CN109976990A - 一种用于确认软件测试用例优先级的方法及系统 - Google Patents
一种用于确认软件测试用例优先级的方法及系统 Download PDFInfo
- Publication number
- CN109976990A CN109976990A CN201711446638.8A CN201711446638A CN109976990A CN 109976990 A CN109976990 A CN 109976990A CN 201711446638 A CN201711446638 A CN 201711446638A CN 109976990 A CN109976990 A CN 109976990A
- Authority
- CN
- China
- Prior art keywords
- data
- test case
- training set
- test
- base learner
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 157
- 238000012549 training Methods 0.000 claims abstract description 96
- 238000002790 cross-validation Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013522 software testing Methods 0.000 description 2
- GQWNECFJGBQMBO-UHFFFAOYSA-N Molindone hydrochloride Chemical compound Cl.O=C1C=2C(CC)=C(C)NC=2CCC1CN1CCOCC1 GQWNECFJGBQMBO-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 231100000640 hair analysis Toxicity 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种用于确认软件测试用例优先级的方法：获取经过整合后的测试管理系统与缺陷管理系统中的原始数据；对原始数据进行筛选和清洗；将测试实例数据集中的文本数据进行向量化处理；将使用统计方法获取的统计数据添加到经过向量化处理的测试实例数据集，生成测试实例训练集；进行多轮有放回的随机抽取测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器；将多个基学习器的结果进行排序以确定多个基学习器的最终训练结果；使用未被指定的数据对多个基学习器的最终训练结果进行交叉验证，获取通过交叉验证的基学习器；将新版本的测试用例数据集通过已获得交叉验证的基学习器进行预测；确定测试用例的优先级。
Description
技术领域
本发明涉及软件测试技术领域，更具体地，涉及一种用于确认软件测试用例优先级的方法及系统。
背景技术
软件测试是软件开发过程中必不可少的重要环节，它占据了大量的人力物力。在日常的软件测试工作当中，经常会遇到软件功能需求基本不变，但软件代码高频次小幅度修改的情况，尤其对于一些大型的、延续时间很长的项目更是如此，例如ERP软件便是一个典型的代表。这种小幅度对软件代码的修改，往往会产生大量的测试工作。
大型软件项目由于涉及的模块众多，业务流程复杂，在开发后期及维护阶段，常常会面临牵一发而动全身的尴尬局面，因此每一次新版本下发后测试工作量非常大。如果仅仅把修改点进行测试，则有可能由于漏测而出现重大问题，但是倘若把所有测试用例都覆盖一遍，则往往需要若干天才能够完成，这不仅使得测试效率低下、代码问题无法及时反馈，而且拖慢了整个迭代周期和项目开发进度。
在软件测试过程中，测试用例的地位极其重要，它在很大程序上决定了测试的能否成功。但在在一些规模较大的软件工程中，测试用例完全执行需要的时间可能长达数月。如果软件需求发生变更导致测试用例重新修改或者增加，测试用例也要修改增加，执行的成本也会越来越高。对于测试过程来说，不同的测试用例用着不同的贡献程序，根据重要程序不同，有必要进行测试用例优先级排序。
因此，需要一种技术，以实现一种用于确认软件测试用例优先级的技术。
发明内容
本发明提出了一种用于确认软件测试用例优先级的方法及系统，以解决如何确定软件测试用例优先级的问题。
为了解决上述问题，本发明提供了一种用于确认软件测试用例优先级的方法，所述方法包括：
获取经过整合后的测试管理系统与缺陷管理系统中的原始数据；
对所述原始数据进行筛选和清洗，获取测试实例数据集；将所述测试实例数据集中的文本数据进行向量化处理；
将使用统计方法获取的统计数据添加到经过向量化处理的所述测试实例数据集，生成测试实例训练集；
进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器；
将多个基学习器的结果进行排序以确定多个基学习器的最终训练结果；
使用所述测试实例训练集中未被指定的数据对所述多个基学习器的最终训练结果进行交叉验证，获取通过交叉验证的基学习器；
将新版本的测试用例数据集通过已获得交叉验证的基学习器进行预测，获取预测结果；
利用所述预测结果确定所述测试用例的优先级。
优选地，所述进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，包括：
所述进行多轮有放回的随机抽取所述测试实例训练集中指定的不低于70％的数据。
优选地，所述使用未被指定的数据对所述多个基学习器的最终训练结果进行交叉验证，包括：
所述使用未被指定的所述测试实例训练集中的不高于30％的数据对所述多个基学习器的最终训练结果进行交叉验证。
优选地，所述进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器，包括：
进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据利用分类决策树C4.5算法训练为一个基学习器。
优选地，对所述进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，调整进行有放回的随机抽取所述测试实例训练集中指定的数据的轮数。
优选地，根据经过确定的所述测试用例的优先级，对软件测试的执行过程进行指导。
基于本发明的另一方面，提供一种用于确认软件测试用例优先级的系统，所述系统包括：
数据准备模块单元，用于获取经过整合后的测试管理系统与缺陷管理系统中的原始数据；
数据处理模块，用于对所述原始数据进行筛选和清洗，获取测试实例数据集；将所述测试实例数据集中的文本数据进行向量化处理；用于将使用统计方法获取的统计数据添加到经过向量化处理的所述测试实例数据集，生成测试实例训练集；
预测模块，用于进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器；用于将多个基学习器的结果进行排序以确定多个基学习器的最终训练结果；用于使用所述测试实例训练集中未被指定的数据对所述多个基学习器的最终训练结果进行交叉验证，获取通过交叉验证的基学习器；用于将新版本的测试用例数据集通过已获得交叉验证的基学习器进行预测，获取预测结果；用于利用所述预测结果确定所述测试用例的优先级。
优选地，所述预测模块还用于：进行多轮有放回的随机抽取所述测试实例训练集中指定的不低于70％的数据。
优选地，所述预测模块还用于：使用未被指定的所述测试实例训练集中的不高于30％的数据对所述多个基学习器的最终训练结果进行交叉验证。
优选地，所述预测模块还用于：进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据利用分类决策树C4.5算法训练为一个基学习器。
优选地，所述预测模块还用于：对所述进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，调整进行有放回的随机抽取所述测试实例训练集中指定的数据的轮数。
优选地，还包括执行模块，用于根据经过确定的所述测试用例的优先级，对软件测试的执行过程进行指导。
为本发明技术方案提供了一种用于确认软件测试用例优先级的方法及系统，本发明技术方案将测试用例与缺陷数据进行关联，通过对相关数据进行机器学习，训练为一个基学习器，从而预测新版本中测试用例是否高风险，为确定测试用例集及测试用例的执行优先级提供依据，可以减小测试工作量，提高测试效率，适应敏捷模式下快速响应快速反馈的要求。本发明技术方案基于测试用例与缺陷存在一对多的关系，本发明技术方案通过对用例数据的分析结合对历史缺陷的统计，进而预测新版本中测试用例是否可能存在bug，从而为确定新版本的测试用例优先级提供依据，使得测试更高效。本发明技术方案是对测试用例结合历史缺陷数据进行机器学习，并训练为一个基学习器，从而预测与之关联的测试用例在新版本中的风险，从而为确定新版本的测试用例集及测试用例优先级提供依据，使得测试更高效。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的用于确认软件测试用例优先级的方法流程图；
图2为根据本发明实施方式的预测过程示意图；以及
图3为根据本发明实施方式的用于确认软件测试用例优先级的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的一种用于确认软件测试用例优先级的方法流程图。本发明实施方式将测试用例与缺陷数据进行关联，通过对相关数据进行机器学习，从而预测新版本中测试用例是否高风险，为确定测试用例集及测试用例的执行优先级提供依据，可以减小测试工作量，提高测试效率，适应敏捷模式下快速响应快速反馈的要求。如图1所示，一种用于确认软件测试用例优先级的方法包括：
获取经过整合后的测试管理系统与缺陷管理系统中的原始数据。本申请中，从测试用例及软件测试缺陷相关数据源中获得原始数据。
对原始数据进行筛选和清洗，获取测试实例数据集；将测试实例数据集中的文本数据进行向量化处理。
本申请，对原始数据进行清洗，按照影响测试用例是否通过的因素进行筛选，并去掉个别异常数据，得到测试实例数据集。将测试实例数据集中的文本属性进行向量化处理，将文本类型向量转换为Int向量。
将使用统计方法获取的统计数据添加到经过向量化处理的测试实例数据集，生成测试实例训练集。本申请使用统计方法获取统计数据，生成测试实例训练集。
进行多轮有放回的随机抽取测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器。
优选地，进行多轮有放回的随机抽取测试实例训练集中指定的数据，包括：
进行多轮有放回的随机抽取测试实例训练集中指定的不低于70％的数据。
优选地，进行多轮有放回的随机抽取测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器，包括：
进行多轮有放回的随机抽取测试实例训练集中指定的数据，将每一轮随机抽取的数据利用分类决策树C4.5算法训练为一个基学习器。
本申请中，从实例训练集中随机抽取70％、75％、80％、85％的数据进行m轮有放回的抽样。对每一轮抽样得到的样本Mi，使用分类决策树C4.5算法训练一个基学习器。
将多个基学习器的结果进行排序以确定多个基学习器的最终训练结果。本申请将m个基学习器的结果进行统计来决定最终结果。
使用测试实例训练集中未被指定的数据对多个基学习器的最终训练结果进行交叉验证，获取通过交叉验证的基学习器。
优选地，使用未被指定的数据对多个基学习器的最终训练结果进行交叉验证，包括：
使用未被指定的测试实例训练集中的不高于30％的数据对多个基学习器的最终训练结果进行交叉验证。本申请中，使用未被指定的实例训练集中的剩余30％、25％、20％、15％数据进行交叉验证。
将新版本的测试用例数据集通过已获得交叉验证的基学习器进行预测，获取预测结果。
利用预测结果确定测试用例的优先级。本申请中，导入新版本测试用例集数据，经过处理后，使用之前训练好的模型进行预测。
优选地，对进行多轮有放回的随机抽取测试实例训练集中指定的数据，调整进行有放回的随机抽取测试实例训练集中指定的数据的轮数。本申请中，通过调整m的值使预测精度达到更高，预测过程如图2所示。
图2为根据本发明实施方式的预测过程示意图。如图2所示，首先读入实例训练集数据，将实例训集中的70％的数据作为指定的训练集数据，从实例训练集中的随机抽取70％的数据进行m轮有放回的随机抽样，每一轮抽样的次数相同，每一轮抽样后得到一个训练样本Mi，对Mi使用C4.5算法训练一个基学习器，则可以生成m个基学习器，通过对m个基学习器的结果进行投票来决定最终结果。
将实例训集中的30％的数据作为验证集数据，使用实例训练集中剩余30％的验证集的数据进行交叉验证，以验证预测模型的准确性，并通过反复调整算法m的值对模型进行优化，使得模型的预测准确度达到最优。
本申请在新的测试版本下发前，按照实例数据集模板导入待测测试用例集，经过数据处理后，使用之前训练好的模型进行预测，即可得到测试用例是否高风险的预测结果。
优选地，根据经过确定的测试用例的优先级，对软件测试的执行过程进行指导。本申请利用预测结果标注测试用例优先级，指导测试执行过程。
图3为根据本发明实施方式的用于确认软件测试用例优先级的系统结构图。如图3所示，本申请实施方式提出的一种用于确认软件测试用例优先级的系统分别包括三层：数据准备模块、数据处理模块、预测模块。
数据准备模块单元，用于获取经过整合后的测试管理系统与缺陷管理系统中的原始数据。
本申请，利用数据准备模块获取并整合测试管理系统、缺陷管理系统中的相关数据，根据影响测试用例是否通过的因素进行数据筛选，这些因素即为属性。之后，分析数据并剔除其中不完整及情况特殊的数据(如缺陷刚刚提出，尚未经过开发人员进确认)，其中每一条记录为一条实例数据，这些实例数据共同组成实例数据集。影响测试用例是否通过的因素如表1所示。
表1影响测试用例是否通过的因素
数据处理模块，用于对原始数据进行筛选和清洗，获取测试实例数据集；将测试实例数据集中的文本数据进行向量化处理；用于将使用统计方法获取的统计数据添加到经过向量化处理的测试实例数据集，生成测试实例训练集。本申请使用统计方法获取统计数据，生成测试实例训练集。
本申请，对原始数据进行清洗，按照影响测试用例是否通过的因素进行筛选，并去掉个别异常数据，得到测试实例数据集。将测试实例数据集中的文本属性进行向量化处理，将文本类型向量转换为Int向量。
本申请利用数据处理模块读入实例数据集，将其中的文本属性转换为Int向量，并使用统计方法获取缺陷总数等统计数据，将这些数据附加到实例数据集的原始属性之后，最终，将实例数据集连同新生成数据共同组成实例训练集。
预测模块，用于进行多轮有放回的随机抽取测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器；用于将多个基学习器的结果进行排序以确定多个基学习器的最终训练结果；用于使用测试实例训练集中未被指定的数据对多个基学习器的最终训练结果进行交叉验证，获取通过交叉验证的基学习器；用于将新版本的测试用例数据集通过已获得交叉验证的基学习器进行预测，获取预测结果；用于利用预测结果确定测试用例的优先级。
优选地，预测模块还用于：进行多轮有放回的随机抽取测试实例训练集中指定的不低于70％的数据。
优选地，预测模块还用于：使用未被指定的测试实例训练集中的不高于30％的数据对多个基学习器的最终训练结果进行交叉验证。
优选地，预测模块还用于：进行多轮有放回的随机抽取测试实例训练集中指定的数据，将每一轮随机抽取的数据利用分类决策树C4.5算法训练为一个基学习器。
本申请中，从实例训练集中随机抽取70％、75％、80％、85％的数据进行m轮有放回的抽样。对每一轮抽样得到的样本Mi，使用分类决策树C4.5算法训练一个基学习器。
优选地，预测模块还用于：对进行多轮有放回的随机抽取测试实例训练集中指定的数据，调整进行有放回的随机抽取测试实例训练集中指定的数据的轮数。
优选地，一种用于确认软件测试用例优先级的系统还包括执行模块，用于根据经过确定的测试用例的优先级，对软件测试的执行过程进行指导。
本申请通过预测模块从实例训练集中的随机抽取70％的数据进行m轮有放回的随机抽样，每一轮抽样的次数相同，每一轮抽样后得到一个训练样本Mi，对Mi使用C4.5算法训练一个基学习器，则可以生成m个基学习器，通过对m个基学习器的结果进行投票来决定最终结果。
本申请使用实例训练集中剩余30％数据进行交叉验证，以验证预测模型的准确性，并通过反复调整算法m的值对模型进行优化，使得模型的预测准确度达到最优。
本申请中，使用未被指定的实例训练集中的剩余30％、25％、20％、15％数据进行交叉验证。
本申请在新的测试版本下发前，按照实例数据集模板导入待测测试用例集，经过数据处理后，使用之前训练好的模型进行预测，即可得到测试用例是否高风险的预测结果。
本发明实施方式将测试管理系统与缺陷管理系统中的数据进行关联，以以往测试的结果作为参数项评判用例的优先级。本申请根据实际运行经验，提取出影响测试用例是否通过的若干主要因素。本申请将机器学习用于软件测试领域，使用bagging+C4.5算法预测测试用例是否高风险。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个//该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
Claims (12)
1.一种用于确认软件测试用例优先级的方法，所述方法包括：
获取经过整合后的测试管理系统与缺陷管理系统中的原始数据；
对所述原始数据进行筛选和清洗，获取测试实例数据集；将所述测试实例数据集中的文本数据进行向量化处理；
将使用统计方法获取的统计数据添加到经过向量化处理的所述测试实例数据集，生成测试实例训练集；
进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器；
将多个基学习器的结果进行排序以确定多个基学习器的最终训练结果；
使用所述测试实例训练集中未被指定的数据对所述多个基学习器的最终训练结果进行交叉验证，获取通过交叉验证的基学习器；
将新版本的测试用例数据集通过已获得交叉验证的基学习器进行预测，获取预测结果；
利用所述预测结果确定所述测试用例的优先级。
2.根据权利要求1所述的方法，所述进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，包括：
所述进行多轮有放回的随机抽取所述测试实例训练集中指定的不低于70％的数据。
3.根据权利要求1所述的方法，所述使用未被指定的数据对所述多个基学习器的最终训练结果进行交叉验证，包括：
所述使用未被指定的所述测试实例训练集中的不高于30％的数据对所述多个基学习器的最终训练结果进行交叉验证。
4.根据权利要求1所述的方法，所述进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器，包括：
进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据利用分类决策树C4.5算法训练为一个基学习器。
5.根据权利要求1所述的方法，对所述进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，调整进行有放回的随机抽取所述测试实例训练集中指定的数据的轮数。
6.根据权利要求1所述的方法，根据经过确定的所述测试用例的优先级，对软件测试的执行过程进行指导。
7.一种用于确认软件测试用例优先级的系统，所述系统包括：
数据准备模块单元，用于获取经过整合后的测试管理系统与缺陷管理系统中的原始数据；
数据处理模块，用于对所述原始数据进行筛选和清洗，获取测试实例数据集；将所述测试实例数据集中的文本数据进行向量化处理；用于将使用统计方法获取的统计数据添加到经过向量化处理的所述测试实例数据集，生成测试实例训练集；
预测模块，用于进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据训练为一个基学习器；用于将多个基学习器的结果进行排序以确定多个基学习器的最终训练结果；用于使用所述测试实例训练集中未被指定的数据对所述多个基学习器的最终训练结果进行交叉验证，获取通过交叉验证的基学习器；用于将新版本的测试用例数据集通过已获得交叉验证的基学习器进行预测，获取预测结果；用于利用所述预测结果确定所述测试用例的优先级。
8.根据权利要求7所述的系统，所述预测模块还用于：进行多轮有放回的随机抽取所述测试实例训练集中指定的不低于70％的数据。
9.根据权利要求7所述的系统，所述预测模块还用于：使用未被指定的所述测试实例训练集中的不高于30％的数据对所述多个基学习器的最终训练结果进行交叉验证。
10.根据权利要求7所述的系统，所述预测模块还用于：进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，将每一轮随机抽取的数据利用分类决策树C4.5算法训练为一个基学习器。
11.根据权利要求7所述的系统，所述预测模块还用于：对所述进行多轮有放回的随机抽取所述测试实例训练集中指定的数据，调整进行有放回的随机抽取所述测试实例训练集中指定的数据的轮数。
12.根据权利要求7所述的系统，还包括执行模块，用于根据经过确定的所述测试用例的优先级，对软件测试的执行过程进行指导。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711446638.8A CN109976990A (zh) | 2017-12-27 | 2017-12-27 | 一种用于确认软件测试用例优先级的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711446638.8A CN109976990A (zh) | 2017-12-27 | 2017-12-27 | 一种用于确认软件测试用例优先级的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109976990A true CN109976990A (zh) | 2019-07-05 |
Family
ID=67072530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711446638.8A Pending CN109976990A (zh) | 2017-12-27 | 2017-12-27 | 一种用于确认软件测试用例优先级的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109976990A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111427802A (zh) * | 2020-06-09 | 2020-07-17 | 南京大学 | 利用集成学习进行测试用例优先级排序的测试方法和系统 |
| CN113672506A (zh) * | 2021-08-06 | 2021-11-19 | 中国科学院软件研究所 | 基于机器学习的动态比例测试用例排序选择方法及系统 |
| US11288172B2 (en) | 2020-03-30 | 2022-03-29 | Accenture Global Solutions Limited | Test case optimization and prioritization |
| US11989119B2 (en) | 2020-03-30 | 2024-05-21 | Accenture Global Solutions Limited | Test case optimization and prioritization |
| CN118189898A (zh) * | 2024-05-20 | 2024-06-14 | 四川华腾公路试验检测有限责任公司 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908020A (zh) * | 2010-08-27 | 2010-12-08 | 南京大学 | 一种基于分类挖掘和版本变更的测试用例优先化方法 |
| US20120226645A1 (en) * | 2011-03-04 | 2012-09-06 | UltraTick | Predicting the Performance of a Financial Instrument |
| CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和系统 |
| CN107168868A (zh) * | 2017-04-01 | 2017-09-15 | 西安交通大学 | 一种基于采样和集成学习的软件更改缺陷预测方法 |
-
2017
- 2017-12-27 CN CN201711446638.8A patent/CN109976990A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908020A (zh) * | 2010-08-27 | 2010-12-08 | 南京大学 | 一种基于分类挖掘和版本变更的测试用例优先化方法 |
| US20120226645A1 (en) * | 2011-03-04 | 2012-09-06 | UltraTick | Predicting the Performance of a Financial Instrument |
| CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和系统 |
| CN107168868A (zh) * | 2017-04-01 | 2017-09-15 | 西安交通大学 | 一种基于采样和集成学习的软件更改缺陷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 傅艺绮等: "基于组合机器学习算法的软件缺陷预测模型", 《计算机研究与发展》 * |
| 陆鹏程: "面向软件缺陷预测的聚类欠采样集成方法", 《计算机工程与设计》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11288172B2 (en) | 2020-03-30 | 2022-03-29 | Accenture Global Solutions Limited | Test case optimization and prioritization |
| US11989119B2 (en) | 2020-03-30 | 2024-05-21 | Accenture Global Solutions Limited | Test case optimization and prioritization |
| CN111427802A (zh) * | 2020-06-09 | 2020-07-17 | 南京大学 | 利用集成学习进行测试用例优先级排序的测试方法和系统 |
| CN111427802B (zh) * | 2020-06-09 | 2021-06-22 | 南京大学 | 利用集成学习进行测试用例优先级排序的测试方法和系统 |
| CN113672506A (zh) * | 2021-08-06 | 2021-11-19 | 中国科学院软件研究所 | 基于机器学习的动态比例测试用例排序选择方法及系统 |
| CN118189898A (zh) * | 2024-05-20 | 2024-06-14 | 四川华腾公路试验检测有限责任公司 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109976990A (zh) | 一种用于确认软件测试用例优先级的方法及系统 | |
| CN110134588B (zh) | 一种基于代码和组合覆盖的测试用例优先级排序方法及测试系统 | |
| CN107577603A (zh) | 一种基于测试用例构建决策树的程序条件语句自动化修复系统及方法 | |
| CN105224458B (zh) | 一种数据库测试方法及系统 | |
| CN104794057B (zh) | 一种交叉事件自动化测试方法和装置 | |
| CN110211173A (zh) | 一种基于深度学习的古生物化石定位和识别方法 | |
| CN110413524A (zh) | 用于生成测试脚本的方法和装置、自动化测试方法 | |
| CN111459799A (zh) | 一种基于Github的软件缺陷检测模型建立、检测方法及系统 | |
| CN110378206B (zh) | 一种智能审图系统及方法 | |
| CN106846203A (zh) | 一种智能阅卷方法及系统 | |
| Chandra et al. | Improving software quality using machine learning | |
| CN105760299A (zh) | 一种基于智能变电站全自动脚本测试方法 | |
| CN110263934A (zh) | 一种人工智能数据标注方法和装置 | |
| Li et al. | Classification of software defect detected by black-box testing: An empirical study | |
| CN106294174B (zh) | 测试充分性的多维度度量方法及装置 | |
| CN109710514B (zh) | 测试用例优先级排序中的tie-breaking的解决方法及系统 | |
| Mahajan et al. | Applying genetic algorithm to increase the efficiency of a data flow-based test data generation approach | |
| CN105931153A (zh) | 一种基于神经网络预测分析模型的问卷调查间接评估方法 | |
| CN107678971A (zh) | 代码味道驱动的基于克隆和耦合检测的代码缺陷预测方法 | |
| CN109409022A (zh) | 一种用于核电堆芯物理仿真可视化建模调试测试方法 | |
| CN107025172A (zh) | 一种基于概率风险评价的软件测试方法 | |
| CN106445801A (zh) | 一种基于频谱定位和可视化定位软件缺陷的方法 | |
| CN102567351B (zh) | 一种数据库变更效果的测试方法及测试装置 | |
| CN117520184A (zh) | 一种计算机软件开发用测试系统 | |
| CN111045938A (zh) | 基于Pareto分布故障引进开源软件可靠性建模方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |