CN111651362A - 测试案例生成方法、装置、存储介质和计算机设备 - Google Patents
测试案例生成方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN111651362A CN111651362A CN202010580108.8A CN202010580108A CN111651362A CN 111651362 A CN111651362 A CN 111651362A CN 202010580108 A CN202010580108 A CN 202010580108A CN 111651362 A CN111651362 A CN 111651362A
- Authority
- CN
- China
- Prior art keywords
- field
- related data
- test case
- actual
- response message
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Abstract
本发明实施例提供了一种测试案例生成方法、装置、存储介质和计算机设备。本发明实施例的方案中,通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文;将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段;若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例,从而可以实现自动生成高质量测试案例。
Description
【技术领域】
本发明涉及研发管理测试技术领域,尤其涉及一种测试案例生成方法、装置、存储介质和计算机设备。
【背景技术】
随着自动化测试技术的不断发展,越来越多的自动化测试工具层出不穷,目前的工具在案例的编写、执行和维护方面都有了很大的进步,但是在开发自动化案例编写方面需要的人力成本依然居高不下,且编写出的案例的稳定性较差,规范性较低,可阅读性较差。
【发明内容】
有鉴于此,本发明实施例提供了一种测试案例生成方法、装置、存储介质和计算机设备,可以实现自动生成高质量测试案例。
一方面,本发明实施例提供了一种测试案例生成方法,该方法包括:
通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;
按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文;
将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段;
判断实际字段是否与预先设置的期望字段相同;
若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例。
可选地,在通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据之前,还包括:
获取用户文件;
对用户文件进行解析,生成接口文档。
可选地,通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据,包括:
将数据库表间关系规则库和接口文档输入反馈神经网络模型,生成弱业务相关数据和业务相关数据;
按照预先设置的异常数据规则,根据业务相关数据,生成异常数据。
可选地,实际字段包括实际通用性字段和实际业务性字段;期望字段包括期望通用性字段和期望业务性字段;判断实际字段是否与预先设置的期望字段相同,包括:
判断实际通用性字段是否与期望通用性字段相同;
若判断出实际通用性字段与期望通用性字段相同,判断实际业务性字段是否与期望业务性字段相同;
若判断出实际业务性字段与期望业务性字段相同,继续执行将响应报文确定为测试案例的步骤。
可选地,该方法还包括:
若判断出实际业务性字段与期望业务性字段不同,判断接口文档是否包括边缘数据;
若判断出接口文档不包括边缘数据,继续执行通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据的步骤。
可选地,接口文档包括生成规则;在通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据之后,还包括:
通过指定学习方式,根据弱业务相关数据和/或业务相关数据进行学习,生成学习规则;
将学习规则作为接口文档中的生成规则。
可选地,接口文档包括生成规则;在将响应报文确定为测试案例之后,还包括:
将测试案例输入反馈神经网络模型,生成测试操作;
将测试操作作为生成规则。
另一方面,本发明实施例提供了一种测试案例生成装置,包括:
第一生成单元,用于通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;
第二生成单元,用于按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文;
收发单元,将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段;
判断单元,用于判断实际字段是否与预先设置的期望字段相同;
第一确定单元,用于若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例。
