CN111949525A - 基于ai的健壮性智能测试系统及其测试方法 - Google Patents
基于ai的健壮性智能测试系统及其测试方法 Download PDFInfo
- Publication number
- CN111949525A CN111949525A CN202010770733.9A CN202010770733A CN111949525A CN 111949525 A CN111949525 A CN 111949525A CN 202010770733 A CN202010770733 A CN 202010770733A CN 111949525 A CN111949525 A CN 111949525A
- Authority
- CN
- China
- Prior art keywords
- test
- module
- model
- case
- interface
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 100
- 238000010998 test method Methods 0.000 title claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000000547 structure data Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000034 method 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
- 238000005457 optimization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- 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)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了基于AI的健壮性智能测试系统及其测试方法,包括以训练好的神经网络架构下的训练库,以原有的手工测试用例作为初始数据导入该数据库,其特征在于:所述数据库与测试系统进行数据双向传输,所述测试系统的输出端外设有API接口与程序应用界面;所述测试系统还包括测试结果输出显示模块、执行模块、测试结果清空模块、测试结果分析模块和测试停止模块;所述执行模块内设有收集分析转换模型,且设有多个KBtest子系统容器。本发明通过机器学习的训练库训练大量的人工测试数据后,通过算法以及多个分割的子系统进行匹配用例得出最优模型作为测试比对的模型,再对被测试系统进行边界压力测试,提高准确性,释放机械重复的测试工作,提高测试效率。
Description
技术领域
本发明涉主要是及信息技术领域,尤其是基于AI的健壮性智能测试系统及其测试方法。
背景技术
随之软件开发多样化,需要满足功能多样化和投产时间短,尽快的实现产品价值;接踵而至就是为保证产品的质量为其进行测试。但这种软件测试是机械人工重复性的工作,会增加人工成本,并且测试的速度较慢。
其中,软件测试中的边界测试情况需要考虑,让机器去完成数万计的边界测试。释放出来更多人力去做更有意义的事情。
发明内容
本发明旨在于提供基于AI的健壮性智能测试系统及其测试方法,用以解决测试开发的软件验证的时靠人工机械重复操作,效率低下。
为解决上述的背景技术问题,本申请采用的技术方案为:
基于AI的健壮性智能测试系统,包括以训练好的神经网络架构下的训练库,以原有的手工测试用例作为初始数据导入该数据库,所述数据库与测试系统进行数据双向传输,所述测试系统的输出端外设有API接口与程序应用界面;
所述测试系统还包括测试结果输出显示模块、执行模块、测试结果清空模块、测试结果分析模块和测试停止模块;
所述执行模块内设有收集分析转换模型,且设有多个KBtest子系统容器,所述KBtest子系统用于获取API接口导入的数据信息并多线程分发任务,向数据库发送执行测试请求指令对应用例调取。
作为本发明的进一步的限定,所述收集分析转换模型用于收集数据信息后,分析获得api接口或UI程序的参数数据类型的边界压力测试的极端值和异常值,生成参数库的用例模型;并调取其中最接近的用例模型以其为基础进行修改参数后的模型作为测试模型。
本发明提供了基于AI的健壮性智能测试系统的测试方法,包括如下步骤:
步骤一、初始化训练用例:
101、导入人工测试的历史测试案例数据到训练库中,
102、定义参数结构数据和参数列表,
103、历史测试结果生成系统常见错误;
步骤二、调试模拟测试用例
201、添加一个等待的被测试系统的用例接口API;
202、添加所测试的对应结构数据列表;
203、进行请求测试模型用例,优先使用系统任务的安全阈值高的用例模型,并且对每个接口请求接口进行记录;
204、报错的接口记录进行明确的数据记录,并且,继续训练用例;
205、重复所述步骤203—204循环进行接口请求参数,直至测试输出运行记录完成整个用例的情况;
步骤三、管理控制测试
301、测试停止模块对测试任务定时任务或者事件触发提醒,
302、测试结果分析模块获取运行状态,
303、测试结果输出显示模块展示运行情况。
在上述测试方法中,在步骤203中,多个KBtest子系统分别对被测试系统的用例进行参数集中分析并匹配用例基础模型,多线程并发对多个请求接口进行分析,匹配定义参数。
在上述测试方法中,所述模型用例为以神经网络基础的分析得出最优的匹配模型。
本发明的有益效果是:
1.系统基于云原生软件开发理念,可以方便以后上云和云化。
2.通过技术和信息化手段减少机械化的人力投入。
3.通过算法优化可以更有针对行的测试历史上错误率比较高的类似问题。
4.可以支持大型系统的不间断的测试。
附图说明
为了更清楚地说明本申请的技术方案,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,对于本领域普通技术人员而言,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他的附图。
图1为本申请提供的系统结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。以下结合附图,详细说明本申请各实施例提供的技术方案。
实施例1
请参阅图1,本实施例提供了基于AI的健壮性智能测试系统,包括以训练好的神经网络架构下的训练库,以原有的手工测试用例作为初始数据导入该数据库,所述数据库与测试系统进行数据双向传输,所述测试系统的输出端外设有API接口与程序应用界面;
所述测试系统还包括测试结果输出显示模块、执行模块、测试结果清空模块、测试结果分析模块和测试停止模块;
所述执行模块内设有收集分析转换模型,且设有多个KBtest子系统容器,所述KBtest子系统用于获取API接口导入的数据信息并多线程分发任务,向数据库发送执行测试请求指令对应用例调取。
所述收集分析转换模型用于收集数据信息后,分析获得api接口或UI程序的参数数据类型的边界压力测试的极端值和异常值,生成参数库的用例模型;并调取其中最接近的用例模型以其为基础进行修改参数后的模型作为测试模型。
具体的转换方式是
通过预定义的语法树转换为机器语言可识别的语言
{
"requestURL|1-10":http://httpbin.org/post"
"requestType:"http"
requestMethodType:"post"
rhId:"123123"
"responseUrl:http://httpbin.org/post"
}
对其用例进行压力测试。
本实施例提供了一种基于AI的健壮性智能测试系统的测试方法,包括如下步骤:
步骤一、初始化训练用例:
101、导入人工测试的历史测试案例数据到训练库中,
102、定义参数结构数据和参数列表,
103、历史测试结果生成系统常见错误;
步骤二、调试模拟测试用例
201、添加一个等待的被测试系统的用例接口API;
202、添加所测试的对应结构数据列表;
203、进行请求测试模型用例,优先使用系统任务的安全阈值高的用例模型,并且对每个接口请求接口进行记录;
204、报错的接口记录进行明确的数据记录,并且,继续训练用例;
205、重复所述步骤203~204循环进行接口请求参数,直至测试输出运行记录完成整个用例的情况;
步骤三、管理控制测试
301、测试停止模块对测试任务定时任务或者事件触发提醒,
302、测试结果分析模块获取运行状态,
303、测试结果输出显示模块展示运行情况。
在步骤203中,多个KBtest子系统分别对被测试系统的用例进行参数集中分析并匹配用例基础模型,多线程并发对多个请求接口进行分析,匹配定义参数。
所述模型用例为以神经网络基础的分析得出最优的匹配模型。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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或者实施例的某些部分所述的方法。
以上所述仅是本发明的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.基于AI的健壮性智能测试系统,包括以训练好的神经网络架构下的训练库,以原有的手工测试用例作为初始数据导入该数据库,其特征在于:所述数据库与测试系统进行数据双向传输,所述测试系统的输出端外设有API接口与程序应用界面;
所述测试系统还包括测试结果输出显示模块、执行模块、测试结果清空模块、测试结果分析模块和测试停止模块;
所述执行模块内设有收集分析转换模型,且设有多个KBtest子系统容器,所述KBtest子系统用于获取API接口导入的数据信息并多线程分发任务,向数据库发送执行测试请求指令对应用例调取。
2.根据权利要求1所述的基于AI的健壮性智能测试系统,其特征在于,所述收集分析转换模型用于收集数据信息后,分析获得api接口或UI程序的参数数据类型的边界压力测试的极端值和异常值,生成参数库的用例模型;并调取其中最接近的用例模型以其为基础进行修改参数后的模型作为测试模型。
3.基于AI的健壮性智能测试方法,其特征在于,包括如下步骤:
步骤一、初始化训练用例:
101、导入人工测试的历史测试案例数据到训练库中,
102、定义参数结构数据和参数列表,
103、历史测试结果生成系统常见错误;
步骤二、调试模拟测试用例
201、添加一个等待的被测试系统的用例接口API;
202、添加所测试的对应结构数据列表;
203、进行请求测试模型用例,优先使用系统任务的安全阈值高的用例模型,并且对每个接口请求接口进行记录;
204、报错的接口记录进行明确的数据记录,并且,继续训练用例;
205、重复所述步骤203~204循环进行接口请求参数,直至测试输出运行记录完成整个用例的情况;
步骤三、管理控制测试
301、测试停止模块对测试任务定时任务或者事件触发提醒,
302、测试结果分析模块获取运行状态,
303、测试结果输出显示模块展示运行情况。
4.根据权利要求3所述的测试方法,其特征在于,在步骤203中,多个KBtest子系统分别对被测试系统的用例进行参数集中分析并匹配用例基础模型,多线程并发对多个请求接口进行分析,匹配定义参数。
5.根据权利要求3所述的测试方法,其特征在于,所述模型用例为以神经网络基础的分析得出最优的匹配模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770733.9A CN111949525A (zh) | 2020-08-04 | 2020-08-04 | 基于ai的健壮性智能测试系统及其测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770733.9A CN111949525A (zh) | 2020-08-04 | 2020-08-04 | 基于ai的健壮性智能测试系统及其测试方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111949525A true CN111949525A (zh) | 2020-11-17 |
Family
ID=73339304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010770733.9A Pending CN111949525A (zh) | 2020-08-04 | 2020-08-04 | 基于ai的健壮性智能测试系统及其测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949525A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113617020A (zh) * | 2021-08-02 | 2021-11-09 | Oppo广东移动通信有限公司 | 游戏控制方法、装置、存储介质、服务器以及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298604A (zh) * | 2014-11-06 | 2015-01-21 | 哈尔滨工业大学 | 云服务健壮性测试系统及测试方法 |
CN108415838A (zh) * | 2018-03-01 | 2018-08-17 | 吉旗(成都)科技有限公司 | 一种基于自然语言处理技术的自动化测试方法 |
CN110209586A (zh) * | 2019-06-04 | 2019-09-06 | 苏州浪潮智能科技有限公司 | 一种基于人工智能的软件自动化测试方法,终端及存储介质 |
CN110597718A (zh) * | 2019-08-30 | 2019-12-20 | 苏州浪潮智能科技有限公司 | 一种基于ai的自动化测试实现方法和系统 |
CN111143220A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种软件测试的训练系统及方法 |
-
2020
- 2020-08-04 CN CN202010770733.9A patent/CN111949525A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298604A (zh) * | 2014-11-06 | 2015-01-21 | 哈尔滨工业大学 | 云服务健壮性测试系统及测试方法 |
CN108415838A (zh) * | 2018-03-01 | 2018-08-17 | 吉旗(成都)科技有限公司 | 一种基于自然语言处理技术的自动化测试方法 |
CN110209586A (zh) * | 2019-06-04 | 2019-09-06 | 苏州浪潮智能科技有限公司 | 一种基于人工智能的软件自动化测试方法,终端及存储介质 |
CN110597718A (zh) * | 2019-08-30 | 2019-12-20 | 苏州浪潮智能科技有限公司 | 一种基于ai的自动化测试实现方法和系统 |
CN111143220A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种软件测试的训练系统及方法 |
Non-Patent Citations (2)
Title |
---|
范勇,兰景英,李绘卓主编: "软件测试技术 第2版", 30 November 2009, 西安电子科学大学出版社, pages: 1 * |
郎珑融: "Web自动化测试与Selenium 3.0从入门到实践", 31 July 2020, 机械工业出版社, pages: 1 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113617020A (zh) * | 2021-08-02 | 2021-11-09 | Oppo广东移动通信有限公司 | 游戏控制方法、装置、存储介质、服务器以及终端 |
CN113617020B (zh) * | 2021-08-02 | 2023-11-17 | Oppo广东移动通信有限公司 | 游戏控制方法、装置、存储介质、服务器以及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273286B (zh) | 针对任务应用的场景自动化测试平台及方法 | |
CN110287052B (zh) | 一种异常任务的根因任务确定方法及装置 | |
CN109582301B (zh) | 基于任务调度系统的业务处理方法、装置、设备及介质 | |
CN106777101B (zh) | 数据处理引擎 | |
CN109634728A (zh) | 作业调度方法、装置、终端设备及可读存储介质 | |
CN110716870B (zh) | 服务的自动化测试方法及装置 | |
US8898635B2 (en) | System and method for automatic impact variable analysis and field expansion in mainframe systems | |
CN110471652B (zh) | 任务编排方法、编排器、设备及可读存储介质 | |
CN106227654B (zh) | 一种测试平台 | |
CN111324379A (zh) | 基于通用soa服务的模型部署系统 | |
CN110162365A (zh) | 一种自动操作sap业务软件的方法和系统 | |
CN115543781A (zh) | 汽车软件模型自动化验证的方法及交互系统 | |
US11119899B2 (en) | Determining potential test actions | |
CN111949525A (zh) | 基于ai的健壮性智能测试系统及其测试方法 | |
CN117370217A (zh) | 一种基于python的接口测试结果自动生成方法 | |
CN106843822B (zh) | 一种执行代码生成方法及设备 | |
CN116069628A (zh) | 一种智能处置的软件自动化回归测试方法、系统及设备 | |
Vedros et al. | Enhancement of Industry Legacy Probabilistic Risk Assessment Methods and Tools | |
CN114138442A (zh) | 异步任务调度执行方法、系统及服务器 | |
CN114064469A (zh) | 接口自动化测试方法及存储介质 | |
CN110928761A (zh) | 需求链及其应用的系统和方法 | |
US11994978B2 (en) | Automated verification of a test model for a plurality of defined BDD test scenarios | |
CN113918211B (zh) | 一种工业设备对象数据模型的执行方法、装置及设备 | |
CN118113271A (zh) | 基于大模型的代码生成方法、系统、终端及介质 | |
CN115357309A (zh) | 一种数据处理方法、装置、系统和计算机可读存储介质 |
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 |