CN110955588B - 一种测试用例的质量确定方法和装置 - Google Patents
一种测试用例的质量确定方法和装置 Download PDFInfo
- Publication number
- CN110955588B CN110955588B CN201811126492.3A CN201811126492A CN110955588B CN 110955588 B CN110955588 B CN 110955588B CN 201811126492 A CN201811126492 A CN 201811126492A CN 110955588 B CN110955588 B CN 110955588B
- Authority
- CN
- China
- Prior art keywords
- image
- quality determination
- test
- case
- mapping table
- 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
Images
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
Abstract
本申请实施例提供了一种测试用例的质量确定方法和装置,该方法包括获取待确定的测试用例;使用编码映射表将待确定的测试用例映射为第一图像;根据用例质量确定模型确定第一图像的质量得到质量确定结果,提高了测试用例的可靠性,进而提高了自动化测试的效率。
Description
技术领域
本申请涉及信息测试领域,尤其涉及一种测试用例的质量确定方法和装置。
背景技术
现行自动化测试都是通过连续运行一系列自动化测试用例来实现,通过自动化测试用例整体的通过率来确认现阶段系统的好坏,因此自动化测试用例的质量直接决定了质量确定结果的可信度和测试的效率。在现有技术方案下,自动化测试用例的编写和检查都需要花费大量的人力,而且无法保证用例本身的质量,经常因为自动化测试用例本身的质量缺陷导致自动化测试用例连跑失败。现阶段,自动化测试用例质量的确定通常基于经验的规则模板来进行,这种基于经验的规则模板的确定方式需要大量的人力成本,对于每一个系统都要编写完全不同的规则模板,而且无法覆盖经验不涉及的复杂问题,因此是一种成本极高,效率较低且可靠性低的方式。
发明内容
本申请实施例提供了一种测试用例的质量确定方法和装置,改变了测试用例质量确定的方法,减少了对测试用例质量确定过程中,人力和财力浪费,提升了测试用例的可靠性,进而提高了测试的效率。
第一方面,本申请实施例提供了一种测试用例的确定方法,该方法包括:
获取待确定的测试用例;
使用编码映射表将待确定的测试用例映射为第一图像;
根据用例质量确定模型确定第一图像的质量得到质量确定结果,提高了测试用例的可靠性,进而提高自动化测试的效率。
在一个可能的设计中,使用编码映射表将待确定的测试用例映射为第一图像,包括:
获取待确定的测试用例包含的第一测试标准操作信息对应的编码;
根据编码映射表将编码映射为第一图像。
在一个可能的设计中,根据用例质量确定模型确定第一图像的质量得到质量确定结果,包括:
获取第一图像的特征信息;
将第一图像的特征信息输入用例质量确定模型进行计算得到质量确定结果。
在一个可能的设计中,在使用编码映射表将待确定的测试用例映射为第一图像之前,方法还包括:
生成编码映射表。
在一个可能的设计中,生成编码映射表,包括:
获取第二测试标准操作信息,以及第二测试标准操作信息对应的编码;
根据第一测试标准操作信息对应的编码生成编码映射表;
其中,第二测试标准操作信息包括第一测试标准操作信息。
在一个可能的设计中,在根据用例质量确定模型确定第一图像的质量得到质量确定结果之前,方法还包括:
训练用例质量确定模型。
在一个可能的设计中,训练用例质量确定模型,包括:
获取带标签的测试用例;
使用编码映射表将带标签的测试用例映射为第二图像;
获取第二图像的特征信息;对第二图像的特征信息进行训练得到用例质量确定模型。
第二方面,本申请实施例提供了一种装置,该装置具有实现上述第一方面方法中的功能。所述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。所述硬件或软件包括一个或多于一个与上述功能相对应的模块或单元。
第三方面,本申请实施例提供了一种装置,该装置包括处理器和存储器;所述存储器用于存放程序;所述处理器用于执行所述存储器存储的所述程序,以控制所述设备执行上述第一方面或第一方面中任一种可能的设计所述的方法。
第四方面,本申请实施例提供了一种计算机存储介质,所述计算机存储介质用于存储程序,所述程序执行时实现第一方面或第一方面中任一种可能的设计所述的方法。
第五方面,提供了一种计算机程序或计算机程序产品,所述计算机程序或计算机程序产品包括指令,当所述指令执行时,实现第一方面或第一方面中任一种可能的设计所述的方法。
基于提供的一种测试用例的质量确定方法和装置,通过信息编码的方式,将测试用例映射为图像,基于图像特征的方式,确定测试用例的质量,降低了测试用例确定过程中人力和财力的耗费,提升了测试用例的可靠性,进而提升了大规模测试的效率。
附图说明
图1是本申请实施例提供的一种生成编码映射表的方法流程示意图;
图2是本申请实施例提供的一种测试用例映射为二维图像的示意图;
图3是本申请实施例提供的一种用例质量确定模型的训练方法流程示意图;
图4是本申请实施例提供的一种测试用例映射为图像的示意图;
图5是本申请实施例提供的一种测试用例的质量确定的方法流程示意图;
图6是本申请实施例提供的一种装置的结构示意图;
图7是本申请实施例提供的另一种装置的结构示意图。
具体实施方式
自动化测试用例是按照顺序执行的一组测试操作,这些测试操作都是提前定义好的标准化的操作。
测试用例质量的编写和确定主要是通过基于经验的规则模板来进行的。经验的规则模板是根据长期进行相关测试用例编写和调试人员的经验总结出来的一系列测试用例的编写规范。在对新写成的自动化测试用例进行质量确定过程中,按照经验的规则模板对自动化测试用例逐条核对,确定每一条是否能通过,如果全部通过,就认为自动化测试用例的质量合格,否则,认为自动化测试用例的质量不合格。基于经验的规则模板进行确定的方式需要大量的人力成本,且对于每一个系统都要编写完全不同的规则模板,因此是一种成本极高,效率较低且可靠性低的确定方式。
而且基于经验的规则模板对测试用例确定这种方法,对规则编写人员和具体项目都具有强依赖性。一方面,这种方法有很大的偏差,如果编写规则的人员没有意识到某些问题,那么该问题就会一直出现在新的自动化测试用例中,导致自动化测试连续运行的失败率高,测试效率低。另一方面,基于规则模板对测试用例确定这种方法的可迁移性极差,当自动化测试用例底层模板发生变更后,旧的规则就会失效,需根据情况编写全新的规则模板,因此编写规则模板的工作量就会很大,且版本变更速度极慢。
为了应对大规模测试的需求,在自动化测试中确保自动化测试用例的高质量成为一种必需解决的问题,因此本申请实施例提供了一种测试用例的质量确定方法和装置。
该实施例鉴于基于经验的规则模板对自动化测试用例确定过程中,耗费的大量工作量及无法涵盖全部问题的缺陷,在自动化测试中引入深度学习方法,通过将自动化测试用例的质量确定问题转化为图像问题来解决,提高了质量确定结果的可信度和测试的效率。
在该实施例中,在对自动化测试用例的质量进行确定之前,需要先生成编码映射表,并采用编码映射表,基于深度学习方法,训练出用例质量确定模型。下面结合附图对本申请实施例的方案进行描述。需要说明的是,在该实施例中,可以将自动化测试用例简称为测试用例。该申请实施例中,提到的“第一”,“第二”仅仅是为了区分事物,并不对事物本身进行限定。
图1是本申请实施例提供的一种生成编码映射表的方法流程示意图;其中,编码映射表也可以称为用例编码映射表,或者其他名称,在本申请实施例中对此不作限定。
如图1所示,该方法的执行主体是装置。该方法可以包括以下步骤:
S101,获取测试用例的测试标准操作信息。
测试用例是由一些列的标准化测试操作组成,为了实现对全部自动化测试的测试用例的全面覆盖,获取自动化测试中可能用到的所有测试用例的全部测试标准操作信息。这里可以将获取的测试用例的测试标准操作信息称为第二测试标准操作信息。
例如,一个测试用例用于机顶盒开机,这个测试用例的测试标准操作有机顶盒开机(name1),设置开机画面(para1)为(val1),设置地区(para2)为广州电信(val2),设置时间(para3)为当前时间(val3)。测试标准操作对应的测试标准操作信息是<op>name1,para1=val1,para2=val2,para3=val3</op>。
S102,获取测试标准操作信息对应的编码,生成编码映射表。
在该实施例中,为了实现全部测试用例的全面覆盖,编码人员采用具有物理含义的方式对所有测试标准操作进行编码,并保证覆盖每一个标准化操作的所有可能出现的情况。首先,获取基于统计数据或者其他数据,为每一个测试标准操作选取一个合适的编码,例如,顺序编码、one-hot编码,或者类似wordvector模式的向量化编码方式等,基于选定的编码方式,将测试标准操作中包含的全部信息都写入一个定长的向量中。获取编码人员为每个测试标准操作信息写入的编码,生成编码映射表。
例如,测试标准操作信息:<op>name1,para1=val1,para2=val2,para3=val3</op>对应的编码为[00001 00001 00001 00001 00010 00010 00011 00011]。
该编码映射表是一个覆盖全部自动化测试用例的全量映射表,每一个自动化测试用例可基于这个全量映射表映射为一个二维图像,如图2所示。这样就可以把原始的测试用例质量确定问题转化为一个图像模式的识别问题。
在自动化测试中,如果将测试用例的质量确定问题转化为图像模式的识别问题,需要对图像进行识别,进而完成测试用例质量的确定。为了方便、高效、且高准确度的对图像进行识别,基于编码映射表训练用例质量确定模型。具体训练过程如图3所示。
图3是本申请实施例提供的一种用例质量确定模型的训练方法流程示意图。该方法的执行主体是装置,该装置可以与图1生成编码映射表的装置是同一个装置,也可以是其他的装置。如图3所示,该方法可以包括以下步骤:
S201,获取带标签的测试用例。
带标签的测试用例是用于训练用例质量确定模型的训练数据,获取大量带标签的测试用例,以保证训练出来的用例质量确定模型能对测试用例给出更高准确率的质量确定结果。
S202,使用编码映射表将带标签的测试用例映射为图像。
获取待标签的测试用例的测试标准操作信息,以及测试标准操作信息对应的编码,根据编码将带标签的测试用例映射为二维图像。在该实施例中,带标签的测试用例映射的图像也可以称为第二图像。
需要说明的是,图1的S101中获取的测试标准操作信息包括图2中S202获取的待标签的测试用例的测试标准操作信息。
基于图1中S101和S102生成的编码映射表,将所有带标签的测试用例所包含的所有测试标准操作信息对应的编码映射为图像。
例如,图4所示,测试标准操作包括:
1、机顶盒开机(name1),设置开机画面(para1)为(val1),设置地区(para2)为广州电信(val2),设置时间(para3)为当前时间(val3)。
2、准备视频播放(name2),设置播放状态(para4)为直播(val4),设置播放速度(para5)为快进(val5)。
3、开机播放(name3),播放内容(para6)为神雕侠女第一集(val6)。
4、结束播放(name4),设置播放状态(para7)为停止(val7),播放速度(para8)为常速(val8),删除(para9)播放缓存文件(val9)。
5、机顶盒关闭(name5),设置机顶盒状态(para10)为关机(val10)。
测试标准操作对应的测试标准操作信息是:
<op>name1,para1=val1,para2=val2,para3=val3</op>
<op>name2,para4=val4,para5=val5</op>
<op>name3,para6=val6</op>
<op>name4,para7=val7,para8=val8,para9=val9</op>
<op>name5,para10=val10</op>
测试标准操作信息对应的编码为:
[00001 00001 00001 00001 00010 00010 00011 00011]
[00010 00010 00100 00100 00101 00101 00000 00000]
[00011 00011 00110 00110 00000 00000 00000 00000]
[00100 00100 00111 00111 01000 01000 01001 01001]
[00101 00101 01010 01010 00000 00000 00000 00000]
按照编码映射表将测试标准操作信息对应的编码映射成二维图像,如图3所示。
在全自动化测试用例被映射为图像后,整个问题就变成了一个有标注的图像识别问题,因此通过大量带标注的测试用例作为训练数据训练用例质量确定模型,即执行S203。
S203,获取图像的特征,并训练用例质量确定模型。
每个带标签的测试用例所包含的测试标准操作信息对应的编码映射为一个图像,提取每个图像中的各个特征信息。
实例的,基于深度学习的图像识别技术,通过神经网络对图像进行多次抽象,可以从图像中抽取出很多高维抽象特征。然后按照得到的特征进行分类,再按照特征训练用例质量确定模型。
为了保证训练出来的用例质量确定模型能有高准确率的质量确定结果,对训练出来的用例质量确定模型进行测试,设置模型指标要求,当训练出来的用例质量确定模型达到模型指标要求时,确定为合格的用例质量确定模型,可用于测试用例的质量确定。如果未达到模型指标要求,进一步进行训练,直至达到模型指标的要求,可以用于测试用例的质量确定。换句话讲,通过反复测试、调证参数等操作,最后获得本申请实施例中的用例质量确定模型。
在该实施例中,训练出来的用例质量确定模型的形式可以通过线性函数来表示,例如y=a1x1+a2x2+a3x3+…+anxn,其中,x1、x2、x3、…、xn是特征信息,a1、a2、a3、…、an每个特征信息对应的权重,1、2、3…n是表示有n个特征信息的个数。需要说明的是,这里用例确定模型以线性函数的形式来表示仅仅是个举例,在该实施例中,用例质量确定模型还可以通过其他形式来表示,例如指数函数、或者对数函数,或者更复杂的函数。在本申请实施例中,对用例质量确定模型的具体表示形式不作限定。
当需要对新写的测试用例进行质量确定时,调用图2中经过S201、S202和S203训练出来的用例质量确定模型,对新写的测试用例进行质量确定,其具体过程如图5所示。
图5是本申请实施例提供的一种测试用例的质量确定的方法流程示意图。该方法的执行主体是装置,该装置可以与图1中生成编码映射表的装置、以及图3中生成用例质量确定模型的装置是同一个装置,也可以不是同一个装置,如果图5执行测试用例质量确定的方法的装置与图1生成编码映射表的装置、以及图3中生成用例质量确定模型的装置不是同一个装置时,执行测试用例的质量确定的方法的装置要在进行测试用例质量确定之前,将编码映射表和用例质量确定模型配置在该装置内,以便于后续对测试用例进行质量确定过程中使用编码映射表和用例质量确定模型。
如图5所示,该方法可以包括以下步骤:
S301,获取待确定的测试用例。
这里的待确定的测试用例是可以是新写的测试用例。
S302,使用编码映射表将待确定的测试用例映射为图像。
获取待确定的测试用例的测试标准操作信息,以及其测试标准操作信息对应的编码。在该实施例中,获取的待确定的测试用例的测试标准操作信息可以称为第一测试标准操作信息。图1中S101获取的测试用例的第二测试标准操作信息包括S302中获取的第一测试标准操作信息。
通过编码映射表将待确定的测试用例转化为二维的图像,在该实施例中,可以将待确定的测试用例转化为的二维图像称为第一图像。
S303,根据用例质量确定模型确定图像的质量得到质量确定结果。
经过S302后,获取图像的特征信息,然后将特征信息带入用例质量确定模型进行计算得到质量确定结果。例如用例质量确定模型是y=a1x1+a2x2+a3x3+…+anxn,获取到的图像的特征信息有x1、x2和x7,那么质量确定结果y=a1x1+a2x2+a7x7。因为未获取到其他特征信息,所以其他特征信息项为零。
可选地,在一个实施例中,设置阈值,当通过S303得到的质量确定结果满足阈值时,确定被质量确定的测试用例合格,可以用于自动化测试中。当通过S303得到的质量确定结果不满足阈值时,确定该被质量确定的测试用例不合格,该测试用例还存在一定的质量问题,不可以用于自动化测试中。
在该实施例中,因为用例质量确定模型是经过反复测试、调整参数等操作得到的,具有高准确率的质量确定结果。提高了测试的可靠性,进一步提升了大规模测试的效率。
图1至图5描述了生成编码映射表、生成用例质量确定模型,以及调用用例质量确定模型对待确定的测试用例的质量确定技术方案的描述,下面结合附图6和附图7对本申请实施例提供的装置进行描述。
图6是本申请实施例提供的一种装置结构示意图。如图6所示,该装置可以包括获取单元610、映射单元620和确定单元630。
获取单元610用于获取待确定的测试用例;
映射单元620用于使用编码映射表将待确定的测试用例映射为第一图像;
确定单元630用于根据用例质量确定模型确定第一图像的质量得到质量确定结果,提高了测试用例的可靠性,进而提高自动化测试的效率。
可选地,在一个实施例中,映射单元620使用编码映射表将待确定的测试用例映射为第一图像,包括:
获取单元610获取待确定的测试用例包含的第一测试标准操作信息对应的编码;
映射单元620根据编码映射表将编码映射为第一图像。
可选地,在一个实施例中,确定单元630根据用例质量确定模型确定第一图像的质量得到质量确定结果,包括:
获取单元610获取第一图像的特征信息;
确定单元630将第一图像的特征信息输入用例质量确定模型进行计算得到质量确定结果。
可选地,在一个实施例中,该装置还包括生成单元640。
在使用编码映射表将待确定的测试用例映射为第一图像之前,生成单元640生成编码映射表。
可选地,在一个实施例中,生成单元640生成编码映射表,包括:
获取单元610获取第二测试标准操作信息,以及第二测试标准操作信息对应的编码;
生成单元640根据第一测试标准操作信息对应的编码生成编码映射表;
其中,第二测试标准操作信息包括第一测试标准操作信息。
可选地,在一个实施例中,该装置还包括训练单元650。
在确定单元630根据用例质量确定模型确定第一图像的质量得到质量确定结果之前,训练单元650训练用例质量确定模型。
可选地,在一个实施例中,训练单元650训练用例质量确定模型,包括:
获取单元610获取带标签的测试用例;
映射单元620使用编码映射表将带标签的测试用例映射为第二图像;
获取单元610获取第二图像的特征信息;
训练单元650对第二图像的特征信息进行训练得到用例质量确定模型。
该装置中的各功能单元的功能,可以通过图1至图5中所示实施例中的装置所执行的各步骤来实现,因此,本发明实施例提供的装置的具体工作过程,在此不复赘述。
图7是本申请实施例提供的另一种装置的结构示意图。如图7所示,该装置可以包括处理器710和存储器720,存储器用于存储指令和数据,例如编码映射表、用例质量确定模型等数据。
处理器710用于,获取待确定的测试用例;使用编码映射表将待确定的测试用例映射为第一图像;根据用例质量确定模型确定第一图像的质量得到质量确定结果,提高了测试用例的可靠性,进而提高自动化测试的效率。
可选地,在一个实施例中,处理器710使用编码映射表将待确定的测试用例映射为第一图像,包括:
处理器710获取待确定的测试用例包含的第一测试标准操作信息对应的编码;根据编码映射表将编码映射为第一图像。
可选地,在一个实施例中,处理器710根据用例质量确定模型确定第一图像的质量得到质量确定结果,包括:
处理器710获取第一图像的特征信息;将第一图像的特征信息输入用例质量确定模型进行计算得到质量确定结果。
可选地,在一个实施例中,处理器710,还用于生成编码映射表。
可选地,在一个实施例中,处理器710生成编码映射表,包括:
处理器710获取第二测试标准操作信息,以及第二测试标准操作信息对应的编码;根据第一测试标准操作信息对应的编码生成编码映射表;其中,第二测试标准操作信息包括第一测试标准操作信息。
可选地,在一个实施例中,处理器710,还用于训练用例质量确定模型。
可选地,在一个实施例中,处理器710训练用例质量确定模型,包括:
处理器710获取带标签的测试用例;使用编码映射表将带标签的测试用例映射为第二图像;获取第二图像的特征信息;对第二图像的特征信息进行训练得到用例质量确定模型。
该装置中的各功能器件的功能,可以通过图1至图5中所示实施例中的装置所执行的各步骤来实现,因此,本发明实施例提供的装置的具体工作过程,在此不复赘述。
本申请实施例还提供了一种计算机存储介质,计算机存储介质用于存储程序,程序执行时实现图1至图5所述的方法。
本申请实施例还提供了一种计算机程序或计算机程序产品,计算机程序或计算机程序产品包括指令,当指令执行时,实现图1至图5所述的方法。
在上述各个本发明实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。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介质向另一个计算机可读介质传输,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、数字用户线(Digital Subscriber Line,DSL))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取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,DVD)、或者半导体介质(例如,固态硬盘(Solid State Disk,SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (13)
1.一种测试用例的质量确定方法,其特征在于,所述方法包括:
获取待确定的测试用例;
使用编码映射表将所述待确定的测试用例映射为第一图像;
根据用例质量确定模型确定所述第一图像的质量得到质量确定结果;
其中,所述使用编码映射表将所述待确定的测试用例映射为第一图像,包括:
获取所述待确定的测试用例包含的第一测试标准操作信息对应的编码;
根据所述编码映射表将所述编码映射为所述第一图像。
2.根据权利要求1所述的方法,其特征在于,所述根据用例质量确定模型确定所述第一图像的质量得到质量确定结果,包括:
获取所述第一图像的特征信息;
将所述第一图像的特征信息输入所述用例质量确定模型进行计算得到所述质量确定结果。
3.根据权利要求1或2所述的方法,其特征在于,在使用编码映射表将所述待确定的测试用例映射为第一图像之前,所述方法还包括:
生成所述编码映射表。
4.根据权利要求3所述的方法,其特征在于,所述生成所述编码映射表,包括:
获取第二测试标准操作信息,以及所述第二测试标准操作信息对应的编码;
根据所述第一测试标准操作信息对应的编码生成所述编码映射表;
其中,所述第二测试标准操作信息包括所述第一测试标准操作信息。
5.根据权利要求1或2所述的方法,其特征在于,在根据用例质量确定模型确定所述第一图像的质量得到质量确定结果之前,所述方法还包括:
训练所述用例质量确定模型。
6.根据权利要求5所述的方法,其特征在于,所述训练所述用例质量确定模型,包括:
获取带标签的测试用例;
使用所述编码映射表将所述带标签的测试用例映射为第二图像;
获取所述第二图像的特征信息;对所述第二图像的特征信息进行训练得到所述用例质量确定模型。
7.一种装置,其特征在于,所述装置包括处理器,所述处理器用于:
获取待确定的测试用例;
使用编码映射表将所述待确定的测试用例映射为第一图像;
根据用例质量确定模型确定所述第一图像的质量得到质量确定结果;
其中,所述处理器使用编码映射表将所述待确定的测试用例映射为第一图像,包括:
所述处理器获取所述待确定的测试用例包含的第一测试标准操作信息对应的编码;
所述处理器根据所述编码映射表将所述编码映射为所述第一图像。
8.根据权利要求7所述的装置,其特征在于,所述处理器根据用例质量确定模型确定所述第一图像的质量得到质量确定结果,包括:
所述处理器获取所述第一图像的特征信息;
所述处理器将所述第一图像的特征信息输入所述用例质量确定模型进行计算得到所述质量确定结果。
9.根据权利要求7或8所述的装置,其特征在于,
所述处理器,还用于生成所述编码映射表。
10.根据权利要求9所述的装置,其特征在于,所述处理器生成所述编码映射表,包括:
所述处理器获取第二测试标准操作信息,以及所述第二测试标准操作信息对应的编码;
所述处理器根据所述第一测试标准操作信息对应的编码生成所述编码映射表;
其中,所述第二测试标准操作信息包括所述第一测试标准操作信息。
11.根据权利要求7或8所述的装置,其特征在于,
所述处理器,还用于训练所述用例质量确定模型。
12.根据权利要求11所述的装置,其特征在于,所述处理器训练所述用例质量确定模型,包括:
所述处理器获取带标签的测试用例;
所述处理器使用所述编码映射表将所述带标签的测试用例映射为第二图像;
所述处理器获取所述第二图像的特征信息;对所述第二图像的特征信息进行训练得到所述用例质量确定模型。
13.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序,程序执行时实现权利要求1至权利要求6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811126492.3A CN110955588B (zh) | 2018-09-26 | 2018-09-26 | 一种测试用例的质量确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811126492.3A CN110955588B (zh) | 2018-09-26 | 2018-09-26 | 一种测试用例的质量确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110955588A CN110955588A (zh) | 2020-04-03 |
CN110955588B true CN110955588B (zh) | 2021-10-22 |
Family
ID=69966138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811126492.3A Active CN110955588B (zh) | 2018-09-26 | 2018-09-26 | 一种测试用例的质量确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110955588B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464831A (zh) * | 2009-01-09 | 2009-06-24 | 西安邮电学院 | 一种测试用例集缩减技术 |
CN103473175A (zh) * | 2013-09-11 | 2013-12-25 | 江苏中科梦兰电子科技有限公司 | 一种软件测试用例集的提取方法 |
CN105302723A (zh) * | 2015-11-06 | 2016-02-03 | 北京京东尚科信息技术有限公司 | 测试用例评估方法和装置 |
CN107392019A (zh) * | 2017-07-05 | 2017-11-24 | 北京金睛云华科技有限公司 | 一种恶意代码家族的训练和检测方法及装置 |
CN107678972A (zh) * | 2017-10-27 | 2018-02-09 | 郑州云海信息技术有限公司 | 一种测试用例的评估方法及相关装置 |
CN108416213A (zh) * | 2018-03-14 | 2018-08-17 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于图像纹理指纹的恶意代码分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10007594B2 (en) * | 2015-07-21 | 2018-06-26 | International Business Machines Corporation | Proactive cognitive analysis for inferring test case dependencies |
KR20170087367A (ko) * | 2016-01-20 | 2017-07-28 | 한국과학기술원 | 범언어적 시맨틱 웹 데이터 품질평가 방법 |
-
2018
- 2018-09-26 CN CN201811126492.3A patent/CN110955588B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464831A (zh) * | 2009-01-09 | 2009-06-24 | 西安邮电学院 | 一种测试用例集缩减技术 |
CN103473175A (zh) * | 2013-09-11 | 2013-12-25 | 江苏中科梦兰电子科技有限公司 | 一种软件测试用例集的提取方法 |
CN105302723A (zh) * | 2015-11-06 | 2016-02-03 | 北京京东尚科信息技术有限公司 | 测试用例评估方法和装置 |
CN107392019A (zh) * | 2017-07-05 | 2017-11-24 | 北京金睛云华科技有限公司 | 一种恶意代码家族的训练和检测方法及装置 |
CN107678972A (zh) * | 2017-10-27 | 2018-02-09 | 郑州云海信息技术有限公司 | 一种测试用例的评估方法及相关装置 |
CN108416213A (zh) * | 2018-03-14 | 2018-08-17 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于图像纹理指纹的恶意代码分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110955588A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108984683B (zh) | 结构化数据的提取方法、系统、设备及存储介质 | |
CN111738016B (zh) | 多意图识别方法及相关设备 | |
CN112036162B (zh) | 文本纠错的适配方法、装置、电子设备及存储介质 | |
US11100917B2 (en) | Generating ground truth annotations corresponding to digital image editing dialogues for training state tracking models | |
CN113159010B (zh) | 视频分类方法、装置、设备和存储介质 | |
CN111626049B (zh) | 多媒体信息的标题修正方法、装置、电子设备及存储介质 | |
CN112328489B (zh) | 测试用例生成方法、装置、终端设备和存储介质 | |
CN103246690A (zh) | 标签继承 | |
CN116702723A (zh) | 一种合同段落标注模型的训练方法、装置及设备 | |
CN113221555A (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN112541332A (zh) | 表单信息抽取方法、装置、电子设备及存储介质 | |
CN111177462B (zh) | 视频分发时效的确定方法和装置 | |
CN115525768A (zh) | 一种领域知识图谱可视化构建方法及装置 | |
CN110377708B (zh) | 一种多情景对话切换方法及装置 | |
CN111666372A (zh) | 解析查询词query的方法、装置、电子设备和可读存储介质 | |
CN107967304A (zh) | 会话交互处理方法、装置及电子设备 | |
CN110716767B (zh) | 模型组件调用、生成方法、装置和存储介质 | |
CN116776157B (zh) | 支持模态增加的模型学习方法及其装置 | |
CN110955588B (zh) | 一种测试用例的质量确定方法和装置 | |
CN111026916B (zh) | 文本描述的转换方法、装置、电子设备及存储介质 | |
CN111062216A (zh) | 命名实体识别方法、装置、终端及可读介质 | |
CN111199728A (zh) | 训练数据获取方法及装置和智能音箱、智能电视 | |
CN111813942B (zh) | 实体分类方法和装置 | |
CN110704742B (zh) | 一种特征提取方法及装置 | |
CN114595702A (zh) | 一种文本翻译模型训练方法、文本翻译方法及相关装置 |
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 |