CN112148620A - 一种测试案例生成方法及相关设备 - Google Patents
一种测试案例生成方法及相关设备 Download PDFInfo
- Publication number
- CN112148620A CN112148620A CN202011084793.1A CN202011084793A CN112148620A CN 112148620 A CN112148620 A CN 112148620A CN 202011084793 A CN202011084793 A CN 202011084793A CN 112148620 A CN112148620 A CN 112148620A
- Authority
- CN
- China
- Prior art keywords
- test case
- requirement
- generation model
- case generation
- training
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 312
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 114
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000013101 initial test Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 47
- 230000008859 change Effects 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000013522 software testing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
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
本发明提供一种测试案例生成方法及相关设备，包括获取待测试软件的测试需求；基于预先构建的测试案例生成模型对输入的测试需求进行处理，输出与待测试软件对应的测试案例数据。其中，预先构建测试案例生成模型的过程，包括基于获取到的软件原始需求，建立需求描述矩阵；将需求描述矩阵与历史测试案例数据组合成训练数据，基于训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型。在方案中，利用软件原始需求和与软件原始需求对应的历史测试案例数据构建的测试案例生成模型对测试需求进行处理，从而得到与待测试软件对应的测试案例数据。通过上述方式生成测试案例，能够提高测试案例的生成效率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种测试案例生成方法及相关设备。
背景技术
软件测试是软件项目流程的必要阶段，目前常通过软件测试来测定待发行的软件，以检验该软件是否达到预期的需求。
目前，在软件测试的过程中，通过运行测试人员基于测试项目的具体需求编写的测试案例，并分析运行结果，以检验该软件是否达到预期的需求。为了保证软件测试的质量，需要测试人员充分理解系统业务需求。使得测试案例的生成时间较长，且需要通过人工的方式编写软件的测试案例，会导致测试案例的生成效率较低。
发明内容
有鉴于此，本发明实施例提供一种测试案例生成方法及相关设备，以解决现有技术中测试案例的生成效率较低的问题。
为实现上述目的，本发明实施例提供如下技术方案：
本发明实施例第一方面公开了一种测试案例生成方法，所述方法包括：
获取待测试软件的测试需求；
将所述测试需求输入预先构建的测试案例生成模型，基于所述预先构建的测试案例生成模型对所述测试需求进行处理，输出与所述待测试软件对应的测试案例数据，所述测试案例生成模型是由软件原始需求和与所述软件原始需求对应的历史测试案例数据进行训练得到的；
其中，基于所述软件原始需求和与所述软件原始需求对应的历史测试案例数据进行训练得到所述测试案例生成模型的过程，包括：
获取软件原始需求和与所述软件原始需求对应的历史测试案例数据；
基于所述软件原始需求，建立需求描述矩阵；
对所述历史测试案例数据进行预处理，得到规范后的历史测试案例数据；
将获得的所述需求描述矩阵与所述规范后的历史测试案例数据组合成训练数据，基于所述训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型。
可选的，所述基于所述软件原始需求，建立需求描述矩阵，包括：
对所述软件原始需求进行拆分，并按照预设的整理规则将拆分后的软件原始需求进行处理，生成需求集合，所述需求集合的数量为多个；
提取所述需求集合的需求关键词；
根据所述需求集合和所述需求关键词，建立需求描述矩阵。
可选的，所述将获得的所述需求描述矩阵与所述规范后的历史测试案例数据组合成训练数据，基于所述训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型，包括：
确定由输入层、隐藏层和输出层构成的初始测试案例生成模型；
基于所述需求描述矩阵和所述规范后的历史测试案例数据，对所述初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型。
可选的，所述基于所述需求描述矩阵和所述规范后的历史测试案例数据，对所述初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型，包括：
将所述需求描述矩阵的每一个行向量通过所述初始测试案例生成模型的输入层输入；
在所述需求描述矩阵的每一个行向量经过所述隐藏层时，所述隐藏层对所述每一行向量进行线性变化和非线性变化，以将测试案例的实际输出值通过所述输出层输出；
基于所述测试案例的实际输出值和所述规范后的历史测试案例数据，确定交叉熵函数的值；
若确定所述交叉熵函数的值不趋近于预设限额，则计算所述交叉熵函数的值和预设限额的误差；
基于所述交叉熵函数的值和预设限额的误差，调整所述初始测试案例生成模型中线性变化和非线性变化所对应的权重，得到训练完成的测试案例生成模型。
本发明实施例第二方面公开了一种测试案例生成装置，所述装置包括：
构建单元，用于基于软件原始需求和与所述软件原始需求对应的历史测试案例数据进行训练，以构建测试案例生成模型；
其中，所述构建单元，具体用于基于所述软件原始需求和与所述软件原始需求对应的历史测试案例数据进行训练得到所述测试案例生成模型的过程，包括：获取软件原始需求和与所述软件原始需求对应的历史测试案例数据；基于所述软件原始需求，建立需求描述矩阵；对所述历史测试案例数据进行预处理，得到规范后的历史测试案例数据；将获得的所述需求描述矩阵与所述规范后的历史测试案例数据组合成训练数据，基于所述训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型；
获取单元，用于获取待测试软件的测试需求；
测试案例生成模型，用于将所述测试需求输入测试案例生成模型，基于所述测试案例生成模型对所述测试需求进行处理，输出与所述待测试软件对应的测试案例数据。
可选的，所述基于所述软件原始需求，建立需求描述矩阵的构建单元，具体用于：对所述软件原始需求进行拆分，并按照预设的整理规则将拆分后的软件原始需求进行处理，生成需求集合，所述需求集合的数量为多个；提取所述需求集合的需求关键词；根据所述需求集合和所述需求关键词，建立需求描述矩阵。
可选的，所述将获得的所述需求描述矩阵与所述历史测试案例数据组合成训练数据，基于所述训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型的构建单元，包括：
确定子单元，用于确定由输入层、隐藏层和输出层构成的初始测试案例生成模型；
构建子单元，用于基于所述需求描述矩阵和所述规范后的历史测试案例数据，对所述初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型。
可选的，所述构建子单元，具体用于：
将所述需求描述矩阵的每一个行向量通过所述初始测试案例生成模型的输入层输入；在所述需求描述矩阵的每一个行向量经过所述隐藏层时，所述隐藏层对所述每一行向量进行线性变化和非线性变化，以将测试案例的实际输出值通过所述输出层输出；基于所述测试案例的实际输出值和所述规范后的历史测试案例数据，确定交叉熵函数的值；若确定所述交叉熵函数的值不趋近于预设限额，则计算所述交叉熵函数的值和预设限额的误差；基于所述交叉熵函数的值和预设限额的误差，调整所述初始测试案例生成模型中线性变化和非线性变化所对应的权重，得到训练完成的测试案例生成模型。
本发明实施例第三方面公开了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储测试案例生成的程序代码和数据，所述处理器用于调用所述存储器中的程序指令执行如本发明实施例第一方面公开的一种测试案例生成方法。
本发明实施例第三方面公开了一种存储介质，其特征在于，所述存储介质包括存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行如本发明实施例第一方面公开的一种测试案例生成方法。
基于上述本发明实施例提供的一种测试案例生成方法及相关设备，该方法包括：获取待测试软件的测试需求；将测试需求输入预先构建的测试案例生成模型，基于预先构建的测试案例生成模型对测试需求进行处理，输出与待测试软件对应的测试案例数据。该测试案例生成模型是由软件原始需求和与软件原始需求对应的历史测试案例数据进行训练得到的；其中，基于软件原始需求和与软件原始需求对应的历史测试案例数据进行训练得到测试案例生成模型的过程，包括：获取软件原始需求和与软件原始需求对应的历史测试案例数据；基于软件原始需求，建立需求描述矩阵；对历史测试案例数据进行预处理，得到规范后的历史测试案例数据；将获得的需求描述矩阵与历史测试案例数据组合成训练数据，基于训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型。在本发明实施例中，利用软件原始需求和与软件原始需求对应的历史测试案例数据构建的测试案例生成模型对测试需求进行处理，从而得到与待测试软件对应的测试案例数据。通过上述方式生成测试案例，能够提高测试案例的生成效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例示出的一种测试案例生成方法的流程示意图；
图2为本发明实施例示出的一种测试案例生成模型的构建流程示意图；
图3为本发明实施例示出的对历史测试案例数据进行规范的原理示意图；
图4为本发明实施例示出的另一种测试案例生成模型的构建流程示意图；
图5为本发明实施例示出的测试案例生成模型的原理示意图；
图6为本发明实施例示出的又一种测试案例生成模型的构建流程示意图；
图7为本发明实施例示出的一种测试案例生成装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例中，利用软件原始需求和与软件原始需求对应的历史测试案例数据构建的测试案例生成模型对测试需求进行处理，从而得到与待测试软件对应的测试案例数据。通过上述方式生成测试案例，能够提高测试案例的生成效率。
参见图1，为本发明实施例示出的一种测试案例生成方法的流程示意图，该方法包括：
步骤S101：获取待测试软件的测试需求。
在步骤S101中，测试需求是指软件或系统需要满足特定要求所具备的条件或功能，即符合合同标准、规范或其它正式规定文档的条件或权能。
步骤S102：将测试需求输入预先构建的测试案例生成模型，基于预先构建的测试案例生成模型对测试需求进行处理，输出与待测试软件对应的测试案例数据。
在具体实现步骤S102的过程中，将测试需求通过本发明实施例公开的测试案例生成模型进行处理，最终输出与待测试软件对应的测试案例数据。
需要说明的是，测试案例数据是指对某一软件产品或应用进行测试任务的描述，所体现的测试方案、方法、技术和策略。
其中，测试案例生成模型是由软件原始需求和与软件原始需求对应的历史测试案例数据进行训练得到的。
需要说明的是，软件原始需求是指历史对某一软件进行测试时，所确定的测试需求，具体的，软件原始需求由若干组对业务功能或者其它方面需求的描述性语句组成，每一组语句对应一个逻辑上的需求。
历史测试案例是指基于软件原始需求进行测试，得到的对该软件产品，或应用进行测试任务的描述，所体现的测试方案、方法、技术和策略。
在本发明实施例中，基于软件原始需求和与软件原始需求对应的历史测试案例数据进行训练得到测试案例生成模型的过程，如图2所示，包括以下步骤：
步骤S201：获取软件原始需求和与软件原始需求对应的历史测试案例数据。
在具体实现步骤S201的过程中，获取预设时间段内软件原始需求和与软件原始需求对应的历史测试案例数据。
其中，预设时间段是本领域技术人员经过经验进行设置的，比如可设置为近5年。
步骤S202：基于软件原始需求，建立需求描述矩阵。
可选的，在具体实现步骤S202的过程中，包括以下步骤：
步骤S11：对软件原始需求进行拆分，并按照预设的整理规则将拆分后的软件原始需求进行处理，生成需求集合。
其中，需求集合的数量为多个。
在具体实现步骤S11的过程中，首先对软件原始需求进行拆分，得到拆分后的软件原始需求；为了降低软件原始需求所对应的数据集合的冗余，需要基于预设的整理规则对拆分后的软件原始需求进行处理，并将处理后的软件原始需求进行整理，得到需求集合。
其中，处理后的各个软件原始需求之间具备互不包含的性质。
需要说明的是，预设的整理规则是通过多次实验进行设置的，或者本领域技术人员通过经验进行设置的，比如：预设的整理规则可为逻辑运算。
例如：假设拆分后的软件原始需求为a1和a2，即拆分后的软件原始需求集合Rin包括a1和a2，对a1和a2进行逻辑运算，得到处理后的软件原始需求r1和r2，并进行整理，得到需求集合R0ut。其中，r1和r2具备互不包含的性质。
可选的，处理后的软件原始需求还可以划分为外部依赖、过程描述，以及期望结果。
为了更好的说明上述处理后的软件原始需求存在具备互不包含的性质。可分别对每一处理后的软件原始需求中的外部依赖、过程描述，以及期望结果进行逻辑运算，以确定多个处理后的软件原始需求之间具备互不包含的性质。
例如：假设软件原始需求集合Rin包括a1、a2和a3。
其中，软件原始需求a1的外部依赖为银行卡号或者存折号，以及密码；期望结果为银行卡号或者存折号与密码匹配成功，则确定登陆成功，银行卡号或者存折号与密码匹配错误，则确定登陆失败；软件原始需求a1的过程描述为获取用户输入的银行卡号或者存折号，以及同时输入的密码，根据银行卡号或者存折号与对应的密码验证用户是否满足登录信息，如果银行卡号或者存折号与密码匹配成功，则确定登陆成功，如果银行卡号或者存折号与密码匹配错误，则确定登陆失败。其中，软件原始需求a1的期望结果为登陆成功或登陆失败。
软件原始需求a2的外部依赖为注册手机号，以及该手机号对应的密码；期望结果为手机号和密码匹配成功，则确定登陆成功，手机号和密码匹配错误，则确定登陆失败；软件原始需求a2的过程描述为获取用户输入的注册手机号，以及同时输入的密码，根据手机号和密码验证用户是否满足登录信息，如果手机号和密码匹配成功，则确定登陆成功，如果手机号和密码匹配错误，则确定登陆失败。其中，软件原始需求a2的期望结果为登陆成功或登陆失败。
软件原始需求a3的外部依赖为银行卡号，以及密码；期望结果为银行卡号或者存折号与密码匹配成功，则确定登陆成功，银行卡号或者存折号与密码匹配错误，则确定登陆失败；软件原始需求a3的过程描述为获取用户输入的银行卡号，以及同时输入的密码，根据银行卡号和密码验证用户是否满足登录信息，如果手机号和密码匹配成功，则确定登陆成功，如果手机号和密码匹配错误，则确定登陆失败。其中，软件原始需求a3的期望结果为登陆成功或登陆失败。
可以看出：上述两个软件原始需求a1和a2具有共同的期望输出结果，但是外部依赖，即输入数据不同，也就是说软件原始需求a1和a2的过程描述也是不同的，因此软件原始需求a1不是软件原始需求a2的子集，故符合要求，可以软件原始需求a1和a2，此时软件原始需求a1为r1，软件原始需求a2为r2同时将r1和r2组成需求集合Rout。
上述软件原始需求a3的外部依赖、期望结果，以及过程描述均被软件原始需求a1覆盖，因此可以确定a3是软件原始需求a1的子集，且a1和a3同时存在于Rin中，则将a3删除。也就是说，按照预设的整理规则进行处理后的软件原始需求均具有互不包含的性质。
需要说明的是，拆分后的需求集合也是由若干组有关需求的描述性语句组成的。
步骤S12：提取需求集合的需求关键词。
在具体实现步骤S12的过程中，提取需求集合中每一需求的需求关键词，具体的，将每一句或几句需求对应的描述性语句进行浓缩，提取成几个关键词。
可选的，为了更清晰的确定关键词，可以在提取关键词后对每一关键词进行标注。比如可标注为Wij，其中，i表示对应的需求在需求集合中的标号，j表示关键词在需求i所对应的关键词集合中的标号。
需要说明的是，所有关键词组成的集合{Wij}称为需求关键词集合。
例如：以上述步骤S11示出的软件原始需求a1为例。需求a1包含的关键词集合为{W11银行卡号，W12存折号，W13账户密码，W14验证登陆}。
步骤S13：根据需求集合和需求关键词，建立需求描述矩阵。
可选的，在构建需求描述矩阵之前，可通过需求集合和需求关键词的大小，确定需求描述矩阵的大小。
比如：假设需求集合的大小是Nr，需求关键词集合的大小是NW，则需求描述集合是一个Nr×NW的需求描述矩阵D。
在具体实现步骤S13的过程中，基于需求集合和需求关键词，确定需求描述矩阵的每一矩阵元素的值，从而构建需求描述矩阵。
具体的，针对矩阵中某行某列相交处的矩阵元素进行赋值时，首先需要确定与某行对应的需求集合中的需求，以及与某列对应的需求关键词；然后确定该需求对应的关键词集合与该需求关键词之间是否存在包含关系，若存在，则将矩阵中某行某列相交处的矩阵元素赋值为1，若不存在，则将矩阵中某行某列相交处的矩阵元素赋值为0，最后通过每一矩阵元素构建需求描述矩阵。
例如：假设针对矩阵中第一行第二列相交处的矩阵元素进行赋值时，确定与第一行对应的需求集合中的需求r，以及与第二列对应的需求关键词w，确定该需求对应的关键词集合r是否包含该需求关键词w，若包含，则说明该需求对应的关键词集合r与该需求关键词w之间存在包含关系，此时将矩阵中第一行第二列相交处的矩阵元素赋值为1，以此类推，直至对矩阵中第N行第N列相交处的矩阵元素进行赋值。最后将所有的矩阵元素构建成需求描述矩阵D。
需要说明的是，需求描述矩阵的每一行向量对应矩阵化前的一个需求。
步骤S203：对历史测试案例数据进行预处理，得到规范后的历史测试案例数据。
由于银行业务均是流程化的，可以确定每一项业务都对应一系列的操作流，基于此需要将测试案例进行规范化，以将测试案例转换成一个或多个业务流。在具体实现步骤S203的过程中，确定历史测试案例数据中的业务流节点，并基于业务流的特性对业务流节点进行处理，确定由于多个业务流节点组成的规范后的历史测试案例数据，也就是说，规范测试案例由一系列具备唯一输入和唯一输出的业务流节点组成，并且在整体上具有一个唯一的输入和唯一的输出，如图3所示。
可选的，基于上述图3中示出的规范化案例生成的原理图，在对历史测试案例数据进行处理时，将历史测试案例数据通过案例的输入接口输入，以对输入的历史测试案例数据处理，确定由业务流节点1、业务流节点2以及业务流节点3组成的规范后的历史测试案例数据，并将规范后的历史测试案例数据通过案例的输出接口输出。
其中，业务流节点1的输出是业务流节点2的输入，业务流节点2的输出是业务流节点3的输入，且业务流节点1具备唯一的输入，业务流节点3具备唯一的输出。
需要说明的是，每个业务流节点均具有唯一的输入与唯一的输出。
当业务流节点的输入为多个时，可以对业务流节点进行拆分。
业务流节点的输出具有唯一流向，不会产生业务流分支的情况。
为了更好的理解上述示出的步骤S203的过程，下面以一个具体测试案例进行说明。
假设历史测试案例C1为：用户输入18位银行卡号和与银行账户对应的密码，验证通过后返回账户余额。确定历史测试案例C1的业务流节点为N1根据银行卡号查询账户号，即银行卡号(输入)，账户号(输出)；以及N2根据账户号与密码查询账户余额，即账户号/密码(输入)，账户余额(输出)组成。可以看出，业务流节点N1的输出是业务流节点N2的输入，且业务流节点N1具备唯一的输入，业务流节点N2具备唯一的输出，因此业务流节点的排列顺序是N1，N2。
基于上述示出的步骤S203的过程，下面在结合另一具体测试案例进行说明。
假设历史测试案例C2为：用户输入手机号或者手机银行用户名，与对应手机银行账户的密码，验证后返回是否通过验证。确定历史测试案例C2的业务流节点为N3、N4和N5。
其中，N3为根据手机号查询手机银行账户号，即手机号(输入)，手机银行账户号(输出)；N4根据用户名查询手机银行账户号，即账户名(输入)，手机银行账户号(输出)；N5根据手机银行账户号与密码，验证是否通过，即手机银行账户号/密码(输入)，验证通过或者不通过(输出)。
可以看出，业务流节点N3的输出和业务流节点N4的输出相同，业务流节点N5的输入是依赖于两个节点N3和N4的输出，由此可以看出，测试案例的输入不是唯一的，可以是手机号，也可以是手机银行账户号。
因此，需要对历史测试案例进行拆分，基于业务流的特性对业务流节点进行处理，确定由业务流节点N3和N5组成的测试案例C3，以及由业务节点N4和N5组成的测试案例C4。此时，业务流节点N3的输出是业务流节点N5的输入，且业务流节点N3具备唯一的输入，业务流节点N5具备唯一的输出(通过或者不通过，二者选一)，因此测试案例C3中业务流节点的排列顺序是N3，N5。业务流节点N4的输出是业务流节点N5的输入，且业务流节点N4具备唯一的输入，业务流节点N5具备唯一的输出(通过或者不通过，二者选一)，因此测试案例C4中业务流节点的排列顺序是N4，N5。
步骤S204：将获得的需求描述矩阵与历史测试案例数据组合成训练数据，基于训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型。
在具体实现步骤S204的过程中，利用上述处理后的需求描述矩阵和历史测试案例数据组合成训练数据，以将需求描述矩阵作为训练数据的输入，将历史测试案例数据作为训练数据的输出；利用初始测试案例生成模型对训练数据的输入和输出进行训练，得到训练完成的测试案例生成模型。
在本发明实施例中，利用软件原始需求和与软件原始需求对应的历史测试案例数据构建的测试案例生成模型对测试需求进行处理，从而得到与待测试软件对应的测试案例数据。通过上述方式生成测试案例，能够提高测试案例的生成效率。
可选的，基于上述示出的测试案例生成模型的构建过程，具体将获得的与历史测试案例数据组合成训练数据，基于训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型的过程，如图4所示，包括以下步骤：
步骤S401：确定由输入层、隐藏层和输出层构成的初始测试案例生成模型。
在具体实现步骤S401的过程中，将需求描述矩阵的每一行向量的个数最为初始测试案例生成模型输入层节点个数，将历史测试案例的个数最为初始测试案例生成模型的输出层节点个数，基于试凑法确定初始测试案例生成模型的隐藏层节点个数。
需要说明的是，初始测试案例生成模型是神经网络模型中的一种，其中神经网络模型包含若干个节点，即神经元，且部分神经元连接组成了有向环，即神经网络，使得神经网络模型中出现内部状态或带记忆的结构，以存在对动态序列进行建模的能力。具体的，与输入连接的神经元构成了神经网络模型的输入层，与输出连接的神经元构成了神经网络模型的输出层，其它神经元统称为隐藏层，如图5所示。
其中，x为神经网络模型输入层的输入的输入数据，即可为本发明实施例示出的需求描述矩阵中的每一个行向量，y为神经网络模型输出层的输出数据，即可为本发明实施例示出的测试案例的实际输出值。
需要说明的是，基于柯尔莫哥洛夫kolmogorov原理，一个三层神经网络以完成任意的n维到m维的映射，在本发明实施例的具体实现中，只需要采用2个隐藏层即可。
其中，与输入层链接的隐藏层称之为第一隐藏层，该第一隐藏层包括Nw个节点(神经元)，即需求关键词集合的大小。第一隐藏层的每一个节点与输入层的任意一个节点之间都存在一个连接，也就是说，第一隐藏层与输入层之间的连接是全连接模式。
第一隐藏层还与第二隐藏层连接，第二隐藏层包括K/4个节点，即四分之一个历史测试案例集合的大小。第二隐藏层的每个节点与第一隐藏层的任意一个节点连接，且第二隐藏层的每个节点与输出层的节点连接。
步骤S402：基于需求描述矩阵和规范后的历史测试案例数据，对初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型。
结合图4，参见图6，在执行步骤S402基于需求描述矩阵和规范后的历史测试案例数据，对初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型的过程中，包括以下步骤：
步骤S601：将需求描述矩阵的每一个行向量通过初始测试案例生成模型的输入层输入。
在具体实现步骤S601的过程中，需求描述矩阵的每一个行向量从初始测试案例生成模型的输入层输入，以按照图5的箭头方向流动。
步骤S602：在需求描述矩阵的每一个行向量经过隐藏层时，隐藏层对每一行向量进行线性变化和非线性变化，以将测试案例的实际输出值通过输出层输出。
在具体实现步骤S602的过程中，在需求描述矩阵的每一个行向量流经隐藏层时，先通过公式(1)进行线下线性变化，得到每一个行向量线性变化的值，再将每一行向量线性变化的值通过公式(2)进行非线下线性变化，得到测试案例的实际输出值，并通过初始测试案例生成模型的输出层输出。
需要说明的是，非线性变换函数也称为神经网络的激励函数。
公式(1)：
am＝w1-1mx1+w1-2mx2+b1-m (1)
其中，am为行向量线性变化的值，x1，x2为隐藏层输入的需求描述矩阵的每一个行向量；b1-m为隐藏层节点对应的线性权重。w1-1m、w1-2m均是第一初始权重矩阵w1中的权重。
需要说明的是，第一初始权重矩阵w1中的权重以及隐藏层节点对应的线性权重均是预先根据经验进行设置的。
公式(2)：
y1＝σ(w2-1gσ(a1)+w2-2gσ(a2)+w2-3gσ(a3)+...+w2-hgσ(ai)) (2)
其中，y1为测试案例的实际输出值，σ(x)为本发明的激励函数，其中，x可为行向量线性变化的值、各个行向量线性变化的值和第二初始权重矩阵w2中的权重的乘积。
需要说明的是，第二初始权重矩阵w2中的权重是也预先根据经验进行设置的。
在本发明实施例中，通过公式(3)计算激励函数的值，
公式(3)：
σ(x)＝max(-0.01x,x),x∈R (3)
其中，x可为行向量线性变化的值、各个行向量线性变化的值和第二初始权重矩阵w2中的权重的乘积等任意实数集R。
可将上述公式(3)转换为公式(4)：
公式(4)：
基于上述公式(4)所示，可以确定当x的取值大于等于0时，σ(x)的结果为x，当x的取值小于0时，σ(x)的结果为-0.01x。
在具体实现对需求描述矩阵的每一个行向量进行线性变化的过程中，将需求描述矩阵的每一个行向量均代入公式(1)进行线性变化，得到公式(5)从而确定每一个行向量线性变化的值。
其中，a1、a2、a3至ai为每一个行向量线性变化的值；x1，x2为隐藏层输入的需求描述矩阵的每一个行向量；b1-1、b1-2、b1-3至b1-i为每一隐藏层节点对应的线性权重。i的数量与隐藏层的节点输相同。w1-11、w1-12、w1-13、w1-21至w1-1i、w1-2i均是在第一初始权重矩阵w1中确定的，与流经隐藏层每一节点的行向量所对应的权重，具体的，当需求描述矩阵的一个行向量x1输入第一个隐藏层节点时，w1-11可为该行向量映射至第一初始权重矩阵w1得到的权重，以对x1进行加权得到w1-11x1。当需求描述矩阵的一个行向量x2输入第一个隐藏层节点时，w1-21可为该行向量映射至第一初始权重矩阵w1得到的权重，以对x2进行加权得到w1-21x2。w1-11表示第一初始权重矩阵w1中第一行第一列对应的值。
需要说明的是，对于不同的输入，即需求描述矩阵的每一个行向量是固定的，第一初始权重矩阵w1与输入每一节点的需求描述矩阵的每一个行向量对应。
在具体实现对线性变化的每一个行向量线性变化的值进行非线性变化过程中，将a1、a2、a3至ai公式(2)进行非线性变化，得到公式(6)，从而确定测试案例的实际输出值。
基于上述公式(6)得到的所有的y1进行集合，得到测试案例的实际输出值y。
其中，σ(a1)、σ(a2)、σ(a3)至σ(ai)为每一个行向量线性变化的值所对应的激活函数；w2-11、w2-21、w2-31、w2-12、w2-i2至w2-ij均是在第二初始权重矩阵w2中确定的，与行向量线性变化的值所对应的激活函数的值对应的权重。i的数量与隐藏层的节点输相同，j为第二初始权重矩阵w2的列向量的权重。具体的，确定σ(a1)映射至第二初始权重矩阵w2得到的权重，以对σ(a1)进行加权得到w2-11σ(a1)、w2-12σ(a1)、w2-13σ(a1)等。
步骤S603：基于测试案例的实际输出值和规范后的历史测试案例数据，确定交叉熵函数的值。
在具体实现步骤S603的过程中，计算历史测试案例数据的数量n，并将测试案例的实际输出值和规范后的历史测试案例数据代入公式(7)，得到交叉熵函数的值。
公式(7)：
其中，C为交叉熵函数的值，x为描述矩阵中行向量所对应的数量，y为测试案例的实际输出值，a规范后的历史测试案例数据，即真实值；n为历史测试案例数据的数量。
步骤S604，确定交叉熵函数的值是否趋近于预设限额，若确定交叉熵函数的值不趋近于预设限额，则执行步骤S605，若确定交叉熵函数的值趋近于预设限额，确定当前的初始测试案例生成模型为最终训练好的测试案例生成模型。
在步骤S604中，预设限额是可以是经过多次实验进行设置的，也可以是本领域技术人员经过经验进行设置的，比如：可设置为0。
在具体实现步骤S604的过程中，判断确定交叉熵函数的值是否趋近于0，若确定交叉熵函数的值不趋近于0，则执行步骤S605，若确定交叉熵函数的值趋近于预设限额，确定当前的初始测试案例生成模型为最终训练好的测试案例生成模型。
步骤S605：计算交叉熵函数的值和预设限额的误差。
在具体实现步骤S605的过程中，对交叉熵函数的值和预设限额进行计算，得到交叉熵函数的值和预设限额的误差。
步骤S606：基于交叉熵函数的值和预设限额的误差，调整初始测试案例生成模型中线性变化和非线性变化所对应的权重，得到训练完成的测试案例生成模型。
在具体实现步骤S606的过程中，将交叉熵函数的值和预设限额的误差通过输出层向隐藏层逐层反向传输，以便于不断调整初始测试案例生成模型中的第一初始权重矩阵w1中的权重、第二初始权重矩阵w2以及隐藏层节点对应的线性权重，直至确定交叉熵函数的值趋近于预设限额，此时得到训练完成的测试案例生成模型。
在本发明实施例中，确定由输入层、隐藏层和输出层构建的初始测试案例生成模型，将需求描述矩阵中的每一个行向量通过初始测试案例生成模型的输入层输入，流经隐藏层时，进行线性变化和非线性变化，得到测试案例的实际输出值，并通过初始测试案例生成模型的输出层输出。从而计算交叉熵函数的值和预设限额的误差，以调整初始测试案例生成模型中的第一初始权重矩阵w1中的权重、第二初始权重矩阵w2以及隐藏层节点对应的线性权重，直至确定交叉熵函数的值趋近于预设限额，此时得到训练完成的测试案例生成模型。通过上述方式生成测试案例，能够提高测试案例的生成效率。
与上述本发明实施例公开的一种测试案例生成方法相对应，本发明实施例还对应公开了一种测试案例生成装置的结构示意图，如图7所示，该装置包括：
构建单元701，用于基于软件原始需求和与软件原始需求对应的历史测试案例数据进行训练，以构建测试案例生成模型。
其中，构建单元701，具体用于基于软件原始需求和与软件原始需求对应的历史测试案例数据进行训练得到测试案例生成模型的过程，包括：获取软件原始需求和与软件原始需求对应的历史测试案例数据；基于软件原始需求，建立需求描述矩阵；对历史测试案例数据进行预处理，得到规范后的历史测试案例数据；将获得的需求描述矩阵与历史测试案例数据组合成训练数据，基于训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型。
获取单元702，用于获取待测试软件的测试需求。
测试案例生成模型703，用于将测试需求输入预先构建的测试案例生成模型，基于预先构建的测试案例生成模型对测试需求进行处理，输出与所述待测试软件对应的测试案例数据。
需要说明的是，上述本申请实施例公开的测试案例生成装置中的各个单元具体的原理和执行过程，与上述本申请实施示出的测试案例生成方法相同，可参见上述本申请实施例公开的测试案例生成方法中相应的部分，这里不再进行赘述。
在本发明实施例中，利用软件原始需求和与软件原始需求对应的历史测试案例数据构建的测试案例生成模型对测试需求进行处理，从而得到与待测试软件对应的测试案例数据。通过上述方式生成测试案例，能够提高测试案例的生成效率。
基于上述示出的测试案例生成装置，基于软件原始需求，建立需求描述矩阵的构建单元701，具体用于：对软件原始需求进行拆分，并按照预设的整理规则将拆分后的软件原始需求进行处理，生成需求集合；提取需求集合的需求关键词；根据需求集合和需求关键词，建立需求描述矩阵。
需要说明的是，需求集合的数量为多个。
在本发明实施例中，在构建测试案例生成模型之前，需要对输入的训练数据，即软件原始需求进行处理，以建立需求描述矩阵，从而利用需求描述矩阵和规范后的历史测试案例数据进行训练，以构建的测试案例生成模型。通过上述方式构建的测试案例生成模型，能够快速的对测试需求进行处理，从而能够提高测试案例的生成效率。
基于上述示出的测试案例生成装置，将获得的需求描述矩阵与历史测试案例数据组合成训练数据，基于训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型的构建单元，包括：
确定子单元，用于确定由输入层、隐藏层和输出层构成的初始测试案例生成模型。
构建子单元，用于基于需求描述矩阵和规范后的历史测试案例数据，对初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型。
可选的，该构建子单元，具体用于：将需求描述矩阵的每一个行向量通过初始测试案例生成模型的输入层输入；在需求描述矩阵的每一个行向量经过所述隐藏层时，隐藏层对所述每一行向量进行线性变化和非线性变化，以将测试案例的实际输出值通过输出层输出；基于测试案例的实际输出值和规范后的历史测试案例数据，确定交叉熵函数的值；若确定交叉熵函数的值不趋近于预设限额，则计算交叉熵函数的值和预设限额的误差；基于交叉熵函数的值和预设限额的误差，调整初始测试案例生成模型中线性变化和非线性变化所对应的权重，得到训练完成的测试案例生成模型。
在本发明实施例中，确定由输入层、隐藏层和输出层构建的初始测试案例生成模型，将需求描述矩阵中的每一个行向量通过初始测试案例生成模型的输入层输入，流经隐藏层时，进行线性变化和非线性变化，得到测试案例的实际输出值，并通过初始测试案例生成模型的输出层输出。从而计算交叉熵函数的值和预设限额的误差，以调整初始测试案例生成模型中的第一初始权重矩阵w1中的权重、第二初始权重矩阵w2以及隐藏层节点对应的线性权重，直至确定交叉熵函数的值趋近于预设限额，此时得到训练完成的测试案例生成模型。通过上述方式生成测试案例，能够提高测试案例的生成效率。
本申请实施例提供了一种电子设备，电子设备包括处理器和存储器，存储器用于存储测试案例生成的程序代码和数据，处理器用于调用存储器中的程序指令执行实现如上述实施例中测试案例生成方法所示的步骤。
本申请实施例提供了一种存储介质，存储介质包括存储程序，其中，在程序运行时控制存储介质所在设备执行上述实施例示出的测试案例生成方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种测试案例生成方法，其特征在于，所述方法包括：
获取待测试软件的测试需求；
将所述测试需求输入预先构建的测试案例生成模型，基于所述预先构建的测试案例生成模型对所述测试需求进行处理，输出与所述待测试软件对应的测试案例数据，所述测试案例生成模型是由软件原始需求和与所述软件原始需求对应的历史测试案例数据进行训练得到的；
其中，基于所述软件原始需求和与所述软件原始需求对应的历史测试案例数据进行训练得到所述测试案例生成模型的过程，包括：
获取软件原始需求和与所述软件原始需求对应的历史测试案例数据；
基于所述软件原始需求，建立需求描述矩阵；
对所述历史测试案例数据进行预处理，得到规范后的历史测试案例数据；
将获得的所述需求描述矩阵与所述规范后的历史测试案例数据组合成训练数据，基于所述训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述软件原始需求，建立需求描述矩阵，包括：
对所述软件原始需求进行拆分，并按照预设的整理规则将拆分后的软件原始需求进行处理，生成需求集合，所述需求集合的数量为多个；
提取所述需求集合的需求关键词；
根据所述需求集合和所述需求关键词，建立需求描述矩阵。
3.根据权利要求1所述的方法，其特征在于，所述将获得的所述需求描述矩阵与所述规范后的历史测试案例数据组合成训练数据，基于所述训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型，包括：
确定由输入层、隐藏层和输出层构成的初始测试案例生成模型；
基于所述需求描述矩阵和所述规范后的历史测试案例数据，对所述初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述需求描述矩阵和所述规范后的历史测试案例数据，对所述初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型，包括：
将所述需求描述矩阵的每一个行向量通过所述初始测试案例生成模型的输入层输入；
在所述需求描述矩阵的每一个行向量经过所述隐藏层时，所述隐藏层对所述每一行向量进行线性变化和非线性变化，以将测试案例的实际输出值通过所述输出层输出；
基于所述测试案例的实际输出值和所述规范后的历史测试案例数据，确定交叉熵函数的值；
若确定所述交叉熵函数的值不趋近于预设限额，则计算所述交叉熵函数的值和预设限额的误差；
基于所述交叉熵函数的值和预设限额的误差，调整所述初始测试案例生成模型中线性变化和非线性变化所对应的权重，得到训练完成的测试案例生成模型。
5.一种测试案例生成装置，其特征在于，所述装置包括：
构建单元，用于基于软件原始需求和与所述软件原始需求对应的历史测试案例数据进行训练，以构建测试案例生成模型；
其中，所述构建单元，具体用于基于所述软件原始需求和与所述软件原始需求对应的历史测试案例数据进行训练得到所述测试案例生成模型的过程，包括：获取软件原始需求和与所述软件原始需求对应的历史测试案例数据；基于所述软件原始需求，建立需求描述矩阵；对所述历史测试案例数据进行预处理，得到规范后的历史测试案例数据；将获得的所述需求描述矩阵与所述规范后的历史测试案例数据组合成训练数据，基于所述训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型；
获取单元，用于获取待测试软件的测试需求；
测试案例生成模型，用于将所述测试需求输入测试案例生成模型，基于所述测试案例生成模型对所述测试需求进行处理，输出与所述待测试软件对应的测试案例数据。
6.根据权利要求5所述的装置，其特征在于，所述基于所述软件原始需求，建立需求描述矩阵的构建单元，具体用于：对所述软件原始需求进行拆分，并按照预设的整理规则将拆分后的软件原始需求进行处理，生成需求集合，所述需求集合的数量为多个；提取所述需求集合的需求关键词；根据所述需求集合和所述需求关键词，建立需求描述矩阵。
7.根据权利要求5所述的装置，其特征在于，所述将获得的所述需求描述矩阵与所述历史测试案例数据组合成训练数据，基于所述训练数据对初始测试案例生成模型进行训练，得到训练完成的测试案例生成模型的构建单元，包括：
确定子单元，用于确定由输入层、隐藏层和输出层构成的初始测试案例生成模型；
构建子单元，用于基于所述需求描述矩阵和所述规范后的历史测试案例数据，对所述初始测试案例生成模型的输入层、隐藏层和输出层进行训练学习，得到训练完成的测试案例生成模型。
8.根据权利要求7所述的装置，其特征在于，所述构建子单元，具体用于：
将所述需求描述矩阵的每一个行向量通过所述初始测试案例生成模型的输入层输入；在所述需求描述矩阵的每一个行向量经过所述隐藏层时，所述隐藏层对所述每一行向量进行线性变化和非线性变化，以将测试案例的实际输出值通过所述输出层输出；基于所述测试案例的实际输出值和所述规范后的历史测试案例数据，确定交叉熵函数的值；若确定所述交叉熵函数的值不趋近于预设限额，则计算所述交叉熵函数的值和预设限额的误差；基于所述交叉熵函数的值和预设限额的误差，调整所述初始测试案例生成模型中线性变化和非线性变化所对应的权重，得到训练完成的测试案例生成模型。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储测试案例生成的程序代码和数据，所述处理器用于调用所述存储器中的程序指令执行如权利要求1-4中任一所述的一种测试案例生成方法。
10.一种存储介质，其特征在于，所述存储介质包括存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-4中任一所述的一种测试案例生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011084793.1A CN112148620B (zh) | 2020-10-12 | 2020-10-12 | 一种测试案例生成方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011084793.1A CN112148620B (zh) | 2020-10-12 | 2020-10-12 | 一种测试案例生成方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112148620A true CN112148620A (zh) | 2020-12-29 |
| CN112148620B CN112148620B (zh) | 2024-04-12 |
Family
ID=73951448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011084793.1A Active CN112148620B (zh) | 2020-10-12 | 2020-10-12 | 一种测试案例生成方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112148620B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112905459A (zh) * | 2021-02-08 | 2021-06-04 | 中国工商银行股份有限公司 | 服务接口测试方法、装置、电子设备及存储介质 |
| CN112948251A (zh) * | 2021-03-03 | 2021-06-11 | 中国工商银行股份有限公司 | 软件自动测试方法及装置 |
| WO2023273177A1 (zh) * | 2021-06-29 | 2023-01-05 | 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 |
| CN117215933A (zh) * | 2023-09-11 | 2023-12-12 | 上海纳恩汽车技术股份有限公司 | 为电子产品生成测试用例的方法、装置、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6119112A (en) * | 1997-11-19 | 2000-09-12 | International Business Machines Corporation | Optimum cessation of training in neural networks |
| CN101251825A (zh) * | 2008-04-03 | 2008-08-27 | 北京星网锐捷网络技术有限公司 | 一种生成测试用例的方法和装置 |
| US20160179659A1 (en) * | 2014-12-17 | 2016-06-23 | International Business Machines Corporation | Techniques for automatically generating testcases |
| CN106776335A (zh) * | 2016-12-29 | 2017-05-31 | 中车株洲电力机车研究所有限公司 | 一种测试用例聚类分析方法及系统 |
| CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
| CN108538389A (zh) * | 2018-03-27 | 2018-09-14 | 北京鲸基数据科技有限公司 | 一种预测smile屈光手术中屈光度调整值的方法及系统 |
| CN111176990A (zh) * | 2019-12-23 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 基于数据决策的测试数据生成方法、装置、计算机设备 |
-
2020
- 2020-10-12 CN CN202011084793.1A patent/CN112148620B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6119112A (en) * | 1997-11-19 | 2000-09-12 | International Business Machines Corporation | Optimum cessation of training in neural networks |
| CN101251825A (zh) * | 2008-04-03 | 2008-08-27 | 北京星网锐捷网络技术有限公司 | 一种生成测试用例的方法和装置 |
| US20160179659A1 (en) * | 2014-12-17 | 2016-06-23 | International Business Machines Corporation | Techniques for automatically generating testcases |
| CN106776335A (zh) * | 2016-12-29 | 2017-05-31 | 中车株洲电力机车研究所有限公司 | 一种测试用例聚类分析方法及系统 |
| CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
| CN108538389A (zh) * | 2018-03-27 | 2018-09-14 | 北京鲸基数据科技有限公司 | 一种预测smile屈光手术中屈光度调整值的方法及系统 |
| CN111176990A (zh) * | 2019-12-23 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 基于数据决策的测试数据生成方法、装置、计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 黄勤涛等: "基于支持向量机的测试用例自动生成方法", 计算机工程与设计, no. 05, 16 May 2017 (2017-05-16) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112905459A (zh) * | 2021-02-08 | 2021-06-04 | 中国工商银行股份有限公司 | 服务接口测试方法、装置、电子设备及存储介质 |
| CN112905459B (zh) * | 2021-02-08 | 2024-05-03 | 中国工商银行股份有限公司 | 服务接口测试方法、装置、电子设备及存储介质 |
| CN112948251A (zh) * | 2021-03-03 | 2021-06-11 | 中国工商银行股份有限公司 | 软件自动测试方法及装置 |
| CN112948251B (zh) * | 2021-03-03 | 2024-06-21 | 中国工商银行股份有限公司 | 软件自动测试方法及装置 |
| WO2023273177A1 (zh) * | 2021-06-29 | 2023-01-05 | 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 |
| CN117215933A (zh) * | 2023-09-11 | 2023-12-12 | 上海纳恩汽车技术股份有限公司 | 为电子产品生成测试用例的方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112148620B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112148620B (zh) | 一种测试案例生成方法及相关设备 | |
| JP7518250B2 (ja) | リソース制約付きニューラルネットワークアーキテクチャ検索 | |
| CN109923558A (zh) | 混合专家神经网络 | |
| EP3574453A1 (en) | Optimizing neural network architectures | |
| CN111602148A (zh) | 正则化神经网络架构搜索 | |
| CN103761254B (zh) | 多领域服务主题匹配推荐方法 | |
| CN102737278A (zh) | 联合非线性随机投影、受限波尔兹曼机、以及基于批量的可并行优化来使用的深凸网络 | |
| CN115438215B (zh) | 图文双向搜索及匹配模型训练方法、装置、设备及介质 | |
| CN111723948A (zh) | 基于演化计算的联邦学习方法、装置、设备及介质 | |
| CN108304865A (zh) | 一种基于循环神经网络的图节点分类方法 | |
| US11967253B2 (en) | Semi-automated evaluation of long answer exams | |
| CN108959388A (zh) | 信息生成方法及装置 | |
| US20240296387A1 (en) | Analysing machine-learned classifier models | |
| CN115081613A (zh) | 生成深度学习模型的方法、装置、电子设备及存储介质 | |
| CN114372191A (zh) | 消息行业应用模板推荐方法、装置及计算设备 | |
| US11017307B2 (en) | Explanations generation with different cognitive values using generative adversarial networks | |
| Xu et al. | Comparison and combination of activation functions in broad learning system | |
| CN113312445B (zh) | 数据处理方法、模型构建方法、分类方法及计算设备 | |
| CN115545088B (zh) | 模型构建方法、分类方法、装置和电子设备 | |
| CN111143558B (zh) | 基于单个分层多任务模型的消息识别方法和系统 | |
| CN114547312A (zh) | 基于常识知识图谱的情感分析方法、装置以及设备 | |
| CN113052727A (zh) | 基于购房资格核验的购房推荐装置及方法 | |
| TWI799330B (zh) | 黑箱機器學習模型之新特徵 | |
| CN114328797B (zh) | 内容搜索方法、装置、电子设备、存储介质及程序产品 | |
| US20240184807A1 (en) | Information system for generation of new molecule by using graph representing molecule |
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 |