CN110716857B - 测试用例管理方法、装置、计算机设备和存储介质 - Google Patents
测试用例管理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110716857B CN110716857B CN201910795116.1A CN201910795116A CN110716857B CN 110716857 B CN110716857 B CN 110716857B CN 201910795116 A CN201910795116 A CN 201910795116A CN 110716857 B CN110716857 B CN 110716857B
- Authority
- CN
- China
- Prior art keywords
- test
- error
- test case
- executed
- cases
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 372
- 238000007726 management method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 20
- 238000013136 deep learning model Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 241000135164 Timea Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004064 recycling 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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及测试用例技术领域,尤其涉及一种测试用例管理方法、装置、计算机设备和存储介质,包括:获取待执行测试计划,提取所述待执行的测试计划中的特征参数,根据所述特征参数从测试用例库中抽取出预执行所述待执行测试计划的数个测试用例;依次执行所述测试用例后,得到数个执行结果,从数个所述测试结果中抽取出带有错误标识的执行结果作为问题执行结果;赋予所述问题执行结果对应的测试用例以错误标号,将带有错误标号的测试用例返回到所述测试用例库中。本申请通过反向标记错误结果的方式,从而有效提升了测试用例管理是测试用例可用性识别的效率。
Description
技术领域
本申请涉及测试用例技术领域,尤其涉及一种测试用例管理方法、装置、计算机设备和存储介质。
背景技术
随着移动通信技术的发展,移动终端产品越来越丰富,功能越来越复杂,推出的频率越来越快,导致研发周期缩短。在研发过程中,需要通过对移动终端的测试来保证产品的质量和性能,同时又必须提高移动终端的测试效率、控制测试成本,为此需要不断地积累测试技术,提高测试水平。
目前,在进行移动终端测试过程中需要应用大量测试用例来对系统的各种性能做出有效测试,而测试用例往往出现复用率低,无法让测试用例得到有效重复利用的问题。
发明内容
基于此,针对目前测试用例管理时无法对测试用例的适用性给出准确判定的问题,提供一种测试用例管理方法、装置、计算机设备和存储介质。
一种测试用例管理方法,包括如下步骤:
获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例;
在测试系统的测试端口中执行所述测试用例,得到测试结果,从所述测试结果中抽取出执行失败的问题数据;
赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用;
计算所述测试用例库中不带有错误标号的测试用例与所述带有错误标号的测试用例之间的关联度;
抽取出关联度大于关联度阈值的测试用例,赋予所述关联度大于关联度阈值的测试用例以所述错误标号。
在其中一个可能的实施例中,所述获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例,包括:
获取待执行测试策略的计划文本,将所述计划文本划分为数个子文本块;
将所述子文本块入参到深度学习模型中进行特征词提取;
将提取出的特征词进行词向量转换后,得到所述特征参数;
根据所述特征参数,从所述测试用例库中抽取出所有带有所述特征参数的测试用例作为所述待执行测试策略的测试用例。
在其中一个可能的实施例中,所述从所述测试结果中抽取出执行失败的问题数据,包括:
若所述测试结果为空,则所述测试结果对应的数据为执行失败的问题数据;否则,对所述测试结果进行取值范围分析,若取值范围在所述预设区间范围以外,则所述测试结果对应的数据为执行失败的问题数据。
在其中一个可能的实施例中,所述赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用,包括:
获取所述问题数据的错误类型标签,将所述错误类型标签作为错误主标号;
获取所述测试端口的编号,以所述测试端口的编号作为错误副标号;
拼接所述错误主标号和所述错误副标号后得到所述问题数据对应的测试用例的错误标号;
获取带有错误标号的测试用例在所述测试用例库中的原位置,将所述带有错误标号的测试用例返回到所述原位置。
在其中一个可能的实施例中,所述将所述子文本块入参到深度学习模型中进行特征词提取,包括:
将所述子文本块入参到深度学习模型后,得到矩阵化的文本子块;
获取文本子块矩阵对应的编码向量,通过双向长短时记忆网络模型,对所述编码向量进行语义编码,得到文本子块中的每一个词的语义向量,所述编码向量it=tanh(W1+Wi+bi),式中tanh()为双曲正切函数,W1为第1个权重矩阵,Wi为第i个权重矩阵,bi为偏置项取值范围为0.05~0.10;
计算各所述编码向量的特征值,抽取出特征值为“1”的编码向量所对应的词语作为所述特征词。
一种测试用例管理装置,包括如下模块:
测试用例选取模块,设置为获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例;
执行结果生成模块,设置获在测试系统的测试端口中执行所述测试用例,得到测试结果,从所述测试结果中抽取出执行失败的问题数据;
测试用例标记模块,设置为赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用;计算所述测试用例库中不带有错误标号的测试用例与所述带有错误标号的测试用例之间的关联度;抽取出关联度大于关联度阈值的测试用例,赋予所述关联度大于关联度阈值的测试用例以所述错误标号。
在其中一个可能的实施例中,所述测试用例选取模块还用于:
获取待执行测试策略的计划文本,将所述计划文本划分为数个子文本块;
将所述子文本块入参到深度学习模型中进行特征词提取;
将提取出的特征词进行词向量转换后,得到所述特征参数;
根据所述特征参数,从所述测试用例库中抽取出所有带有所述特征参数的测试用例作为所述待执行测试策略的测试用例。
在其中一个可能的实施例中,所述执行结果生成模块还用于:
若所述测试结果为空,则所述测试结果对应的数据为执行失败的问题数据;否则,对所述测试结果进行取值范围分析,若取值范围在所述预设区间范围以外,则所述测试结果对应的数据为执行失败的问题数据。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述测试用例管理方法的步骤。
一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述测试用例管理方法的步骤。
与现有机制相比,本申请通过对问题测试用例进行标记从而在进行测试用例管理时,只针对没有问题的测试用例进行复用,而出现问题的测试用例不复用。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。
图1为本申请在一个实施例中的一种测试用例管理方法的整体流程图;
图2为本申请在一个实施例中的一种测试用例管理方法中的测试用例选取过程示意图;
图3为本申请在一个实施例中的一种测试用例管理方法中的测试用例标记过程示意图;
图4为本申请在一个实施例中的一种测试用例管理装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
图1为本申请在一个实施例中的一种测试用例管理方法的整体流程图,一种测试用例管理方法,包括以下步骤:
S1、获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例;
具体的,对于移动设备来说,更新系统时往往需要做APP与系统适配性的各种测试。主要的测试种类包括安装卸载测试、业务功能测试、前后台切换测试等。而每一种测试均具有不同的特征参数。如,进行手机屏幕尺寸测试其特征参是为屏幕对角线的长度,取值范围通常为4寸~7寸,即在进行手机屏幕尺寸测试的测试计划中特征参数为手机对角线长度,取值范围为4寸~7寸。根据这一特征参数,可以从测试用例库中抽取出对角线长度为5寸和6寸的测试用例作为预执行所述待执行测试计划的测试用例。
S2、在测试系统的测试端口中执行所述测试用例,得到测试结果,从所述测试结果中抽取出执行失败的问题数据;
具体的,在执行测试用例时,可以先从测试配置页面中获取测试配置信息,然后从测试配置信息中抽取出测试环境参数,再根据测试环境参数构建测试环境。提取测试用例中的测试函数自变量参数,将所述自变量参数入参到测试函数中进行计算,计算结果可能会出现溢出等结果或者显示为“error”等标识,将带有如“error”等错误标识的执行结果作为问题执行结果。
S3、赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用;
具体的,在赋予所述问题执行结果对应的测试用例以错误标号时,可以根据测试类型信息并结合错误类型对测试用例进行错误标号,如测试类型是稳定性测试,则所使用的错误标号可以是crash-error,其中crash代表着测试类型是稳定性测试,而error表示切换操作出现错误。在将带有错误标号的测试用例返回到测试用例库时,可以保留原测试用例也可以替代原测试用例,在替代原测试用例时可以将带有错误标号的测试用例返回到抽取时的位置。
S4、计算所述测试用例库中不带有错误标号的测试用例与所述带有错误标号的测试用例之间的关联度;
具体的,在进行关联度计算时,主要是采用相关系数分析法,相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标,是研究变量之间线性相关程度的量,一般用字母r表示。由于研究对象的不同,相关系数有多种定义方式,较为常用的是皮尔逊相关系数。
相关表和相关图可反映两个变量之间的相互关系及其相关方向,但无法确切地表明两个变量之间相关的程度。相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算,同样以两变量与各自平均值的离差为基础,通过两个离差相乘来反映两变量之间相关程度;着重研究线性的单相关系数。
S5、抽取出关联度大于关联度阈值的测试用例,赋予所述关联度大于关联度阈值的测试用例以所述错误标号。
具体的,关联度阈值可以采用历史数据统计获得的,关联度阈值可以是95%。错误标号可以将与问题测试用例关联度大的测试用例进行标记,在进行复用时可以先不使用这部分测试用例。
本实施例,通过对问题测试用例进行标记从而在进行测试用例管理时,只针对没有问题的测试用例进行复用,而出现问题的测试用例不复用。
图2为本申请在一个实施例中的一种测试用例管理方法中的测试用例选取过程示意图,如图所示,所述S1、获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例,包括:
S11、获取待执行测试策略的计划文本,将所述计划文本划分为数个子文本块;
具体的,测试策略一般为非结构化的文本文件,在测试策略中写有测试策略所要进行的测试内容,测试环境所需参数等信息,在将计划文本分割成数个子文本块时,可以根据测试内容、测试环境等特征词将计划文本进行分割。
S12、将所述子文本块入参到深度学习模型中进行特征词提取;
其中,深度学习模型是机器学习中常用的模型,在进行文本识别时可以采用记忆神经网络模型对特征词进行提取。在提权特征词之前,一般需要对记忆神经网络模型进行训练,即输入数个已知特征词的文本作为样本入参到记忆神经网络模型中进行特征词训练后使得记忆神经网络模型能够对特征词进行有效识别。再将子文本块入参到深度学习模型中进行特征词的识别和提取。
S13、将提取出的特征词进行词向量转换后,得到所述特征参数;
具体的,词向量转换可以采用Wordvec进行特征词的词向量转换,将每一个特征词转换成一个多维的词向量。对于多维词向量可以采用PCA降维或者其它降维方式进行降维后得到二维特征词向量,然后计算二维特征词向量的特征值,此特征值即为所述特征参数。
S14、根据所述特征参数,从所述测试用例库中抽取出所有带有所述特征参数的测试用例作为所述待执行测试策略的测试用例。
具体的,在从测试用例库提取所有带有所述特征参数的测试用例时,可以将测试用例库中的所有测试用例按照生成时间顺序进行排序形成一个测试用例序列,然后从测试用例序列的起始点开始进行遍历操作,依次抽取出带有所述特征参数的测试用例。
本实施例,通过对测试策略进行文本分析,从而能够准确的获得需要进行分析的测试用例,进而增加了测试用例管理情况判定的准确性。
在一个实施例中,所述从所述测试结果中抽取出执行失败的问题数据,包括:
若所述测试结果为空,则所述测试结果对应的数据为执行失败的问题数据;否则,对所述测试结果进行取值范围分析,若取值范围在所述预设区间范围以外,则所述测试结果对应的数据为执行失败的问题数据。
具体的,在测试系统中有若干个接口,如API接口等,在每一个接口处都需要进行运算处理,测试函数可以是Ackely函数等算法类函数,还可以是API绘图等进行UI设计类的函数。错误标识可以是“error”或者是错误代码,如错误代码-101等。这些带有错误标识的执行结果表示系统在执行相应的测试函数时无法得到结果。通过某些测试函数的结果在测试计划中是有范围限定的,如余弦函数cos()可以在测试计划中设定取值为正,那么在实际测试过程中,计算得到的余弦函数的数值为负数,则超出了预设结果范围,这样的执行结果也是问题执行结果。
本实施例,利用测试函数对测试用例的执行情况进行标识,从而简便的获知哪些测试用例可以进行复用。
图3为本申请在一个实施例中的一种测试用例管理方法中的测试用例标记过程示意图,如图所示,所述S3、赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用,包括:
S31、获取所述问题数据的错误类型标签,将所述错误类型标签作为错误主标号;
具体的,错误类型标签可以有两种,第一种是无法执行,第二中是超出测试计划的范围,对于无法执行可以标记为“×”,对于超出计划范围可以标记为“F”。以便加以区分。
S32、获获取所述测试端口的编号,以所述测试端口的编号作为错误副标号;
具体的,测试函数的名称可以采用全名作为错误副标号,也可以采用测试函数的首字母作为错误副标号。
S33、拼接所述错误主标号和所述错误副标号后得到所述问题数据对应的测试用例的错误标号;
其中,在拼接所述错误主标号和所述错误副标号时,可以将错误主标号置于错误副标号之前,也可以将主标号置于副标号之后。
S34、获取带有错误标号的测试用例在所述测试用例库中的原位置,将所述带有错误标号的测试用例返回到所述原位置。
具体的,在从测试用例库中抽取测试用例时,需要记录测试用例在测试用例库中的位置信息,位置信息可以根据测试用例存储在测试用例库中的时间进行排序存储。
本实施例,通过主副标号的方式,能够清楚的获知问题测试用例的错误类型信息,从而在进行测试用例管理时,针对错误类型进行筛选复用。
在一个实施例中,所述12、将所述子文本块入参到深度学习模型中进行特征词提取,包括:
将所述子文本块入参到深度学习模型后,得到矩阵化的文本子块;
具体的,将文本子块中的句子进行了词语拆分,将两个句子中具有的相同的词在矩阵中放置于同一位置,并且计数为“2”,如果在其它句子中仍然有相同的词则在矩阵中相同位置上进行数目的累加,即记数为“3”;然后统计矩阵中每个位置所对应的词,并统计出该位置所对应的数字,即可以得出每一个词出现的频率。
获取文本子块矩阵对应的编码向量,通过双向长短时记忆网络模型,对所述编码向量进行语义编码,得到文本子块中的每一个词的语义向量,所述编码向量it=tanh(W1+Wi+bi),式中tanh()为双曲正切函数,W1为第1个权重矩阵,Wi为第i个权重矩阵,bi为偏置项取值范围为0.05~0.10;
其中,由于标准的循环神经网络(RNN)在时序上处理序列,往往会忽略未来的上下文信息。一种很显而易见的解决办法是在输入和目标之间添加延迟,进而可以给网络一些时间来加入未来的上下文信息,也就是加入M时间帧的未来信息来一起预测输出。理论上,M可以非常大来捕获所有未来的可用信息,但事实上发现如果M过大,预测结果将会变差。这是因为网路把精力都集中记忆大量的输入信息,而导致将不同输入向量的预测知识联合的建模能力下降。因此,M的大小需要手动来调节。双向循环神经网络(BRNN)的基本思想是提出每一个训练序列向前和向后分别是两个循环神经网络(RNN),而且这两个都连接着一个输出层。这个结构提供给输出层输入序列中每一个点的完整的过去和未来的上下文信息。六个独特的权值在每一个时步被重复的利用,六个权值分别对应:输入到向前和向后隐含层(w1,w3),隐含层到隐含层自己(w2,w5),向前和向后隐含层到输出层(w4,w6)。值得注意的是:向前和向后隐含层之间没有信息流,这保证了展开图是非循环的。
计算各所述编码向量的特征值,抽取出特征值为“1”的编码向量所对应的词语作为所述特征词。
本实施例,利用长短时记忆神经网络模型有效的获得特征词,从而在进行测试用例管理性分析时可以提升测试用例与测试计划的适配性。
上述图1至图3中任一所对应的实施例或实施方式中所提及的技术特征也同样适用于本申请中的图4所对应的实施例,后续类似之处不再赘述。
以上对本申请中一种测试用例管理方法进行说明,以下对执行上述测试用例管理装置进行描述。
如图4所示的一种测试用例管理装置的结构图,其可应用于测试用例管理。本申请实施例中的测试用例管理装置能够实现对应于上述图1所对应的实施例中所执行的测试用例管理方法的步骤。测试用例管理装置实现的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块,所述模块可以是软件和/或硬件。所述测试用例管理装置可包括测试用例选取模块、执行结果生成模块和测试用例标记模块。
一种测试用例管理装置,包括:
测试用例选取模块,设置为获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例;
执行结果生成模块,设置获在测试系统的测试端口中执行所述测试用例,得到测试结果,从所述测试结果中抽取出执行失败的问题数据;
测试用例标记模块,设置为赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用;计算所述测试用例库中不带有错误标号的测试用例与所述带有错误标号的测试用例之间的关联度;抽取出关联度大于关联度阈值的测试用例,赋予所述关联度大于关联度阈值的测试用例以所述错误标号。
在一个实施例中,所述测试用例选取模块还用于:
获取待执行测试策略的计划文本,将所述计划文本划分为数个子文本块;
将所述子文本块入参到深度学习模型中进行特征词提取;
将提取出的特征词进行词向量转换后,得到所述特征参数;
根据所述特征参数,从所述测试用例库中抽取出所有带有所述特征参数的测试用例作为所述待执行测试策略的测试用例。
在一个实施例中,所述执行结果生成模块还用于:
若所述测试结果为空,则所述测试结果对应的数据为执行失败的问题数据;否则,对所述测试结果进行取值范围分析,若取值范围在所述预设区间范围以外,则所述测试结果对应的数据为执行失败的问题数据。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述测试用例管理方法的步骤。
在一个实施例中,提出了一种存储有计算机可读指令的存储介质,该计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述各实施例中的所述测试用例管理方法的步骤。其中,所述存储介质可以为非易失性存储介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请一些示例性实施例,其中描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种测试用例管理方法,其特征在于,包括:
获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例;
在测试系统的测试端口中执行所述测试用例,得到测试结果,从所述测试结果中抽取出执行失败的问题数据;
赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用;
计算所述测试用例库中不带有错误标号的测试用例与所述带有错误标号的测试用例之间的关联度;
抽取出关联度大于关联度阈值的测试用例,赋予所述关联度大于关联度阈值的测试用例以所述错误标号;
所述获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例,包括:
获取待执行测试策略的计划文本,将所述计划文本划分为数个子文本块;
将所述子文本块入参到深度学习模型中进行特征词提取;
将提取出的特征词进行词向量转换后,得到所述特征参数;
根据所述特征参数,从所述测试用例库中抽取出所有带有所述特征参数的测试用例作为所述待执行测试策略的测试用例;
所述从所述测试结果中抽取出执行失败的问题数据,包括:
若所述测试结果为空,则所述测试结果对应的数据为执行失败的问题数据;否则,对所述测试结果进行取值范围分析,若取值范围在预设区间范围以外,则所述测试结果对应的数据为执行失败的问题数据;
所述赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用,包括:
获取所述问题数据的错误类型标签,将所述错误类型标签作为错误主标号;
获取所述测试端口的编号,以所述测试端口的编号作为错误副标号;
拼接所述错误主标号和所述错误副标号后得到所述问题数据对应的测试用例的错误标号;
获取带有错误标号的测试用例在所述测试用例库中的原位置,将所述带有错误标号的测试用例返回到所述原位置。
2.根据权利要求1所述的测试用例管理方法,其特征在于,所述将所述子文本块入参到深度学习模型中进行特征词提取,包括:
将所述子文本块入参到深度学习模型后,得到矩阵化的文本子块;
获取文本子块矩阵对应的编码向量,通过双向长短时记忆网络模型,对所述编码向量进行语义编码,得到文本子块中的每一个词的语义向量,所述编码向量it=tanh(W1+Wi+bi),式中tanh ()为双曲正切函数, W1为第1个权重矩阵,Wi为第i个权重矩阵,bi为偏置项,bi取值范围为0.05~0.10;
计算各所述编码向量的特征值,抽取出特征值为“1”的编码向量所对应的词语作为所述特征词。
3.一种测试用例管理装置,其特征在于,所述测试用例管理装置执行如权利要求1或权利要求2所述测试用例管理方法,测试用例管理装置包括以下模块:
测试用例选取模块,设置为获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例;
执行结果生成模块,设置获在测试系统的测试端口中执行所述测试用例,得到测试结果,从所述测试结果中抽取出执行失败的问题数据;
测试用例标记模块,设置为赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用;计算所述测试用例库中不带有错误标号的测试用例与所述带有错误标号的测试用例之间的关联度;抽取出关联度大于关联度阈值的测试用例,赋予所述关联度大于关联度阈值的测试用例以所述错误标号。
4.根据权利要求3所述的测试用例管理装置,其特征在于,所述测试用例选取模块还用于:
获取待执行测试策略的计划文本,将所述计划文本划分为数个子文本块;
将所述子文本块入参到深度学习模型中进行特征词提取;
将提取出的特征词进行词向量转换后,得到所述特征参数;
根据所述特征参数,从所述测试用例库中抽取出所有带有所述特征参数的测试用例作为所述待执行测试策略的测试用例。
5.根据权利要求3所述的测试用例管理装置,其特征在于,所述执行结果生成模块还用于:
若所述测试结果为空,则所述测试结果对应的数据为执行失败的问题数据;否则,对所述测试结果进行取值范围分析,若取值范围在预设区间范围以外,则所述测试结果对应的数据为执行失败的问题数据。
6.一种计算机设备,其特征在于,所述设备包括:
至少一个处理器、存储器和收发器;
其中,所述存储器用于存储程序代码,所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1或权利要求2所述测试用例管理方法。
7.一种计算机存储介质,其特征在于,其包括指令,当其在计算机上运行时,使得计算机执行如权利要求1或权利要求2所述测试用例管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910795116.1A CN110716857B (zh) | 2019-08-27 | 2019-08-27 | 测试用例管理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910795116.1A CN110716857B (zh) | 2019-08-27 | 2019-08-27 | 测试用例管理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110716857A CN110716857A (zh) | 2020-01-21 |
CN110716857B true CN110716857B (zh) | 2023-12-29 |
Family
ID=69209481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910795116.1A Active CN110716857B (zh) | 2019-08-27 | 2019-08-27 | 测试用例管理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110716857B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590390A (zh) * | 2020-04-30 | 2021-11-02 | 鸿富锦精密电子(郑州)有限公司 | 动态智能测试方法、系统、计算机装置及存储介质 |
CN112363923B (zh) * | 2020-11-09 | 2024-05-14 | 中国平安人寿保险股份有限公司 | 基于问卷系统的测试方法、装置、计算机设备及介质 |
CN113342683B (zh) * | 2021-06-29 | 2024-04-09 | 深圳前海微众银行股份有限公司 | 一种测试案例处理方法、装置、平台及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480055A (zh) * | 2017-07-26 | 2017-12-15 | 网易(杭州)网络有限公司 | 测试方法、装置、计算可读存储介质和计算设备 |
WO2018000607A1 (zh) * | 2016-06-30 | 2018-01-04 | 乐视控股(北京)有限公司 | 一种识别测试用例失败原因的方法及电子设备 |
CN107844417A (zh) * | 2017-10-20 | 2018-03-27 | 东软集团股份有限公司 | 测试用例生成方法和装置 |
CN110008119A (zh) * | 2019-03-14 | 2019-07-12 | 平安信托有限责任公司 | 报表测试方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8065565B2 (en) * | 2008-10-03 | 2011-11-22 | Microsoft Corporation | Statistical debugging using paths and adaptive profiling |
US8892952B2 (en) * | 2012-04-16 | 2014-11-18 | International Business Machines Corporation | Preserve status parameter for testing in computing system |
-
2019
- 2019-08-27 CN CN201910795116.1A patent/CN110716857B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000607A1 (zh) * | 2016-06-30 | 2018-01-04 | 乐视控股(北京)有限公司 | 一种识别测试用例失败原因的方法及电子设备 |
CN107480055A (zh) * | 2017-07-26 | 2017-12-15 | 网易(杭州)网络有限公司 | 测试方法、装置、计算可读存储介质和计算设备 |
CN107844417A (zh) * | 2017-10-20 | 2018-03-27 | 东软集团股份有限公司 | 测试用例生成方法和装置 |
CN110008119A (zh) * | 2019-03-14 | 2019-07-12 | 平安信托有限责任公司 | 报表测试方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110716857A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110716857B (zh) | 测试用例管理方法、装置、计算机设备和存储介质 | |
CN110781960B (zh) | 视频分类模型的训练方法、分类方法、装置及设备 | |
CN110782123B (zh) | 决策方案的匹配方法、装置、计算机设备及存储介质 | |
EP2991003A2 (en) | Method and apparatus for classification | |
CN109657137B (zh) | 舆情新闻分类模型构建方法、装置、计算机设备和存储介质 | |
CN112749666B (zh) | 一种动作识别模型的训练及动作识别方法与相关装置 | |
CN110781818B (zh) | 视频分类方法、模型训练方法、装置及设备 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN111160959B (zh) | 一种用户点击转化预估方法及装置 | |
US20240036841A1 (en) | Method and Apparatus for Compatibility Detection, Device and Non-transitory computer-readable storage medium | |
CN110609952B (zh) | 数据采集方法、系统和计算机设备 | |
CN111338692A (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
CN110968689A (zh) | 罪名及法条预测模型的训练方法以及罪名及法条预测方法 | |
CN109872230A (zh) | 金融数据分析系统的测试方法、装置、介质、电子设备 | |
CN114491034B (zh) | 一种文本分类方法及智能设备 | |
CN111460268A (zh) | 数据库查询请求的确定方法、装置和计算机设备 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN114139636A (zh) | 异常作业处理方法及装置 | |
CN113392208A (zh) | It运维故障处理经验积累的方法、装置及存储介质 | |
CN117220911B (zh) | 一种基于协议深度分析的工控安全审计系统 | |
CN114693950B (zh) | 一种图像特征提取网络的训练方法、装置及电子设备 | |
CN113139187B (zh) | 一种预训练语言模型的生成、检测方法及装置 | |
CN110991767B (zh) | 领先用户识别、预测方法以及技术趋势预测方法 | |
CN115357686A (zh) | 数据分级处理方法、装置、设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231208 Address after: No. 301, Building 11, Phase II, Taicang University Science Park, No. 27 Zigang Road, Science and Education New City, Taicang City, Suzhou City, Jiangsu Province, 215000 Applicant after: Tianhang Changying (Jiangsu) Technology Co.,Ltd. Address before: Room 201, building a, No.1 Qianwan 1st Road, Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong Province (settled in Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: PING AN PUHUI ENTERPRISE MANAGEMENT Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |