项所述的装置,其特征在于,所述确定模块包括:
生成子模块,用于利用所述特征空间生成所述目标特征信息的协方差矩阵;
获取子模块,用于利用主成分分析PCA获取所述协方差矩阵的最大投影方向;
统计子模块,用于在所述最大投影方向上进行直方图统计,获取直方图的峰值个数;
确定子模块,用于将所述直方图的峰值个数确定为聚类簇的数量K。
9.如权利要求6-7任一项所述的装置,其特征在于,所述初始特征信息包括:
说明文档、执行人员、执行结果报表、用例脚本的语句、分支、函数、类和模块中的一个或多个。
10.如权利要求6-7任一项所述的装置,其特征在于,所述装置还包括:
抽样模块,用于对所述测试用例聚类结果进行抽样产生输出用例集。
11.一种计算机装置,其特征在于,所述装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-5中任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711365459.1A CN109933515B (zh) | 2017-12-18 | 2017-12-18 | 一种回归测试用例集的优化方法和自动优化装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711365459.1A CN109933515B (zh) | 2017-12-18 | 2017-12-18 | 一种回归测试用例集的优化方法和自动优化装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109933515A true CN109933515A (zh) | 2019-06-25 |
CN109933515B CN109933515B (zh) | 2021-03-12 |
Family
ID=66982594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711365459.1A Active CN109933515B (zh) | 2017-12-18 | 2017-12-18 | 一种回归测试用例集的优化方法和自动优化装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933515B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111309608A (zh) * | 2020-02-13 | 2020-06-19 | 咪咕音乐有限公司 | 测试用例的选择方法、装置、电子设备和可读存储介质 |
CN112306854A (zh) * | 2019-08-01 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 用例测试方法、装置、电子设备及存储介质 |
CN112835798A (zh) * | 2021-02-03 | 2021-05-25 | 广州虎牙科技有限公司 | 聚类学习方法、测试步骤聚类方法及相关装置 |
CN113609020A (zh) * | 2021-08-09 | 2021-11-05 | 广州品唯软件有限公司 | 一种测试用例推荐方法及装置 |
CN118051442A (zh) * | 2024-04-15 | 2024-05-17 | 江苏省电子信息产品质量监督检验研究院(江苏省信息安全测评中心) | 一种基于谱聚类的测试用例复用方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162679A1 (en) * | 2002-05-03 | 2004-08-19 | Linheng Li | Method for predicting gene potential and cell commitment |
CN101866317A (zh) * | 2010-06-29 | 2010-10-20 | 南京大学 | 一种基于聚类分析的回归测试用例选择方法 |
CN102253889A (zh) * | 2011-08-07 | 2011-11-23 | 南京大学 | 一种回归测试中基于分布的测试用例优先级划分方法 |
CN104239859A (zh) * | 2014-09-05 | 2014-12-24 | 西安电子科技大学 | 基于结构化因子分析的人脸识别方法 |
CN105159827A (zh) * | 2015-08-21 | 2015-12-16 | 北京航空航天大学 | 一种面向gui软件的可靠性加速测试方法 |
-
2017
- 2017-12-18 CN CN201711365459.1A patent/CN109933515B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162679A1 (en) * | 2002-05-03 | 2004-08-19 | Linheng Li | Method for predicting gene potential and cell commitment |
CN101866317A (zh) * | 2010-06-29 | 2010-10-20 | 南京大学 | 一种基于聚类分析的回归测试用例选择方法 |
CN102253889A (zh) * | 2011-08-07 | 2011-11-23 | 南京大学 | 一种回归测试中基于分布的测试用例优先级划分方法 |
CN104239859A (zh) * | 2014-09-05 | 2014-12-24 | 西安电子科技大学 | 基于结构化因子分析的人脸识别方法 |
CN105159827A (zh) * | 2015-08-21 | 2015-12-16 | 北京航空航天大学 | 一种面向gui软件的可靠性加速测试方法 |
