CN112749079A - 软件测试的缺陷分类方法、装置及计算设备 - Google Patents
软件测试的缺陷分类方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112749079A CN112749079A CN201911053771.6A CN201911053771A CN112749079A CN 112749079 A CN112749079 A CN 112749079A CN 201911053771 A CN201911053771 A CN 201911053771A CN 112749079 A CN112749079 A CN 112749079A
- Authority
- CN
- China
- Prior art keywords
- error reporting
- words
- information
- word
- reporting information
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 68
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000012706 support-vector machine Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013522 software testing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011022 operating instruction 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
- G06F11/3692—Test management for test results analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及软件测试技术领域,公开了一种软件测试的缺陷分类方法、装置及计算设备。其中,该方法包括:获取全量报错信息;根据所述全量报错信息,生成分词词库;获取历史报错信息;根据所述分词词库,对所述历史报错信息进行分词,得到特征词;确定所述特征词的特征向量;确定所述历史报错信息的分类信息;根据所述特征向量和所述分类信息,训练支持向量机模型;通过训练后的所述支持向量机模型进行缺陷分类。通过上述方式,本发明实施例能够自动对缺陷原因进行分类,节省人力。
Description
技术领域
本发明实施例涉及软件测试技术领域,具体涉及一种软件测试的缺陷分类方法、装置及计算设备。
背景技术
自动化测试技术有效的降低了回归测试成本,提高了测试效率。但在面对庞大繁多的系统时,需要设计海量用例进行测试,随之失败用例也会增多。如何通过大量的失败用例快速准确地定位到缺陷原因成为亟待解决的问题。
目前的缺陷分类方法,主要依靠测试人员查看测试失败用例后根据主观经验对缺陷原因进行分类,耗费了大量人力。
发明内容
鉴于上述问题,本发明实施例提供了一种软件测试的缺陷分类方法、装置及设备,能够自动对缺陷原因进行分类,节省人力。
根据本发明实施例的一个方面,提供了一种软件测试的缺陷分类方法,所述方法包括:获取全量报错信息;根据所述全量报错信息,生成分词词库;获取历史报错信息;根据所述分词词库,对所述历史报错信息进行分词,得到特征词;确定所述特征词的特征向量;确定所述历史报错信息的分类信息;根据所述特征向量和所述分类信息,训练支持向量机模型;通过训练后的所述支持向量机模型进行缺陷分类。
在一种可选的方式中,所述根据所述全量报错信息,生成分词词库,进一步包括:对所述全量报错信息进行分词,得到初始词库;根据预设专业词和预设停用词,对所述初始词库进行处理,得到所述分词词库。
在一种可选的方式中,所述预设专业词包括接口名称、返回码;所述预设停用词包括介词、语气词、副词、连词。
在一种可选的方式中,所述分词词库包括若干词库单词;所述根据所述分词词库,对所述历史报错信息进行分词,进一步包括:将所述历史报错信息与所述词库单词进行匹配,在所述历史报错信息中提取与所述词库单词相同的词语作为独立的词,从而对所述历史报错信息进行分词。
在一种可选的方式中,所述确定所述特征词的特征向量,进一步包括:获取测试属性信息;确定所述特征词以及所述测试属性信息的特征向量。
在一种可选的方式中,所述方法还包括:根据缺陷分类的结果,建立缺陷分类的结果与所述分词词库的对应关系。
在一种可选的方式中,所述方法还包括:通过对缺陷分类的结果进行评价,优化训练后的所述支持向量机模型。
根据本发明实施例的另一方面,提供了一种软件测试的缺陷分类装置,所述装置包括:全量报错获取模块,用于获取全量报错信息;分词词库生成模块,用于根据所述全量报错信息,生成分词词库;历史报错获取模块,用于获取历史报错信息;特征词库生成模块,用于根据所述分词词库,对所述历史报错信息进行分词,得到特征词;向量确定模块,用于确定所述特征词的特征向量;分类确定模块,用于确定所述历史报错信息的分类信息;训练模块,用于根据所述特征向量和所述分类信息,训练支持向量机模型;分类模块,用于通过训练后的所述支撑向量机模型进行缺陷分类。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器和通信接口,所述处理器、所述存储器和所述通信接口相互通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述的软件测试的缺陷分类方法的操作。
根据本发明实施例的另一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上所述的软件测试的缺陷分类方法。
本发明实施例通过获取全量报错信息,根据全量报错信息生成分词词库,获取历史报错信息,根据分词词库对历史报错信息进行分词,得到特征词,确定特征词的特征向量,确定历史报错信息的分类信息,根据特征向量和分类信息训练支持向量机模型,通过训练后的支持向量机模型进行缺陷分类,通过从源代码中获取全量报错信息并分词后生成分词词库,根据分词词库对历史报错信息进行分词,提高了模型的训练效率,能够自动对缺陷原因进行分类,节省人力。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
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,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的软件测试的缺陷分类方法的流程图;
图2示出了图1中步骤120的流程图;
图3示出了本发明实施例提供的软件测试的缺陷分类装置的结构示意图;
图4示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的软件测试的缺陷分类方法的流程图。该方法应用于计算设备中。如图1所示,该方法包括以下步骤:
步骤110、获取全量报错信息。
其中,全量报错信息是指被测系统、被测软件或者被测应用中所有可能出现的错误提示信息。由于编码具有一定规范,因此全量报错信息可以通过对源代码中关键字进行正则匹配从而获取全量报错信息。其中,正则匹配可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。
步骤120、根据全量报错信息,生成分词词库。
其中,分词词库包括若干词库单词,这些词库单词从全量报错信息中提取,并且表示着缺陷信息。例如,全量报错信息中包括“Declaration missing”以及“Bad characterin paramenters”,则生成的分词词库中包括:“declaration”、“missing”、“bad”、“character”、“in”、“paramenters”。
具体地,如图2所示,步骤120包括:
步骤121、对全量报错信息进行分词,得到初始词库;
步骤122、根据预设专业词和预设停用词,对初始词库进行处理,得到分词词库。
其中,可以使用分词工具对全量报错信息进行切割,从而获取初始词库。
其中,预设专业词包括接口名称、返回码、方法名称等专业词汇。根据预设专业词对初始词库进行处理,具体可以为:将初始词库中包含的与预设专业词相同的词语标注为独立的词。通过对专业词汇进行标注,能够在后续提取特征词时进行准确识别。
其中,预设停用词包括介词、语气词、副词、连词等。根据预设停用词对初始词库进行处理,具体可以为:将初始词库中包含的与预设停用词相同的词语进行去除。由于这些词语在分类过程中作用很小,甚至还降低了分类的准确度,因此对其进行过滤,从而能够减少词库中词语的个数,得到更有效的分词词库。
步骤130、获取历史报错信息。
其中,历史报错信息包括在训练样本中出现的报错信息,其中,训练样本为在过去某段时间的软件测试中的失败用例。则获取历史报错信息,具体可以为:根据测试数据、测试时间等信息定位到后台日志中的报错信息,记录失败步骤的当前页面,获取页面源码中的特定报错文本。
步骤140、根据分词词库,对历史报错信息进行分词,得到特征词。
其中,特征词为历史报错信息进行分词后得到的词语。具体地,步骤140包括:将历史报错信息与词库单词进行匹配,在历史报错信息中提取与词库单词相同的词语作为独立的词,从而对历史报错信息进行分词。其中,匹配的方法可以为字符串匹配的方法。例如,假设词库单词中包括“declaration”,历史报错信息中包括“Declaration syntax error”,则对历史报错信息分词为“declaration”、“syntax”、“error”。
在本实施例中,通过采用分词词库对历史报错信息进行分词,当增加或者更新训练样本时,均能够通过分词词库直接进行分词,而不用重新去识别,从而能够提高分词的效率,从而提高了训练分类模型的效率。
步骤150、确定特征词的特征向量。
其中,判断特征词是否在分词词库中出现,若是,则该特征词的特征值为1,否则,该特征词的特征值为0,从而确定特征词的特征向量。
在一些其他实施例中,确定特征词的特征向量,进一步包括:获取测试属性信息;确定特征词以及测试属性信息的特征向量。其中,测试属性信息可以为被测系统属性、被测数据属性等,从而将测试属性信息也提取为特征值,一并加入到特征集中,以确定特征集的特征向量。通过加入测试用例本身的属性作为特征,丰富了缺陷的特征数据,有助于进一步提高缺陷分类的准确率。
步骤160、确定历史报错信息的分类信息。
其中,历史报错信息的分类信息可以从训练样本中得到,训练样本除了包括报错信息,还包括各个报错信息对应分类信息。例如,历史报错信息为“Declaration syntaxerror”,则其对应的分类信息为“declaration”;又例如,历史报错信息为“Declarationoutside of switch”,则其对应的分类信息为“declaration”。
其中,历史报错信息的分类信息可以通过人工对历史报错信息进行标注得到。
步骤170、根据特征向量和分类信息,训练支持向量机模型。
其中,根据特征向量和分类信息,训练支持向量机模型,具体实施方式可以为:假设历史报错信息的分类信息有L类,分别为w1,w2,w3···,wL,设xi为特征向量,且i=1,2,···,N+M(特征词有N个维度,测试属性有M个维度),设计一个超平面g(x),可将所有特征向量分类,有:
g(x)=wtx+w0=0
其中,可以通过调整wt和w0以调整超平面。采用支持向量机(Support VectorMachine,SVM)确定这个平面,使得超平面在每个方向上与各类中各自最近的点距离相同。通过确认待分类的样本wl在这个超平面的相对位置,即可确定样本所述的类别。可以采用多个支持向量机将特征向量分为多类。
步骤180、通过训练后的支持向量机模型进行缺陷分类。
在支持向量机模型训练完成后,利用训练后的支持向量机模型对软件测试中的缺陷进行缺陷分类。例如,在测试用例批量自动化执行的同时,将测试执行不通过的用例实时提取特征参数并输入支持向量机模型中,获取缺陷分类结果。缺陷类别实时统计并展现,使相关人员可以随时看到缺陷数量以及缺陷发生的根本原因,从而快速响应系统异常。
本发明实施例通过获取全量报错信息,根据全量报错信息生成分词词库,获取历史报错信息,根据分词词库对历史报错信息进行分词,得到特征词,确定特征词的特征向量,确定历史报错信息的分类信息,根据特征向量和分类信息训练支持向量机模型,通过训练后的支持向量机模型进行缺陷分类,通过从源代码中获取全量报错信息并分词后生成分词词库,根据分词词库对历史报错信息进行分词,提高了模型的训练效率,能够自动对缺陷原因进行分类,节省人力。
在一些实施例中,该方法还可以包括:通过对缺陷分类的结果进行评价,优化训练后的支持向量机模型,并更新优化后的支持向量机模型。例如,根据对缺陷分类的结果进行评价,计算分类误差率,当分类误差率较高时,通过调整分词词库、非文本特征采集的方式优化缺陷的特征集,从而完善支持向量机模型,降低缺陷分类误差。
在一些实施例中,该方法还可以包括:根据缺陷分类的结果,建立缺陷分类的结果与分词词库的对应关系。例如,假设根据缺陷分类的结果,缺陷a1、a2、a3属于缺陷类别A,则建立缺陷a1、a2、a3与缺陷类别A的对应关系,当输入缺陷a1,则输出属于缺陷类别A的结果。通过以上方式,能够直接获取缺陷类别,避免每次都需要通过分类模型进行缺陷分类,节省了时间。
图3示出了本发明实施例提供的软件测试的缺陷分类装置的结构示意图。如图3所示,该装置200包括:全量报错获取模块210、分词词库生成模块220、历史报错获取模块230、分词模块240、向量确定模块250、分类确定模块260、训练模块270和分类模块280。
其中,全量报错获取模块210用于获取全量报错信息;分词词库生成模块220用于根据所述全量报错信息,生成分词词库;历史报错获取模块230用于获取历史报错信息;分词模块240用于根据所述分词词库,对所述历史报错信息进行分词,得到特征词;向量确定模块250用于确定所述特征词的特征向量;分类确定模块260用于确定所述历史报错信息的分类信息;训练模块270用于根据所述特征向量和所述分类信息,训练支持向量机模型;分类模块280用于通过训练后的所述支撑向量机模型进行缺陷分类。
在一种可选的方式中,分词词库生成模块220具体用于:对所述全量报错信息进行分词,得到初始词库;根据预设专业词和预设停用词,对所述初始词库进行处理,得到所述分词词库。
在一种可选的方式中,所述预设专业词包括接口名称、返回码;所述预设停用词包括介词、语气词、副词、连词。
在一种可选的方式中,所述分词词库包括若干词库单词;分词模块240具体用于:将所述历史报错信息与所述词库单词进行匹配,在所述历史报错信息中提取与所述词库单词相同的词语作为独立的词,从而对所述历史报错信息进行分词。
在一种可选的方式中,向量确定模块250具体用于:获取测试属性信息;确定所述特征词以及所述测试属性信息的特征向量。
在一种可选的方式中,所述装置200还包括:模型优化模块。模型优化模块用于通过对缺陷分类的结果进行评价,优化训练后的所述支持向量机模型。
在一种可选的方式中,所述装置200还包括:关系建立模块。关系建立模块用于根据缺陷分类的结果,建立缺陷分类的结果与所述分词词库的对应关系。
需要说明的是,本发明实施例提供的软件测试的缺陷分类装置是能够执行上述软件测试的缺陷分类方法的装置,则上述软件测试的缺陷分类方法的所有实施例均适用于该装置,且均能达到相同或相似的有益效果。
本发明实施例通过获取全量报错信息,根据全量报错信息生成分词词库,获取历史报错信息,根据分词词库对历史报错信息进行分词,得到特征词,确定特征词的特征向量,确定历史报错信息的分类信息,根据特征向量和分类信息训练支持向量机模型,通过训练后的支持向量机模型进行缺陷分类,通过从源代码中获取全量报错信息并分词后生成分词词库,根据分词词库对历史报错信息进行分词,提高了模型的训练效率,能够自动对缺陷原因进行分类,节省人力。
本发明实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行上述任意方法实施例中的软件测试的缺陷分类方法。
本发明实施例通过获取全量报错信息,根据全量报错信息生成分词词库,获取历史报错信息,根据分词词库对历史报错信息进行分词,得到特征词,确定特征词的特征向量,确定历史报错信息的分类信息,根据特征向量和分类信息训练支持向量机模型,通过训练后的支持向量机模型进行缺陷分类,通过从源代码中获取全量报错信息并分词后生成分词词库,根据分词词库对历史报错信息进行分词,提高了模型的训练效率,能够自动对缺陷原因进行分类,节省人力。
本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任意方法实施例中的软件测试的缺陷分类方法。
本发明实施例通过获取全量报错信息,根据全量报错信息生成分词词库,获取历史报错信息,根据分词词库对历史报错信息进行分词,得到特征词,确定特征词的特征向量,确定历史报错信息的分类信息,根据特征向量和分类信息训练支持向量机模型,通过训练后的支持向量机模型进行缺陷分类,通过从源代码中获取全量报错信息并分词后生成分词词库,根据分词词库对历史报错信息进行分词,提高了模型的训练效率,能够自动对缺陷原因进行分类,节省人力。
图4示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示,该计算设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。处理器302,用于执行程序310,具体可以执行上述任意方法实施例中的软件测试的缺陷分类方法。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
本发明实施例通过获取全量报错信息,根据全量报错信息生成分词词库,获取历史报错信息,根据分词词库对历史报错信息进行分词,得到特征词,确定特征词的特征向量,确定历史报错信息的分类信息,根据特征向量和分类信息训练支持向量机模型,通过训练后的支持向量机模型进行缺陷分类,通过从源代码中获取全量报错信息并分词后生成分词词库,根据分词词库对历史报错信息进行分词,提高了模型的训练效率,能够自动对缺陷原因进行分类,节省人力。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种软件测试的缺陷分类方法,其特征在于,所述方法包括:
获取全量报错信息;
根据所述全量报错信息,生成分词词库;
获取历史报错信息;
根据所述分词词库,对所述历史报错信息进行分词,得到特征词;
确定所述特征词的特征向量;
确定所述历史报错信息的分类信息;
根据所述特征向量和所述分类信息,训练支持向量机模型;
通过训练后的所述支持向量机模型进行缺陷分类。
2.根据权利要求1所述的方法,其特征在于,所述根据所述全量报错信息,生成分词词库,进一步包括:
对所述全量报错信息进行分词,得到初始词库;
根据预设专业词和预设停用词,对所述初始词库进行处理,得到所述分词词库。
3.根据权利要求2所述的方法,其特征在于,
所述预设专业词包括接口名称、返回码;
所述预设停用词包括介词、语气词、副词、连词。
4.根据权利要求1所述的方法,其特征在于,所述分词词库包括若干词库单词;
所述根据所述分词词库,对所述历史报错信息进行分词,进一步包括:
将所述历史报错信息与所述词库单词进行匹配,在所述历史报错信息中提取与所述词库单词相同的词语作为独立的词,从而对所述历史报错信息进行分词。
5.根据权利要求1所述的方法,其特征在于,所述确定所述特征词的特征向量,进一步包括:
获取测试属性信息;
确定所述特征词以及所述测试属性信息的特征向量。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据缺陷分类的结果,建立缺陷分类的结果与所述分词词库的对应关系。
7.根据权利要求1-6所述的方法,其特征在于,所述方法还包括:
通过对缺陷分类的结果进行评价,优化训练后的所述支持向量机模型。
8.一种软件测试的缺陷分类装置,其特征在于,所述装置包括:
全量报错获取模块,用于获取全量报错信息;
分词词库生成模块,用于根据所述全量报错信息,生成分词词库;
历史报错获取模块,用于获取历史报错信息;
特征词库生成模块,用于根据所述分词词库,对所述历史报错信息进行分词,得到特征词;
向量确定模块,用于确定所述特征词的特征向量;
分类确定模块,用于确定所述历史报错信息的分类信息;
训练模块,用于根据所述特征向量和所述分类信息,训练支持向量机模型;
分类模块,用于通过训练后的所述支撑向量机模型进行缺陷分类。
9.一种计算设备,其特征在于,包括:处理器、存储器和通信接口,所述处理器、所述存储器和所述通信接口之间相互通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任意一项所述的软件测试的缺陷分类方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任意一项所述的软件测试的缺陷分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053771.6A CN112749079B (zh) | 2019-10-31 | 2019-10-31 | 软件测试的缺陷分类方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053771.6A CN112749079B (zh) | 2019-10-31 | 2019-10-31 | 软件测试的缺陷分类方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749079A true CN112749079A (zh) | 2021-05-04 |
CN112749079B CN112749079B (zh) | 2023-12-26 |
Family
ID=75645595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911053771.6A Active CN112749079B (zh) | 2019-10-31 | 2019-10-31 | 软件测试的缺陷分类方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749079B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778875A (zh) * | 2021-09-09 | 2021-12-10 | 上海浦东发展银行股份有限公司 | 一种系统测试缺陷分类方法、装置、设备及存储介质 |
CN115757166A (zh) * | 2022-11-28 | 2023-03-07 | 中国人民财产保险股份有限公司 | 测试结果错误类型划分方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005190284A (ja) * | 2003-12-26 | 2005-07-14 | Nec Corp | 情報分類装置および情報分類方法 |
WO2015177861A1 (ja) * | 2014-05-20 | 2015-11-26 | 株式会社日立製作所 | 教師データ作成装置及び方法 |
CN107145445A (zh) * | 2017-05-05 | 2017-09-08 | 携程旅游信息技术(上海)有限公司 | 软件自动化测试的报错日志的自动分析方法和系统 |
CN107818153A (zh) * | 2017-10-27 | 2018-03-20 | 中航信移动科技有限公司 | 数据分类方法和装置 |
CN108021679A (zh) * | 2017-12-07 | 2018-05-11 | 国网山东省电力公司电力科学研究院 | 一种并行化的电力设备缺陷文本分类方法 |
CN108509482A (zh) * | 2018-01-23 | 2018-09-07 | 深圳市阿西莫夫科技有限公司 | 问题分类方法、装置、计算机设备和存储介质 |
US20180307904A1 (en) * | 2017-04-19 | 2018-10-25 | Tata Consultancy Services Limited | Systems and methods for classification of software defect reports |
CN109213865A (zh) * | 2018-09-14 | 2019-01-15 | 大连海事大学 | 一种软件bug报告分类系统及分类方法 |
CN109344060A (zh) * | 2018-09-20 | 2019-02-15 | 迈普通信技术股份有限公司 | 一种自动化测试的分析方法及装置 |
CN109389418A (zh) * | 2018-08-17 | 2019-02-26 | 国家电网有限公司客户服务中心 | 基于lda模型的供电服务客户诉求识别方法 |
CN109492106A (zh) * | 2018-11-13 | 2019-03-19 | 扬州大学 | 一种文本代码相结合的缺陷原因自动分类方法 |
CN109491914A (zh) * | 2018-11-09 | 2019-03-19 | 大连海事大学 | 基于不平衡学习策略高影响缺陷报告预测方法 |
CN110197188A (zh) * | 2018-02-26 | 2019-09-03 | 北京京东尚科信息技术有限公司 | 业务场景预测、分类的方法、系统、设备和存储介质 |
CN110262942A (zh) * | 2019-06-13 | 2019-09-20 | 腾讯科技(成都)有限公司 | 一种日志分析方法及装置 |
-
2019
- 2019-10-31 CN CN201911053771.6A patent/CN112749079B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005190284A (ja) * | 2003-12-26 | 2005-07-14 | Nec Corp | 情報分類装置および情報分類方法 |
WO2015177861A1 (ja) * | 2014-05-20 | 2015-11-26 | 株式会社日立製作所 | 教師データ作成装置及び方法 |
US20180307904A1 (en) * | 2017-04-19 | 2018-10-25 | Tata Consultancy Services Limited | Systems and methods for classification of software defect reports |
CN107145445A (zh) * | 2017-05-05 | 2017-09-08 | 携程旅游信息技术(上海)有限公司 | 软件自动化测试的报错日志的自动分析方法和系统 |
CN107818153A (zh) * | 2017-10-27 | 2018-03-20 | 中航信移动科技有限公司 | 数据分类方法和装置 |
CN108021679A (zh) * | 2017-12-07 | 2018-05-11 | 国网山东省电力公司电力科学研究院 | 一种并行化的电力设备缺陷文本分类方法 |
CN108509482A (zh) * | 2018-01-23 | 2018-09-07 | 深圳市阿西莫夫科技有限公司 | 问题分类方法、装置、计算机设备和存储介质 |
CN110197188A (zh) * | 2018-02-26 | 2019-09-03 | 北京京东尚科信息技术有限公司 | 业务场景预测、分类的方法、系统、设备和存储介质 |
CN109389418A (zh) * | 2018-08-17 | 2019-02-26 | 国家电网有限公司客户服务中心 | 基于lda模型的供电服务客户诉求识别方法 |
CN109213865A (zh) * | 2018-09-14 | 2019-01-15 | 大连海事大学 | 一种软件bug报告分类系统及分类方法 |
CN109344060A (zh) * | 2018-09-20 | 2019-02-15 | 迈普通信技术股份有限公司 | 一种自动化测试的分析方法及装置 |
CN109491914A (zh) * | 2018-11-09 | 2019-03-19 | 大连海事大学 | 基于不平衡学习策略高影响缺陷报告预测方法 |
CN109492106A (zh) * | 2018-11-13 | 2019-03-19 | 扬州大学 | 一种文本代码相结合的缺陷原因自动分类方法 |
CN110262942A (zh) * | 2019-06-13 | 2019-09-20 | 腾讯科技(成都)有限公司 | 一种日志分析方法及装置 |
Non-Patent Citations (4)
Title |
---|
TIM MENZIES等: "Automated severity assessment of software defect reports", 2008 IEEE INTERNATIONAL CONFERENCE ON SOFTWARE MAINTENANCE, vol. 2008, pages 346 - 355, XP031353214 * |
刘梓权等: "基于卷积神经网络的电力设备缺陷文本分类模型研究", 电网技术, no. 02, pages 644 - 651 * |
司倩然等: "基于缺陷分析的软件测试有效性评估方法", 计算机工程与设计, pages 915 - 919 * |
王延飞: "基于用户评论的APP软件缺陷分析方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 138 - 1676 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778875A (zh) * | 2021-09-09 | 2021-12-10 | 上海浦东发展银行股份有限公司 | 一种系统测试缺陷分类方法、装置、设备及存储介质 |
CN113778875B (zh) * | 2021-09-09 | 2024-04-30 | 上海浦东发展银行股份有限公司 | 一种系统测试缺陷分类方法、装置、设备及存储介质 |
CN115757166A (zh) * | 2022-11-28 | 2023-03-07 | 中国人民财产保险股份有限公司 | 测试结果错误类型划分方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112749079B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460250B (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN113449099B (zh) | 文本分类方法和文本分类设备 | |
CN112416778A (zh) | 测试用例推荐方法、装置和电子设备 | |
CN115981240B (zh) | 数控机床故障原因确定方法、装置、设备及介质 | |
CN109389418A (zh) | 基于lda模型的供电服务客户诉求识别方法 | |
CN112749079B (zh) | 软件测试的缺陷分类方法、装置及计算设备 | |
CN112685374B (zh) | 日志分类方法、装置及电子设备 | |
CN111444718A (zh) | 一种保险产品需求文档处理方法、装置及电子设备 | |
CN113778875B (zh) | 一种系统测试缺陷分类方法、装置、设备及存储介质 | |
CN117707922A (zh) | 测试用例的生成方法、装置、终端设备和可读存储介质 | |
CN111309596A (zh) | 数据库测试方法、装置、终端设备及存储介质 | |
CN112527655B (zh) | 软件版本质量异常检测方法、装置、电子设备及存储介质 | |
CN117827923A (zh) | 一种查询需求的处理方法、装置、计算机设备及存储介质 | |
CN117764039A (zh) | 基于大模型的投标文件生成方法、系统、终端及存储介质 | |
CN117312148A (zh) | 一种接口自动化测试方法、装置、计算机设备及存储介质 | |
CN111898378A (zh) | 政企客户的行业分类方法和装置、电子设备、存储介质 | |
CN111178037A (zh) | 重复缺陷报告识别方法、装置及电子设备 | |
CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
CN111708868A (zh) | 电力运检事件的文本分类方法及装置、设备 | |
CN111522750B (zh) | 一种功能测试问题的处理方法及系统 | |
CN113836899A (zh) | 一种网页识别方法、装置及电子设备和存储介质 | |
CN108763063B (zh) | 一种无需缺陷标注数据的软件缺陷检测方法 | |
CN113535549B (zh) | 测试数据的扩充方法、装置、设备及计算机可读存储介质 | |
CN117688441A (zh) | 代码缺陷分类方法、装置、电子设备及存储介质 | |
WO2022061833A1 (zh) | 文本相似度确定方法、装置及工业诊断方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |