基于人工智能的自动化测试方法、装置、设备及存储介质
技术领域
本发明涉及机器学习领域,尤其涉及基于人工智能的自动化测试方法、装置、设备及存储介质。
背景技术
人工智能(artificial intelligence,AI)是计算机科学的一个分支,它试图了解智能的实质,并生产出一种以人类智能相似的方式做出反应的智能机器。人工智能的目的是模拟人的意识、思维的信息过程。
机器学习是人工智能研究的核心内容。它的应用已遍及人工智能的各个分支,如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。
而对于测试领域,目前并没有应用到机器学习技术,测试流程容易因为人工错误而导致测试过程不一致,仍然需要通过人工进行测试并分析结果,测试效率低。
发明内容
本发明提供了基于人工智能的自动化测试方法、装置、设备及存储介质,用于将机器学习和深度学习应用于日常测试工作中,自动创建和执行测试用例,自动分析测试结果,提高了测试效率。
本发明实施例的第一方面提供一种基于人工智能的自动化测试方法,包括:获取原始数据,所述原始数据包括页面点击数据、系统日志、操作日志和通讯日志;对所述原始数据进行预处理,得到第一目标数据和第二目标数据;通过预置的机器学习算法和所述第一目标数据生成初始测试模型;通过预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化,生成目标测试模型;通过所述目标测试模型生成测试用例;执行所述测试用例,并获取测试结果。
可选的,在本发明实施例第一方面的第一种实现方式中,所述通过预置的机器学习算法和所述第一目标数据生成初始测试模型包括:将所述第一目标数据划分为训练数据和校验数据;根据所述训练数据和第一预置公式生成原始模型,所述原始模型如下:其中,j=1,2,…,J,m=1,2,…,M,M和J为正整数;通过所述校验数据对所述原始模型进行校验,得到初始测试模型。
可选的,在本发明实施例第一方面的第二种实现方式中,所述根据所述训练数据和第一预置公式生成原始模型,包括:初始化模型,获得使得损失函数最小的常数估计值,得到
根据初始化后的模型计算损失函数的负梯度值,得到
根据所述r
mi拟合一棵回归树R
mj,j=1,2,…,J,所述回归树包括J个叶子节点区域;计算所述回归树的叶结点区域的值,得到
更新所述回归树,得到第一预置公式
根据所述训练数据和所述第一预置公式生成原始模型
其中,所述训练数据为T={(x
1,y
1),(x
2,y
2),...,(x
N,y
N)},x
i∈R
n,y
i∈c={-1,+1},i=1,2,...,N。
可选的,在本发明实施例第一方面的第三种实现方式中,所述通过所述校验数据对所述原始模型进行校验,得到初始测试模型包括:根据所述校验数据生成目标预期特征;将所述校验数据输入到所述原始模型得到初始预期特征;比较所述目标预期特征和所述初始预期特征,生成所述目标预期特征和所述初始预期特征之间的误差率;若所述误差率小于预设阈值,则确定所述原始模型为所述初始测试模型。
可选的,在本发明实施例第一方面的第四种实现方式中,所述通过预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化,生成目标测试模型包括:调用预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化训练;将优化后的初始测试模型确定为目标测试模型。
可选的,在本发明实施例第一方面的第五种实现方式中,所述调用预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化训练包括:调整所述初始测试模型的学习率、训练次数和目标损失函数;将所述第二目标数据输入所述初始测试模型得到输出结果;将所述输出结果输入所述目标损失函数;通过预置的反向传播算法确定梯度向量;根据所述梯度向量调整所述初始测试模型的权值,直至所述输出结果的误差趋于0。
可选的,在本发明实施例第一方面的第六种实现方式中,所述对所述原始数据进行预处理,得到第一目标数据和第二目标数据包括:确定所述原始数据中各个数据的数据类型,所述数据类型包括数值型、时间型和类别型;对所述数值型的数据采用归一化处理,对所述时间型的数据采用时间划分处理,对所述类别型的数据采用离散化处理,得到目标数据类型;根据预置规则将所述目标数据拆分为第一目标数据和第二目标数据。
本发明实施例的第二方面提供了一种基于人工智能的自动化测试装置,包括:获取单元,用于获取原始数据,所述原始数据包括页面点击数据、系统日志、操作日志和通讯日志;预处理单元,用于对所述原始数据进行预处理,得到第一目标数据和第二目标数据;第一生成单元,用于通过预置的机器学习算法和所述第一目标数据生成初始测试模型;第二生成单元,用于通过预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化,生成目标测试模型;第三生成单元,用于通过所述目标测试模型生成测试用例;执行获取单元,用于执行所述测试用例,并获取测试结果。
可选的,在本发明实施例第二方面的第一种实现方式中,第一生成单元包括:划分模块,用于将所述第一目标数据划分为训练数据和校验数据;生成模块,用于根据所述训练数据和第一预置公式生成原始模型,所述原始模型如下:初始化模型,获得使得损失函数最小的常数估计值,得到
根据初始化后的模型计算损失函数的负梯度值,得到
根据所述r
mi拟合一棵回归树R
mj,j=1,2,…,J,所述回归树包括J个叶子节点区域;计算所述回归树的叶结点区域的值,得到
更新所述回归树,得到第一预置公式
根据所述训练数据和所述第一预置公式生成原始模型
其中,所述训练数据为T={(x
1,y
1),(x
2,y
2),...,(x
N,y
N)},x
i∈R
n,y
i∈c={-1,+1},i=1,2,...,N。
可选的,在本发明实施例第二方面的第三种实现方式中,校验模块具体用于:根据所述校验数据生成目标预期特征;将所述校验数据输入到所述原始模型得到初始预期特征;比较所述目标预期特征和所述初始预期特征,生成所述目标预期特征和所述初始预期特征之间的误差率;若所述误差率小于预设阈值,则确定所述原始模型为所述初始测试模型。
可选的,在本发明实施例第二方面的第四种实现方式中,第二生成单元包括:优化训练模块,用于调用预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化训练;确定模块,用于将优化后的初始测试模型确定为目标测试模型。
可选的,在本发明实施例第二方面的第五种实现方式中,优化训练模块具体用于:调整所述初始测试模型的学习率、训练次数和目标损失函数;将所述第二目标数据输入所述初始测试模型得到输出结果;将所述输出结果输入所述目标损失函数;通过预置的反向传播算法确定梯度向量;根据所述梯度向量调整所述初始测试模型的权值,直至所述输出结果的误差趋于0。
可选的,在本发明实施例第二方面的第六种实现方式中,预处理单元具体用于:确定所述原始数据中各个数据的数据类型,所述数据类型包括数值型、时间型和类别型;对所述数值型的数据采用归一化处理,对所述时间型的数据采用时间划分处理,对所述类别型的数据采用离散化处理,得到目标数据类型;根据预置规则将所述目标数据拆分为第一目标数据和第二目标数据。
本发明实施例的第三方面提供了一种基于人工智能的自动化测试设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一实施方式所述的基于人工智能的自动化测试方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行上述任一实施方式所述的基于人工智能的自动化测试方法的步骤。
本发明实施例提供的技术方案中,获取原始数据,原始数据包括页面点击数据、系统日志、操作日志和通讯日志;对原始数据进行预处理,得到第一目标数据和第二目标数据;通过预置的机器学习算法和第一目标数据生成初始测试模型;通过预置的深度学习算法和第二目标数据对初始测试模型进行优化,生成目标测试模型;通过目标测试模型生成测试用例;执行测试用例,并获取测试结果。本发明实施例,将机器学习和深度学习应用于日常测试工作中,自动创建和执行测试用例,自动分析测试结果,提高了测试效率。
附图说明
图1为本发明实施例中基于人工智能的自动化测试方法的一个实施例示意图;
图2为本发明实施例中基于人工智能的自动化测试方法的另一个实施例示意图;
图3为本发明实施例中基于人工智能的自动化测试装置的一个实施例示意图;
图4为本发明实施例中基于人工智能的自动化测试装置的另一个实施例示意图;
图5为本发明实施例中基于人工智能的自动化测试设备的一个实施例示意图。
具体实施方式
本发明提供了基于人工智能的自动化测试方法、装置、设备及存储介质,用于将机器学习和深度学习应用于日常测试工作中,自动创建和执行测试用例,自动分析测试结果,提高了测试效率。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例进行描述。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,本发明实施例提供的基于人工智能的自动化测试方法的流程图,具体包括:
101、获取原始数据,原始数据包括页面点击数据、系统日志、操作日志和通讯日志。
服务器获取原始数据,该原始数据包括页面点击数据、系统日志、操作日志和通讯日志。其中,原始数据为大量人工测试操作数据,除了可以包括页面点击数据、系统日志、操作日志、通讯日志,还可以包括检查点数据、预期值数据、浏览器操作数据、appium(一种自动化测试工具)自动化执行数据等,组合成的多维特征原始数据。所有的数据都要有,都会收集,对于有些数据有缺失值的,后续做特征工程预处理时进行处理即可。
可以理解的是,本发明的执行主体可以为基于人工智能的自动化测试装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、对原始数据进行预处理,得到第一目标数据和第二目标数据。
服务器对原始数据进行预处理,得到第一目标数据和第二目标数据。具体的,服务器确定原始数据中各个数据的数据类型,数据类型包括数值型、时间型和类别型;对数值型的数据采用归一化处理,对时间型的数据采用时间划分处理,对类别型的数据采用离散化处理,得到目标数据类型;根据预置规则将目标数据拆分为第一目标数据和第二目标数据。
处理的对象是大量测试数据记录组合而成的数据集,对于不同特征列的处理方式会有所不同。在训练结束后,使用校验集数据对模型进行参数调整,以提高模型的预测准确率。这里提到的特征工程预处理方法,包含以下方法:对于数值型数据特征列,采用归一化、标准化处理,对于类别型数据特征,采用one-hot编码、离散化处理,对于时间类别特征,采用时间划分处理,对于特征列中有缺失值的,采用k最近距离邻法补充数据。
103、通过预置的机器学习算法和第一目标数据生成初始测试模型。
服务器通过预置的机器学习算法和第一目标数据生成初始测试模型。具体的,服务器将第一目标数据划分为训练数据和校验数据;根据训练数据和第一预置公式生成原始模型,原始模型如下:
服务器通过校验数据对原始模型进行校验,得到初始测试模型。其中,服务器根据训练数据和第一预置公式生成原始模型的过程包括:服务器初始化模型,获得使得损失函数最小的常数估计值,得到
服务器根据初始化后的模型计算损失函数的负梯度值,得到
服务器根据r
mi拟合一棵回归树R
mj,j=1,2,…,J,该回归树包括J个叶子节点区域;服务器计算回归树的叶结点区域的值,得到
服务器更新回归树,得到第一预置公式
服务器根据训练数据和第一预置公式生成原始模型
其中,训练数据为T={(x
1,y
1),(x
2,y
2),...,(x
N,y
N)},x
i∈R
n,y
i∈c={-1,+1},i=1,2,...,N。
在前期进行过特征工程预处理后的数据集,将其分为两份,一份用作训练模型,一份用作校验模型。校验模型的过程,又细分为评分和校验(调整参数)。评分,也就是评估模型的效果,方式是:将校验数据输入模型得到一些列预期值,将这些预期值与校验数据中的预期特征列进行对比,得到正确率,以此来判断模型的好坏。模型评估,使用已有的技术即可,即使用模型提供的算法进行评估操作,常见的算法模型包括:混淆矩阵、提升图&洛伦兹图、基尼系数、ks曲线、roc曲线,这些算法模型都有提供对应的算法来实现。如果评分不够理想,那么就应该回到前期训练模型的阶段,调整训练模型时的一些参数,如果最后经过反复调整还不理想,那么就需要考虑换一个模型了。
需要说明的是,原始数据经过特征工程预处理后,得到适合模型训练的训练数据和校验数据,将训练数据导入原始模型进行训练,将训练好的模型使用校验数据进行校验、参数调优,从而得到准确率较高的模型。调优,主要针对的是在进行模型训练时的各种输入参数,比如学习率参数、是否过拟合(若过拟合,则要增加使用drop out、batchnormalization、data argument等方法)、网络层数选择、Batch_Size参数等等。
104、通过预置的深度学习算法和第二目标数据对初始测试模型进行优化,生成目标测试模型。
服务器通过预置的深度学习算法和第二目标数据对初始测试模型进行优化,生成目标测试模型。具体的,服务器调用预置的深度学习算法和第二目标数据对初始测试模型进行优化训练;服务器将优化后的初始测试模型确定为目标测试模型。
其中,服务器调用预置的深度学习算法和第二目标数据对初始测试模型进行优化训练包括:服务器调整初始测试模型的学习率、训练次数和目标损失函数;服务器将第二目标数据输入初始测试模型得到输出结果;服务器将输出结果输入目标损失函数;服务器通过预置的反向传播算法确定梯度向量;服务器根据梯度向量调整初始测试模型的权值,直至输出结果的误差趋于0。
需要说明的是,不需要预期值作为其中一个特征,深度学习算法模型会模拟测试数据行为,给出最优的测试案例。然后平台会解读这些自动化案例,将所有的操作(关键字)映射成对应的事先开发好的方法函数,从而执行相应的系统操作或者页面操作。
例如,在本月内的版本测试中,监控整个测试部门测试人员的操作数据,即几百个人每天大量的测试操作,持续一个月,从而到大量的测试操作数据集合(即前面提到的页面点击数据、检查点数据、预期值数据、浏览器操作数据、appium自动化执行数据、系统日志、操作日志、通讯日志等),之后基于这些数据进行模型训练。
105、通过目标测试模型生成测试用例。
服务器通过目标测试模型和预置的测试需求生成测试用例。其中,测试用例覆盖了测试场景,例如,比如现在有这样一条案例,描述如下:打开系统登录页面;输入账号密码登录;点击查询模块中的征信报告查询;下载该征信报告;检查报告内的征信记录条数是否正确。通过这样一条测试案例的人工执行,把操作数据、记录、系统日志等数据收集记录起来,其中要检查的预期结果在系统日志中可以得到。以此类推,把每条测试案例的执行记录都监控和收集起来,得到训练数据。整个部门、长时间的测试行为,该测试场景肯定是覆盖了方方面面的,因此训练数据覆盖的测试场景也是覆盖了方方面面的,因此模型训练的效果也能覆盖各种各样的场景。不同的场景对应不同的测试需求。
当版本需求导致的页面变化、系统逻辑变化时,会根据这些新的信息输入,使得模型预测出新的案例出来。测试用例就是一个自动适配和维护测试的过程。同时,测试人员可以通过自己的操作,结合程序对操作数据的收集(前面提到的页面点击数据、检查点数据、预期值数据、浏览器操作数据、appium自动化执行数据、系统日志、操作日志、通讯日志等),组合成新的测试数据给到模型训练,从而不断提升模型的预测成功率。
106、执行测试用例,并获取测试结果。
服务器执行测试用例,并获取测试结果。不同的测试用例,执行后的测试结果可能相同可能不同,可以根据实际情况,明确出不同测试用例的区别点,再根据获取到的每个测试用例的测试结果进行分析。测试结果包括测试成功或失败,或者其他具体测试参数,具体此处不做限定。
需要说明的是,本实施例中不同的测试用例对于的需求是一致的,例如,当需要对输入框进行测试时,那么,测试用例中就需要考虑到:验证输入与输出的信息是否一致;输入框之前的标题是否正确;按下ctrl和alt键对输入框的影响;输入类型;输入信息位置;回车检查;快捷键检查等。具体的,对于数值型输入框需要考虑到:异常值,特殊字符,安全性检查,合法性检查等,其中,特殊字符包括,输入空白、空格或!@#$%^&*()_+等可能导致系统错误的字符,具体此处不再赘述。
本发明实施例,将机器学习和深度学习应用于日常测试工作中,自动创建和执行测试用例,自动分析测试结果,提高了测试效率。
请参阅图2,本发明实施例提供的基于人工智能的自动化测试方法的另一个流程图,具体包括:
201、获取原始数据,原始数据包括页面点击数据、系统日志、操作日志和通讯日志。
服务器获取原始数据,该原始数据包括页面点击数据、系统日志、操作日志和通讯日志。其中,原始数据为大量人工测试操作数据,除了可以包括页面点击数据、系统日志、操作日志、通讯日志,还可以包括检查点数据、预期值数据、浏览器操作数据、appium自动化执行数据等,组合成的多维特征原始数据。所有的数据都要有,都会收集,对于有些数据有缺失值的,后续做特征工程预处理时进行处理即可。
可以理解的是,本发明的执行主体可以为基于人工智能的自动化测试装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
202、对原始数据进行预处理,得到第一目标数据和第二目标数据。
服务器对原始数据进行预处理,得到第一目标数据和第二目标数据。具体的,服务器确定原始数据中各个数据的数据类型,数据类型包括数值型、时间型和类别型;对数值型的数据采用归一化处理,对时间型的数据采用时间划分处理,对类别型的数据采用离散化处理,得到目标数据类型;根据预置规则将目标数据拆分为第一目标数据和第二目标数据。
处理的对象是大量测试数据记录组合而成的数据集,对于不同特征列的处理方式会有所不同。在训练结束后,使用校验集数据对模型进行参数调整,以提高模型的预测准确率。这里提到的特征工程预处理方法,包含以下方法:对于数值型数据特征列,采用归一化、标准化处理,对于类别型数据特征,采用one-hot编码、离散化处理,对于时间类别特征,采用时间划分处理,对于特征列中有缺失值的,采用k最近距离邻法补充数据。
203、通过预置的机器学习算法和第一目标数据生成初始测试模型。
服务器通过预置的机器学习算法和第一目标数据生成初始测试模型。具体的,服务器将第一目标数据划分为训练数据和校验数据;根据训练数据和第一预置公式生成原始模型,原始模型如下:
服务器通过校验数据对原始模型进行校验,得到初始测试模型。其中,服务器根据训练数据和第一预置公式生成原始模型的过程包括:服务器初始化模型,获得使得损失函数最小的常数估计值,得到
服务器根据初始化后的模型计算损失函数的负梯度值,得到
服务器根据r
mi拟合一棵回归树R
mj,j=1,2,…,J,该回归树包括J个叶子节点区域;服务器计算回归树的叶结点区域的值,得到
服务器更新回归树,得到第一预置公式
服务器根据训练数据和第一预置公式生成原始模型
其中,训练数据为T={(x
1,y
1),(x
2,y
2),...,(x
N,y
N)},x
i∈R
n,y
i∈c={-1,+1},i=1,2,...,N。
在前期进行过特征工程预处理后的数据集,将其分为两份,一份用作训练模型,一份用作校验模型。校验模型的过程,又细分为评分和校验(调整参数)。评分,也就是评估模型的效果,方式是:将校验数据输入模型得到一些列预期值,将这些预期值与校验数据中的预期特征列进行对比,得到正确率,以此来判断模型的好坏。模型评估,使用已有的技术即可,即使用模型提供的算法进行评估操作,常见的算法模型包括:混淆矩阵、提升图&洛伦兹图、基尼系数、ks曲线、roc曲线,这些算法模型都有提供对应的算法来实现。如果评分不够理想,那么就应该回到前期训练模型的阶段,调整训练模型时的一些参数,如果最后经过反复调整还不理想,那么就需要考虑换一个模型了。
需要说明的是,原始数据经过特征工程预处理后,得到适合模型训练的训练数据和校验数据,将训练数据导入原始模型进行训练,将训练好的模型使用校验数据进行校验、参数调优,从而得到准确率较高的模型。调优,主要针对的是在进行模型训练时的各种输入参数,比如学习率参数、是否过拟合(若过拟合,则要增加使用drop out、batchnormalization、data argument等方法)、网络层数选择、Batch_Size参数等等。
204、调用预置的深度学习算法和第二目标数据对初始测试模型进行优化训练。
服务器调用预置的深度学习算法和第二目标数据对初始测试模型进行优化训练。具体的,服务器调整初始测试模型的学习率、训练次数和目标损失函数;服务器将第二目标数据输入初始测试模型得到输出结果;服务器将输出结果输入目标损失函数;服务器通过预置的反向传播算法确定梯度向量;服务器根据梯度向量调整初始测试模型的权值,直至输出结果的误差趋于0。
需要说明的是,不需要预期值作为其中一个特征,深度学习算法模型会模拟测试数据行为,给出最优的测试案例。然后平台会解读这些自动化案例,将所有的操作(关键字)映射成对应的事先开发好的方法函数,从而执行相应的系统操作或者页面操作。例如,在本月内的版本测试中,监控整个测试部门测试人员的操作数据,即几百个人每天大量的测试操作,持续一个月,从而到大量的测试操作数据集合(即前面提到的页面点击数据、检查点数据、预期值数据、浏览器操作数据、appium自动化执行数据、系统日志、操作日志、通讯日志等),之后基于这些数据进行模型训练。
205、将优化后的初始测试模型确定为目标测试模型。
服务器将优化后的初始测试模型确定为目标测试模型。
需要说明的是,在每一步训练中得到的模型,会使得数据点的估计有对有错,在每一步结束后,增加分错的点的权重,减少分对的点的权重,这样使得某些点如果老是被分错,那么就会被“严重关注”,也就被赋上一个很高的权重。然后等进行了N次迭代(由用户指定),将会得到N个简单的分类器(basic learner),然后将它们组合起来(比如说可以对它们进行加权、或者让它们进行投票等),得到一个最终的目标测试模型。
206、通过目标测试模型生成测试用例。
服务器通过目标测试模型和预置的测试需求生成测试用例。其中,测试用例覆盖了测试场景,例如,比如现在有这样一条案例,描述如下:打开系统登录页面;输入账号密码登录;点击查询模块中的征信报告查询;下载该征信报告;检查报告内的征信记录条数是否正确。通过这样一条测试案例的人工执行,把操作数据、记录、系统日志等数据收集记录起来,其中要检查的预期结果在系统日志中可以得到。以此类推,把每条测试案例的执行记录都监控和收集起来,得到训练数据。整个部门、长时间的测试行为,该测试场景肯定是覆盖了方方面面的,因此训练数据覆盖的测试场景也是覆盖了方方面面的,因此模型训练的效果也能覆盖各种各样的场景。不同的场景对应不同的测试需求。
当版本需求导致的页面变化、系统逻辑变化时,会根据这些新的信息输入,使得模型预测出新的案例出来。测试用例就是一个自动适配和维护测试的过程。同时,测试人员可以通过自己的操作,结合程序对操作数据的收集(前面提到的页面点击数据、检查点数据、预期值数据、浏览器操作数据、appium自动化执行数据、系统日志、操作日志、通讯日志等),组合成新的测试数据给到模型训练,从而不断提升模型的预测成功率。
207、执行测试用例,并获取测试结果。
服务器执行测试用例,并获取测试结果。不同的测试用例,执行后的测试结果可能相同可能不同,可以根据实际情况,明确出不同测试用例的区别点,再根据获取到的每个测试用例的测试结果进行分析。测试结果包括测试成功或失败,或者其他具体测试参数,具体此处不做限定。
需要说明的是,本实施例中不同的测试用例对于的需求是一致的,例如,当需要对输入框进行测试时,那么,测试用例中就需要考虑到:验证输入与输出的信息是否一致;输入框之前的标题是否正确;按下ctrl和alt键对输入框的影响;输入类型;输入信息位置;回车检查;快捷键检查等。具体的,对于数值型输入框需要考虑到:异常值,特殊字符,安全性检查,合法性检查等,其中,特殊字符包括,输入空白、空格或!@#$%^&*()_+等可能导致系统错误的字符,具体此处不再赘述。
本发明实施例,将机器学习和深度学习应用于日常测试工作中,自动创建和执行测试用例,自动分析测试结果,提高了测试效率。
上面对本发明实施例中基于人工智能的自动化测试方法进行了描述,下面对本发明实施例中基于人工智能的自动化测试装置进行描述,请参阅图3,本发明实施例中基于人工智能的自动化测试装置的一个实施例包括:
获取单元301,用于获取原始数据,所述原始数据包括页面点击数据、系统日志、操作日志和通讯日志;
预处理单元302,用于对所述原始数据进行预处理,得到第一目标数据和第二目标数据;
第一生成单元303,用于通过预置的机器学习算法和所述第一目标数据生成初始测试模型;
第二生成单元304,用于通过预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化,生成目标测试模型;
第三生成单元305,用于通过所述目标测试模型生成测试用例;
执行获取单元306,用于执行所述测试用例,并获取测试结果。
本发明实施例,将机器学习和深度学习应用于日常测试工作中,自动创建和执行测试用例,自动分析测试结果,提高了测试效率。
请参阅图4,本发明实施例中基于人工智能的自动化测试装置的另一个实施例包括:
获取单元301,用于获取原始数据,所述原始数据包括页面点击数据、系统日志、操作日志和通讯日志;
预处理单元302,用于对所述原始数据进行预处理,得到第一目标数据和第二目标数据;
第一生成单元303,用于通过预置的机器学习算法和所述第一目标数据生成初始测试模型;
第二生成单元304,用于通过预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化,生成目标测试模型;
第三生成单元305,用于通过所述目标测试模型生成测试用例;
执行获取单元306,用于执行所述测试用例,并获取测试结果。
可选的,第一生成单元303包括:
划分模块3031,用于将所述第一目标数据划分为训练数据和校验数据;
生成模块3032,用于根据所述训练数据和第一预置公式生成原始模型,所述原始模型如下:其中,j=1,2,…,J,m=1,2,…,M,M和J为正整数;
校验模块3033,用于通过所述校验数据对所述原始模型进行校验,得到初始测试模型。
可选的,生成模块3032具体用于:初始化模型,获得使得损失函数最小的常数估计值,得到
根据初始化后的模型计算损失函数的负梯度值,得到
根据所述r
mi拟合一棵回归树R
mj,j=1,2,…,J,所述回归树包括J个叶子节点区域;计算所述回归树的叶结点区域的值,得到
更新所述回归树,得到第一预置公式
根据所述训练数据和所述第一预置公式生成原始模型
其中,所述训练数据为T={(x
1,y
1),(x
2,y
2),...,(x
N,y
N)},x
i∈R
n,y
i∈c={-1,+1},i=1,2,...,N。
可选的,校验模块3033具体用于:
根据所述校验数据生成目标预期特征;将所述校验数据输入到所述原始模型得到初始预期特征;比较所述目标预期特征和所述初始预期特征,生成所述目标预期特征和所述初始预期特征之间的误差率;若所述误差率小于预设阈值,则确定所述原始模型为所述初始测试模型。
可选的,第二生成单元304包括:
优化训练模块3041,用于调用预置的深度学习算法和所述第二目标数据对所述初始测试模型进行优化训练;
确定模块3042,用于将优化后的初始测试模型确定为目标测试模型。
可选的,优化训练模块3041具体用于:
调整所述初始测试模型的学习率、训练次数和目标损失函数;将所述第二目标数据输入所述初始测试模型得到输出结果;将所述输出结果输入所述目标损失函数;通过预置的反向传播算法确定梯度向量;根据所述梯度向量调整所述初始测试模型的权值,直至所述输出结果的误差趋于0。
可选的,预处理单元302具体用于:
确定所述原始数据中各个数据的数据类型,所述数据类型包括数值型、时间型和类别型;对所述数值型的数据采用归一化处理,对所述时间型的数据采用时间划分处理,对所述类别型的数据采用离散化处理,得到目标数据类型;根据预置规则将所述目标数据拆分为第一目标数据和第二目标数据。本发明实施例,将机器学习和深度学习应用于日常测试工作中,自动创建和执行测试用例,自动分析测试结果,提高了测试效率。
上面图3至图4从模块化功能实体的角度对本发明实施例中的基于人工智能的自动化测试装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于人工智能的自动化测试设备进行详细描述。
图5是本发明实施例提供的一种基于人工智能的自动化测试设备的结构示意图,该基于人工智能的自动化测试设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)501(例如,一个或一个以上处理器)和存储器509,一个或一个以上存储应用程序507或数据506的存储介质508(例如一个或一个以上海量存储设备)。其中,存储器509和存储介质508可以是短暂存储或持久存储。存储在存储介质508的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于人工智能的自动化测试设备中的一系列指令操作。更进一步地,处理器501可以设置为与存储介质508通信,在基于人工智能的自动化测试设备500上执行存储介质508中的一系列指令操作。
基于人工智能的自动化测试设备500还可以包括一个或一个以上电源502,一个或一个以上有线或无线网络接口503,一个或一个以上输入输出接口504,和/或,一个或一个以上操作系统505,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5中示出的基于人工智能的自动化测试设备结构并不构成对基于人工智能的自动化测试设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。处理器501可以执行上述实施例中获取单元301、预处理单元302、第一生成单元303、第二生成单元304、第三生成单元305和执行获取单元306的功能。
下面结合图5对基于人工智能的自动化测试设备的各个构成部件进行具体的介绍:
处理器501是基于人工智能的自动化测试设备的控制中心,可以按照设置的基于人工智能的自动化测试方法进行处理。处理器501利用各种接口和线路连接整个基于人工智能的自动化测试设备的各个部分,通过运行或执行存储在存储器509内的软件程序和/或模块,以及调用存储在存储器509内的数据,执行基于人工智能的自动化测试设备的各种功能和处理数据,将机器学习和深度学习应用于日常测试工作中,自动创建和执行测试用例,自动分析测试结果,提高了测试效率。存储介质508和存储器509都是存储数据的载体,本发明实施例中,存储介质508可以是指储存容量较小,但速度快的内存储器,而存储器509可以是储存容量大,但储存速度慢的外存储器。
存储器509可用于存储软件程序以及模块,处理器501通过运行存储在存储器509的软件程序以及模块,从而执行基于人工智能的自动化测试设备500的各种功能应用以及数据处理。存储器509可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如对原始数据进行预处理,得到第一目标数据和第二目标数据)等;存储数据区可存储根据基于人工智能的自动化测试设备的使用所创建的数据(比如目标测试模型)等。此外,存储器509可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。在本发明实施例中提供的基于人工智能的自动化测试方法程序和接收到的数据流存储在存储器中,当需要使用时,处理器501从存储器509中调用。
在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、双绞线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,光盘)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。