另一方面,本发明实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述测试案例生成方法。
另一方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现上述测试案例生成方法的步骤。
本发明实施例的方案中,通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文;将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段;若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例,从而可以实现自动生成高质量测试案例。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种测试案例生成方法的流程图;
图2为本发明实施例提供的又一种测试案例生成方法的流程图;
图3为本发明实施例提供的一种反馈神经网络模型的示意图;
图4为本发明实施例提供的又一种反馈神经网络模型的示意图;
图5为本发明实施例提供的一种多接口间数据来源关系的示意图;
图6为本发明实施例提供的一种测试案例生成装置的结构示意图;
图7是本发明实施例提供的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,甲和/或乙,可以表示:单独存在甲,同时存在甲和乙,单独存在乙这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本发明实施例提供的一种测试案例生成方法的流程图,如图1所示,该方法包括:
步骤101、通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据。
步骤102、按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文。
步骤103、将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段。
步骤104、判断实际字段是否与预先设置的期望字段相同。
步骤105、若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例。
本发明实施例的方案中,通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文;将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段;若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例,从而可以实现自动生成高质量测试案例。
图2为本发明实施例提供的又一种测试案例生成方法的流程图,如图2所示,该方法包括:
步骤201、获取用户文件。
本实施例中,各步骤由服务器执行。
本实施例中,用户文件包括excel文件、word文件或txt文件。
步骤202、对用户文件进行解析,生成接口文档,接口文档包括生成规则。
具体地,读取用户文件,并从用户文件中解析出字段信息、公共标题和报文,生成接口文档。
本实施例中,接口文档包括接口信息、公共标题和报文。其中,接口信息表示接口相关的信息,包括:接口路径、请求方式、服务场景和接口名称中之一或其任意组合;公共标题表示对报文的分组;报文表示接口相关的详细字段,包括:字段信息(英文名称、中文名称、数据类型、长度、是否必填、取值范围、默认值、关联上游接口字段、关联数据表字段、生成规则)、输入(请求报文)和输出(响应报文)中之一或其任意组合。例如:接口路径为/testquery.do、请求方式为post、服务场景为01、接口名称为测试查询接口、英文名称为SEG_1,中文名称为请求字段1,数据类型为String、长度为50、是否必填为是。
步骤203、将数据库表间关系规则库和接口文档输入反馈神经网络模型,生成弱业务相关数据和业务相关数据。
本实施例中,弱业务相关数据包括期望需求与实际需求关联较弱的数据。例如:期望需求是测试身份证,而实际需求是测试护照的数据。
本实施例中,业务相关数据包括期望需求与实际需求关联较强的数据。例如:期望需求是测试身份证,实际需求也是测试身份证的数据。
本实施例中,反馈神经网络模型包括指定层数。作为一种可选方案,图3为本发明实施例提供的一种反馈神经网络模型的示意图,如图3所示,反馈神经网络模型包括4层,第一层为接口文档中的字段,第二层为数据维度,第三层为次输出层,第四层为输出层。例如:第一层为字段1,字段2和字段3,第二层为数据类型、长度、是否必填、取值范围、默认值、关联上游接口字段、关联数据表字段和生成规则,第三层为断言数据和测试数据,第四层为输出,即:弱业务相关数据和业务相关数据。
本实施例中,数据库表间关系规则库包括数据表规则以及数据表中的生成规则。作为一种可选方案,数据库表间关系库可用实体-联系图(Entity Relationship Diagram,简称:E-R图)表示。
进一步地,步骤203还包括:
步骤203a、通过指定学习方式,根据弱业务相关数据和/或业务相关数据进行学习,生成学习规则。
本实施例中,指定学习方式包括:用户界面(User Interface,简称:UI)学习方式、日志学习方式和数据库学习方式中之一或其任意组合。其中,UI界面学习方式包括根据弱业务相关数据和/或业务相关数据,将UI界面上的操作与相关接口对应,并生成学习规则;日志学习方式是从生成过程中产生的日志中挖掘出弱业务相关数据和/或业务相关数据,根据弱业务相关数据和/或业务相关数据生成学习规则;数据库学习方式是从数据库中挖掘出弱业务相关数据和/或业务相关数据,根据弱业务相关数据和/或业务相关数据生成学习规则。
步骤203b、将学习规则作为接口文档中的生成规则。
本实施例中,按照指定学习方式,利用弱业务相关数据和/或业务相关数据生成学习规则,从而对接口文档进行更新,使得接口文档能够自适应系统的需求变化;可以自动高效地完成对接口文档的维护和更新工作,减少了人力成本和时间和工作人员的压力;随着接口文档更新次数的增多,可以形成稳定的接口,从而生成健壮的、高质量的案例。
步骤204、按照预先设置的异常数据规则,根据业务相关数据,生成异常数据。
作为一种可选方案,异常数据规则包括数值溢出和类型超长。
本实施例中,异常数据包括与业务完全无关的数据。例如:数值溢出的数据。
步骤205、按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文。
本实施例中,请求报文模板包括模板格式,模板格式包括但不限于xml格式或高压缩率的半加密镜像(esd)格式。例如:模板格式为xml格式的请求报文模板。具体地,查询出弱业务相关数据、业务相关数据和异常数据的数据格式;按照数据格式查询出对应的请求报文模板,其中,请求报文模板的模板格式与数据格式对应;将弱业务相关数据、业务相关数据和异常数据按照请求报文模板进行拼接,生成请求报文。例如:查询出的数据格式为xml格式;按照xml格式查询出请求报文模板,其中,请求报文模板的模板格式为xml格式;将弱业务相关数据、业务相关数据和异常数据按照请求报文模板进行拼接,生成请求报文。
本实施例中,请求报文为输入的文本串,该文本串可支持多种指定格式。作为一种可选方案,指定格式包括xml格式、json格式和soupUI格式。
步骤206、将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段。其中,实际字段包括实际通用性字段和实际业务性字段。
本实施例中,测试系统为需要进行测试的系统。
本实施例中,测试系统根据接收到的请求报文生成响应报文,并将响应报文发送至服务器。
本实施例中,响应报文为输出的文本串,该文本串可支持多种指定格式。作为一种可选方案,指定格式包括xml格式、json格式和soupUI格式。
步骤207、判断实际通用性字段是否与预先设置的期望通用性字段相同,若是,执行步骤208;若否,流程结束。
本实施例中,预先设置有期望字段,期望字段包括期望通用性字段,例如:消息(message)字段。
本实施例中,若判断出实际通用性字段与预先设置的期望通用性字段相同,表明可以通用性断言测试通过,继续执行步骤208;若判断出实际通用性字段与预先设置的期望通用性字段不同,表明测试系统失效,流程结束。
步骤208、判断实际业务性字段是否与预先设置的期望业务性字段相同,若是,执行步骤209;若否,执行步骤210。
本实施例中,预先设置有期望字段,期望业务性字段是预先设置的,例如:金额字段。
本实施例中,若判断出实际业务性字段与预先设置的期望业务性字段相同,表明业务性断言测试通过,继续执行步骤209;若判断出实际业务性字段与预先设置的期望业务性字段不同,表明业务性断言测试未通过,继续执行步骤210。
作为一种可选方案,若判断出实际业务性字段与预先设置的期望业务性字段不同,表明测试系统失效,流程结束。
步骤209、将响应报文确定为测试案例,继续执行步骤211。
本实施例中,根据接口文档自动生成测试案例,在生成测试案例的过程中可以进行自主验证,保证了测试案例的正确性,从而可以节省大量的人力成本;测试案例是有程序化自主生成的,因此具有较好的规范性和可阅读性。
步骤210、判断接口文档是否包括边缘数据,若是,流程结束;若否,执行步骤201。
本实施例中,接口文档还包括边缘数据。
本实施例中,若判断出接口文档包括边缘数据,表明测试系统失效,流程结束;若判断出接口文档不包括边缘数据,表明测试系统未失效,生成下一个测试案例,继续执行步骤201。
步骤211、将测试案例输入反馈神经网络模型,生成测试操作。
本实施例中,反馈神经网络模型包括指定层数。作为另一种可选方案,图4为本发明实施例提供的又一种反馈神经网络模型的示意图,如图4所示,反馈神经网络模型包括5层,第一层为测试案例中的字段,第二层为问题归总,第三层为隐层,第四层为针对问题的具体操作层,第五层为输出层。例如:第一层为字段1,字段2和字段3,第二层为数据类型问题、长度问题、是否必填问题、取值范围问题和默认值问题,第三层为隐层节点1、隐层节点n和隐层节点m,第四层为int求max边界操作、字段长度验证操作、数据类型鉴别操作和其他操作,第五层为输出,即:测试操作。
进一步地,反馈神经网络模型相邻两层的节点之间包括初始权重,将测试操作输入梯度学习算法,生成更新权重;将更新权重作为初始权重,以更新反馈神经网络模型中相邻两层的节点之间的权重。
步骤212、将测试操作作为生成规则,流程结束。
本实施例中,将测试操作作为接口文档中的生成规则,以对接口文档进行更新。
本实施例中,按照反馈神经网络模型,利用测试案例生成测试操作,从而对接口文档进行更新,使得接口文档能够自适应系统的需求变化;可以自动高效地完成对接口文档的维护和更新工作,减少了人力成本和时间和工作人员的压力;随着接口文档更新次数的增多,可以形成稳定的接口,从而生成健壮的、高质量的案例。
本实施例中,步骤201至步骤212主要针对单接口测试案例,也可针对多接口测试案例。图5为本发明实施例提供的一种多接口间数据来源关系的示意图,如图5所示,包括7个接口,接口3的关联上游接口字段为接口1和接口2的字段,因此接口3接收接口1和接口2发送的数据;接口4、接口5和接口6的关联上游接口字段均为接口3的字段,因此接口4、接口5和接口6接收接口3发送的数据;接口7的关联上游接口字段为接口4、接口5和接口6的字段,因此接口7接收接口4、接口5和接口6发送的数据。在多接口测试案例中,每个接口均需要使用指定类型的数据。其中,指定类型可根据实际情况进行设置。由于每个接口使用的每个指定类型的数据极少,因此对每个接口使用的每个指定类型的数据使用穷举的方法。在数据在多个接口之间流通的过程中,需要接收数据的接口根据接口文档中的关联上游接口字段,确定出发送数据的接口。
本发明实施例的方案中,通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文;将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段;若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例,从而可以实现自动生成高质量测试案例。
图6为本发明实施例提供的一种测试案例生成装置的结构示意图,该装置用于执行上述测试案例生成方法,如图6所示,该装置包括:第一生成单元11、第二生成单元12、收发单元13、判断单元14和第一确定单元15。
第一生成单元11用于通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据。
第二生成单元12用于按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文。
收发单元13将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段;
判断单元14用于判断实际字段是否与预先设置的期望字段相同。
第一确定单元15用于若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例。
本发明实施例中,该装置还包括:获取单元16和第三生成单元17。
获取单元16用于获取用户文件。
第三生成单元17用于对用户文件进行解析,生成接口文档。
本发明实施例中,第一生成单元11具体用于将数据库表间关系规则库和接口文档输入反馈神经网络模型,生成弱业务相关数据和业务相关数据;按照预先设置的异常数据规则,根据业务相关数据,生成异常数据。
本发明实施例中,判断单元14具体用于判断实际通用性字段是否与期望通用性字段相同;若判断出实际通用性字段与期望通用性字段相同,判断实际业务性字段是否与期望业务性字段相同;若判断出实际业务性字段与期望业务性字段相同,触发第一确定单元15继续执行将响应报文确定为测试案例的步骤。
本发明实施例中,判断单元14具体还用于若判断出实际业务性字段与期望业务性字段不同,判断接口文档是否包括边缘数据;若判断出接口文档不包括边缘数据,触发第一生成单元11继续执行通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据的步骤。
本发明实施例中,该装置还包括:第四生成单元18和第二确定单元19。
第四生成单元18用于通过指定学习方式,根据弱业务相关数据和/或业务相关数据进行学习,生成学习规则。
第二确定单元19用于将学习规则作为接口文档中的生成规则。
本发明实施例中,该装置还包括第五生成单元20和第三确定单元21。
第五生成单元20用于将测试案例输入反馈神经网络模型,生成测试操作。
第三确定单元21用于将测试操作作为生成规则。
本发明实施例的方案中,通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文;将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的响应报文,响应报文包括实际字段;若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例,从而可以实现自动生成高质量测试案例。
本发明实施例提供了一种服务器,服务器包括上述测试案例生成装置。
本发明提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行以下步骤:通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;按照预先设置的请求报文模板,将弱业务相关数据、业务相关数据和异常数据进行拼接,生成请求报文;将请求报文发送至测试系统,以供测试系统根据请求报文生成响应报文,并接收测试系统发送的所述响应报文,响应报文包括实际字段;判断实际字段是否与预先设置的期望字段相同;若判断出实际字段与预先设置的期望字段相同,将响应报文确定为测试案例。
图7是本发明实施例提供的一种计算机设备的示意图。如图7所示,该实施例的计算机设备30包括:处理器31、存储器32以及存储在存储32中并可在处理器31上运行的计算机程序33,该计算机程序33被处理器31执行时实现实施例中的测试案例生成方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器31执行时实现实施例中应用于测试案例生成装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括,但不仅限于,处理器31、存储器32。本领域技术人员可以理解,图7仅仅是计算机设备30的示例,并不构成对计算机设备30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,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器31可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器32可以是计算机设备30的内部存储单元,例如计算机设备30的硬盘或内存。存储器32也可以是计算机设备30的外部存储设备,例如计算机设备30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器32还可以既包括计算机设备30的内部存储单元也包括外部存储设备。存储器32用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器32还可以用于暂时地存储已经输出或者将要输出的数据。
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,在本发明各个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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。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。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种测试案例生成方法,其特征在于,所述方法包括:
通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;
按照预先设置的请求报文模板,将所述弱业务相关数据、所述业务相关数据和所述异常数据进行拼接,生成请求报文;
将所述请求报文发送至测试系统,以供所述测试系统根据所述请求报文生成响应报文,并接收所述测试系统发送的所述响应报文,所述响应报文包括实际字段;
判断所述实际字段是否与预先设置的期望字段相同;
若判断出所述实际字段与预先设置的期望字段相同,将所述响应报文确定为测试案例。
2.根据权利要求1所述的测试案例生成方法,其特征在于,在通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据之前,还包括:
获取用户文件;
对所述用户文件进行解析,生成接口文档。
3.根据权利要求1所述的测试案例生成方法,其特征在于,所述通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据,包括:
将所述数据库表间关系规则库和所述接口文档输入反馈神经网络模型,生成弱业务相关数据和业务相关数据;
按照预先设置的异常数据规则,根据所述业务相关数据,生成异常数据。
4.根据权利要求1-3中任一项所述的测试案例生成方法,其特征在于,所述实际字段包括实际通用性字段和实际业务性字段;所述期望字段包括期望通用性字段和期望业务性字段;所述判断所述实际字段是否与预先设置的期望字段相同,包括:
判断所述实际通用性字段是否与所述期望通用性字段相同;
若判断出所述实际通用性字段与所述期望通用性字段相同,判断所述实际业务性字段是否与所述期望业务性字段相同;
若判断出所述实际业务性字段与所述期望业务性字段相同,继续执行所述将响应报文确定为测试案例的步骤。
5.根据权利要求4所述的测试案例生成方法,其特征在于,所述方法还包括:
若判断出所述实际业务性字段与所述期望业务性字段不同,判断接口文档是否包括边缘数据;
若判断出接口文档不包括边缘数据,继续执行所述通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据的步骤。
6.根据权利要求1所述的测试案例生成方法,其特征在于,所述接口文档包括生成规则;在通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据之后,还包括:
通过指定学习方式,根据所述弱业务相关数据和/或所述业务相关数据进行学习,生成学习规则;
将所述学习规则作为所述接口文档中的生成规则。
7.根据权利要求1所述的测试案例生成方法,其特征在于,所述接口文档包括生成规则;在将所述响应报文确定为测试案例之后,还包括:
将所述测试案例输入反馈神经网络模型,生成测试操作;
将所述测试操作作为所述生成规则。
8.一种测试案例生成装置,其特征在于,包括:
第一生成单元,用于通过反馈神经网络模型,根据预先生成的接口文档和预先设置的数据库表间关系规则库,生成弱业务相关数据、业务相关数据和异常数据;
第二生成单元,用于按照预先设置的请求报文模板,将所述弱业务相关数据、所述业务相关数据和所述异常数据进行拼接,生成请求报文;
收发单元,将所述请求报文发送至测试系统,以供所述测试系统根据所述请求报文生成响应报文,并接收所述测试系统发送的所述响应报文,所述响应报文包括实际字段;
判断单元,用于判断所述实际字段是否与预先设置的期望字段相同;
第一确定单元,用于若判断出所述实际字段与预先设置的期望字段相同,将所述响应报文确定为测试案例。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的测试案例生成方法。
10.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现权利要求1至7任意一项所述的测试案例生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010580108.8A CN111651362A (zh) | 2020-06-23 | 2020-06-23 | 测试案例生成方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010580108.8A CN111651362A (zh) | 2020-06-23 | 2020-06-23 | 测试案例生成方法、装置、存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111651362A true CN111651362A (zh) | 2020-09-11 |
Family
ID=72349838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010580108.8A Pending CN111651362A (zh) | 2020-06-23 | 2020-06-23 | 测试案例生成方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651362A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113438134A (zh) * | 2021-06-30 | 2021-09-24 | 未鲲(上海)科技服务有限公司 | 请求报文处理方法、装置、服务器及介质 |
-
2020
- 2020-06-23 CN CN202010580108.8A patent/CN111651362A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113438134A (zh) * | 2021-06-30 | 2021-09-24 | 未鲲(上海)科技服务有限公司 | 请求报文处理方法、装置、服务器及介质 |
CN113438134B (zh) * | 2021-06-30 | 2023-03-31 | 未鲲(上海)科技服务有限公司 | 请求报文处理方法、装置、服务器及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276074B (zh) | 自然语言处理的分布式训练方法、装置、设备及存储介质 | |
CN111563218B (zh) | 一种页面的修复方法及装置 | |
CN111159016A (zh) | 一种规范检测方法及装置 | |
CN111309593A (zh) | Json接口校验的方法、装置、设备及计算机可读存储介质 | |
CN113448862B (zh) | 软件版本测试方法、装置及计算机设备 | |
CN110705226A (zh) | 电子表格的创建方法、装置及计算机设备 | |
CN115599359A (zh) | 一种代码生成方法、装置、设备及介质 | |
CN111475494A (zh) | 一种海量数据处理方法、系统、终端及存储介质 | |
CN111445319A (zh) | 一种凭证生成方法、装置、计算机设备及存储介质 | |
CN111597118A (zh) | 测试用例生成方法、装置、计算机设备及存储介质 | |
CN111652658A (zh) | 画像融合方法、装置、电子设备及计算机可读存储介质 | |
CN113434542B (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN110737432A (zh) | 一种基于词根表的脚本辅助设计方法及装置 | |
CN111651362A (zh) | 测试案例生成方法、装置、存储介质和计算机设备 | |
CN111639903A (zh) | 一种针对架构变更的评审处理方法及相关设备 | |
CN111984659A (zh) | 数据更新方法、装置、计算机设备和存储介质 | |
CN111597336A (zh) | 训练文本的处理方法、装置、电子设备及可读存储介质 | |
CN108196921B (zh) | 单据开发方法、装置、计算机设备和存储介质 | |
CN111078564A (zh) | 一种ui测试用例管理方法、装置、计算机设备以及计算机可读存储介质 | |
CN110688823A (zh) | Xml文件验证方法及装置 | |
CN115544132A (zh) | 数据导入方法、系统及电子设备 | |
CN113868138A (zh) | 测试数据的获取方法、系统、设备及存储介质 | |
CN114443493A (zh) | 一种测试案例生成方法、装置、电子设备和存储介质 | |
CN110471708B (zh) | 基于可重用组件的配置项获取的方法及装置 | |
CN111177501B (zh) | 一种标签处理方法、装置及系统 |
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 |