Non-Patent Citations (2)
Title |
---|
余国清等: "一种模糊K-means算法在测试用例集约简中的应用", 《华侨大学学报》 * |
桂。: "PCA算法", 《HTTP://WWW.CNBLOGS.COM/XINGSHANSI/ARTICLES/6445625.HTML》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112306854A (zh) * | 2019-08-01 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 用例测试方法、装置、电子设备及存储介质 |
CN112306854B (zh) * | 2019-08-01 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 用例测试方法、装置、电子设备及存储介质 |
CN111309608A (zh) * | 2020-02-13 | 2020-06-19 | 咪咕音乐有限公司 | 测试用例的选择方法、装置、电子设备和可读存储介质 |
CN111309608B (zh) * | 2020-02-13 | 2023-09-05 | 咪咕音乐有限公司 | 测试用例的选择方法、装置、电子设备和可读存储介质 |
CN112835798A (zh) * | 2021-02-03 | 2021-05-25 | 广州虎牙科技有限公司 | 聚类学习方法、测试步骤聚类方法及相关装置 |
CN112835798B (zh) * | 2021-02-03 | 2024-02-20 | 广州虎牙科技有限公司 | 聚类学习方法、测试步骤聚类方法及相关装置 |
CN113609020A (zh) * | 2021-08-09 | 2021-11-05 | 广州品唯软件有限公司 | 一种测试用例推荐方法及装置 |
CN118051442A (zh) * | 2024-04-15 | 2024-05-17 | 江苏省电子信息产品质量监督检验研究院(江苏省信息安全测评中心) | 一种基于谱聚类的测试用例复用方法及系统 |
CN118051442B (zh) * | 2024-04-15 | 2024-06-25 | 江苏省电子信息产品质量监督检验研究院(江苏省信息安全测评中心) | 一种基于谱聚类的测试用例复用方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109933515B (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933515A (zh) | 一种回归测试用例集的优化方法和自动优化装置 | |
CN111177095B (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
CN110069348B (zh) | 一种高效利用云中心量子计算机资源的方法 | |
CN104185840B (zh) | 在持续部署流水线中用来优先化多个测试的方法、系统和装置 | |
CN106803799B (zh) | 一种性能测试方法和装置 | |
CN111355606B (zh) | 面向web应用的容器集群自适应扩缩容系统和方法 | |
CN110210513A (zh) | 数据分类方法、装置及终端设备 | |
CN112087313B (zh) | 用于生成网络模拟场景的技术 | |
CN109408351A (zh) | 一种ai环境检测和深度学习环境自动部署的方法和装置 | |
CN114186697B (zh) | 基于深度学习框架生成和应用深度学习模型的方法及装置 | |
CN115795329B (zh) | 一种基于大数据网格下的用电异常行为分析方法和装置 | |
CN109743286A (zh) | 一种基于图卷积神经网络的ip类型标记方法及设备 | |
CN115698941A (zh) | 组件的高效打包 | |
CN108304322A (zh) | 一种压力测试方法及终端设备 | |
CN110532184A (zh) | 多场景模拟响应的方法、装置、计算机设备及存储介质 | |
US20220114019A1 (en) | Distributed resource-aware training of machine learning pipelines | |
CN114756301B (zh) | 日志处理方法、装置和系统 | |
Wu et al. | Identifying potential standard essential patents based on text mining and generative topographic mapping | |
CN110287256A (zh) | 一种基于云计算的电网数据并行处理系统及其处理方法 | |
CN115454787A (zh) | 告警分类方法、装置、电子设备及存储介质 | |
CN112486667B (zh) | 一种基于边缘计算精准处理数据的方法及装置 | |
CN112882696B (zh) | 一种基于超级计算机的全要素模型训练系统 | |
CN108132883A (zh) | 一种软件测试数据分析方法、装置、系统及存储介质 | |
CN115809688A (zh) | 一种模型调试方法、装置、电子设备及存储介质 | |
Rayan et al. | Resource Prediction for Big Data Processing in a Cloud Data Center: A Machine Learning Approach: A Machine Learning Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |