CN112860558A - 基于拓扑发现的多接口自动化测试方法及装置 - Google Patents

基于拓扑发现的多接口自动化测试方法及装置 Download PDF

Info

Publication number
CN112860558A
CN112860558A CN202110190864.4A CN202110190864A CN112860558A CN 112860558 A CN112860558 A CN 112860558A CN 202110190864 A CN202110190864 A CN 202110190864A CN 112860558 A CN112860558 A CN 112860558A
Authority
CN
China
Prior art keywords
initial
training
network
test
topology
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
Application number
CN202110190864.4A
Other languages
English (en)
Other versions
CN112860558B (zh
Inventor
陈丽园
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huiliantong Supply Chain Technology Shanghai Co ltd
Original Assignee
Huiliantong Supply Chain Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huiliantong Supply Chain Technology Shanghai Co ltd filed Critical Huiliantong Supply Chain Technology Shanghai Co ltd
Priority to CN202110190864.4A priority Critical patent/CN112860558B/zh
Publication of CN112860558A publication Critical patent/CN112860558A/zh
Application granted granted Critical
Publication of CN112860558B publication Critical patent/CN112860558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于自动化测试技术领域，具体涉及基于拓扑发现的多接口自动化测试方法及装置，所述方法执行以下步骤：步骤1：将多个相同的测试单元以矩阵结构排列，构成测试矩阵，每个测试单元均具备多个不同种类的接口；相邻测试单元之间彼此互相连接；步骤2：建立每一类测试任务与其对应的拓扑网络结构的对应关系；步骤3：对当前的测试任务进行分类，根据分类记过找到与其对应的拓扑网络结构。本发明使用拓扑发现的方式，自动识别和组成新的测试组，提升了测试的效率，使得测试自动化程度更高。

Description

基于拓扑发现的多接口自动化测试方法及装置
技术领域
本发明属于自动化测试技术领域，具体涉及基于拓扑发现的多接口自动化测试方法及装置。
背景技术
在软件测试中，软件内部或外部接口是测试人员关注的对象之一，通过获取被测软件接口的数据，可以判断软件子系统数据处理是否存在故障、子系统之间的交互信息是否正常。
目前，业界对软件接口测试通常的做法是：采用商用测试工具或自主开发的工具接入到被测系统的某个接口中，提取接口，对接口数据进行分析处理，以及在此基础上进行的自动化回归测试。这种方法的缺点是：每次只能接入一个测试接口中，并且需要额外的工具作为输入源。或者，利用测试工具作为输入源，同时收集被测系统的输出信息，进行回归测试，也只能完成对单个接口或单个被测子系统的测试。
网络层拓扑发现的原理是结合ICMP和ARP以及SNMP，对指定的网络进行活动设备的检查，得到所有的活动设备，然后通过SNMP取得设备的基本信息，根据基本信息确定设备的类型，再根据设备的类型取得相应设备的详细信息。网络层拓扑发现的步骤如下：
首先通过默认网关路由器获取存在的子网列表，然后通过ICMP Ping或路由器中的ARP信息遍历指定子网中所有的活动设备，并用系统团体名库去找到设备的团体名，如果找到则用SNMP协议获取设备的基本信息，并判断出设备的类型(路由器/交换机/防火墙/UPS/主机等)，并在此基础上获取相应设备的详细信息。如果没有找到设备的团体名，则默认此设备为主机。
发明内容
本发明的主要目的在于提供基于拓扑发现的多接口自动化测试方法及装置，本发明通过构建测试矩阵，在测试矩阵中，基于不同的测试任务，实时构建不同的临时拓扑测试组，实现了基于测试需求的定制测试，使得测试更加人性化，同时在面临大型的测试，需要多测试组协调工作时，使用拓扑发现的方式，自动识别和组成新的测试组，提升了测试的效率，使得测试自动化程度更高。
为达到上述目的，本发明的技术方案是这样实现的：
基于拓扑发现的多接口自动化测试方法，其特征在于，所述方法执行以下步骤：
步骤1：将多个相同的测试单元以矩阵结构排列，构成测试矩阵，每个测试单元均具备多个不同种类的接口；相邻测试单元之间彼此互相连接；
步骤2：建立每一类测试任务与其对应的拓扑网络结构的对应关系；
步骤3：对当前的测试任务进行分类，根据分类记过找到与其对应的拓扑网络结构；
步骤4：基于步骤3得到的当前的测试任务对应的拓扑网络结构，在测试矩阵中，构建与所述拓扑网络结构一致的临时拓扑测试组；所述临时拓扑测试组中包括多个测试单元，测试单元的数量与拓扑网络结构适配，按照所述拓扑网络结构的方式连接；
步骤5：进行拓扑网络发现，包括：将在进行测试任务过程中的临时拓扑测试组作为一个节点，将所有在进行测试任务过程中的临时拓扑测试组视为一个网络，进行拓扑发现，得到拓扑发现结果；
步骤6：在需要多个测试任务进行联合测试时，需要调取多个临时拓扑测试组进行联合测试，基于拓扑发现结果，构建并行拓扑测试组，使用并行拓扑测试组完成测试。
进一步的，所述步骤5进行拓扑网络发现的方法包括：在包括多个节点的网络中随机确认一个初始节点，在初始节点处接收初始发现指令，所述初始发现指令标识所述初始节点的邻居节点，其中所述初始发现指令针对初始网络发现规则；由所述初始节点发出拓扑查询指令；由所述初始节点从响应节点接收对所述拓扑查询指令的响应指令，所述响应指令包括标识所述响应节点的相邻节点的数据；由所述初始节点向所述响应指令中标识的所述相邻节点发出拓扑查询指令；接收针对继承网络发现规则的继承发现指令，其中所述初始发现指令和所述继承发现指令是基本上同时发出的；以及由所述初始节点至少部分地基于所述初始发现指令和所述继承发现指令的接收来推断所述邻居节点与所述初始节点之间的拓扑网络的结构。
进一步的，所述拓扑查询指令包括拓扑维持指令，并且其中响应于所述拓扑维持指令，接收节点在检测到网络拓扑变化时发出拓扑通知指令。
进一步的，所述拓扑维持指令包括所请求的维持持续时间。
进一步的，所述步骤3中对当前的测试任务进行分类的方法包括：接收测试任务的任务描述，针对任务描述，使用预设的识别模型进行任务分类识别。
进一步的，其特征在于，所述预设的识别模型包括：生成网络、初始分支网络、初始分类网络、继承分支网络和继承分类网络；所述训练方法包括：语义分类训练阶段；其中，所述语义分类训练阶段包括：输入关于初始对象的初始训练评论，使用所述生成网络对所述初始训练评论进行处理，以提取初始训练共同表示向量，使用所述初始分支网络对所述初始训练评论进行处理，以提取初始训练单一表示向量，将所述初始训练共同表示向量与所述初始训练单一表示向量进行拼接，以得到初始训练表示向量，使用所述初始分类网络对所述初始训练表示向量进行处理，以得到所述初始训练评论的语义分类的预测类别标识；输入关于继承对象的继承训练评论，使用所述生成网络对所述继承训练评论进行处理，以提取继承训练共同表示向量，使用所述继承分支网络对所述继承训练评论进行处理，以提取继承训练单一表示向量，将所述继承训练共同表示向量与所述继承训练单一表示向量进行拼接，以得到继承训练表示向量，使用所述继承分类网络对所述继承训练表示向量进行处理，以得到所述继承训练评论的语义分类的预测类别标识；基于所述初始训练评论的预测类别标识和所述继承训练评论的预测类别标识，通过系统损失函数计算系统损失值；以及根据所述系统损失值对所述生成网络、所述初始分支网络、所述初始分类网络、所述继承分支网络和所述继承分类网络的参数进行修正；其中，所述初始对象和所述继承对象为关联评论对象。
进一步的，所述系统损失函数使用如下公式表示：
Figure BDA0002945059580000031
Figure BDA0002945059580000032
其中，Gi为当前计算得到的损失值，W(m,n)为生成网络的权重值，P(m,n)为初始分支网络的权重值，Q(m,n)为初始分类网络的权重值，R(m,n)为继承分支网络的权重值，Gi-1为上次损失函数计算得到的损失值。
进一步的，所述语义分类训练阶段还包括：将所述初始训练评论映射为初始训练原始向量，将所述继承训练评论映射为继承训练原始向量；其中，使用所述生成网络对所述初始训练评论进行处理，包括：使用所述生成网络对所述初始训练原始向量进行处理；使用所述初始分支网络对所述初始训练评论进行处理，包括：使用所述初始分支网络对所述初始训练原始向量进行处理；使用所述生成网络对所述继承训练评论进行处理，包括：使用所述生成网络对所述继承训练原始向量进行处理；使用所述继承分支网络对所述继承训练评论进行处理，包括：使用所述继承分支网络对所述继承训练原始向量进行处理。
进一步的，将所述初始训练评论映射为所述初始训练原始向量，包括：使用词向量方法将所述初始训练评论中的每个字映射为具有指定长度的向量，以得到所述初始训练原始向量；将所述继承训练评论映射为所述继承训练原始向量，包括：使用所述词向量方法将所述继承训练评论中的每个字映射为具有所述指定长度的向量，以得到所述继承训练原始向量。
一种基于拓扑发现的多接口自动化测试装置。
本发明的基于拓扑发现的多接口自动化测试方法及装置，具有如下有益效果：本发明通过构建测试矩阵，在测试矩阵中，基于不同的测试任务，实时构建不同的临时拓扑测试组，实现了基于测试需求的定制测试，使得测试更加人性化，同时在面临大型的测试，需要多测试组协调工作时，使用拓扑发现的方式，自动识别和组成新的测试组，提升了测试的效率，使得测试自动化程度更高。主要通过以下过程实现：1.临时拓扑测试组的构建：在测试矩阵中，构建与所述拓扑网络结构一致的临时拓扑测试组；所述临时拓扑测试组中包括多个测试单元，测试单元的数量与拓扑网络结构适配，按照所述拓扑网络结构的方式连接，这样可以直接根据测试的需求，构建适用于测试任务的临时拓扑测试组，大大提升了测试单元的复用概率，每个测试单元只是作为一个功能单元，根据需求进行临时组建；2.并行拓扑测试组的构建：在需要多个测试任务进行联合测试时，需要调取多个临时拓扑测试组进行联合测试，基于拓扑发现结果，构建并行拓扑测试组，使用并行拓扑测试组完成测试；这样做的好处在于，可以实时地构建能够进行多任务测试的测试组，而不需要人为的进行协调，进一步提升了测试的效率；3.测试任务的自动分类：本发明通过基于语义的神经网络分类识别模型来识别判断测试任务，进行测试任务的自动分类，也就是说从任务分类到最终的测试组的构建，都实现了自动化，提升了效率。
附图说明
图1为本发明的实施例提供的基于拓扑发现的多接口自动化测试方法的方法的流程示意图；
图2为本发明的实施例提供的基于拓扑发现的多接口自动化测试方法的步骤5进行拓扑发现的流程示意图；
图3为本发明的实施例提供的基于拓扑发现的多接口自动化测试方法及装置的拓步发现的原理示意图；
图4为本发明的实施例提供的基于拓扑发现的多接口自动化测试方法及装置的测试效率随着测试次数变化的实验曲线示意图与现有技术的对比实验效果示意图。
具体实施方式
以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述：
实施例1
如图1所示，基于拓扑发现的多接口自动化测试方法，其特征在于，所述方法执行以下步骤：
步骤1：将多个相同的测试单元以矩阵结构排列，构成测试矩阵，每个测试单元均具备多个不同种类的接口；相邻测试单元之间彼此互相连接；
步骤2：建立每一类测试任务与其对应的拓扑网络结构的对应关系；
步骤3：对当前的测试任务进行分类，根据分类记过找到与其对应的拓扑网络结构；
步骤4：基于步骤3得到的当前的测试任务对应的拓扑网络结构，在测试矩阵中，构建与所述拓扑网络结构一致的临时拓扑测试组；所述临时拓扑测试组中包括多个测试单元，测试单元的数量与拓扑网络结构适配，按照所述拓扑网络结构的方式连接；
步骤5：进行拓扑网络发现，包括：将在进行测试任务过程中的临时拓扑测试组作为一个节点，将所有在进行测试任务过程中的临时拓扑测试组视为一个网络，进行拓扑发现，得到拓扑发现结果；
步骤6：在需要多个测试任务进行联合测试时，需要调取多个临时拓扑测试组进行联合测试，基于拓扑发现结果，构建并行拓扑测试组，使用并行拓扑测试组完成测试。
采用上述技术方案，本发明通过构建测试矩阵，在测试矩阵中，基于不同的测试任务，实时构建不同的临时拓扑测试组，实现了基于测试需求的定制测试，使得测试更加人性化，同时在面临大型的测试，需要多测试组协调工作时，使用拓扑发现的方式，自动识别和组成新的测试组，提升了测试的效率，使得测试自动化程度更高。主要通过以下过程实现：1.临时拓扑测试组的构建：在测试矩阵中，构建与所述拓扑网络结构一致的临时拓扑测试组；所述临时拓扑测试组中包括多个测试单元，测试单元的数量与拓扑网络结构适配，按照所述拓扑网络结构的方式连接，这样可以直接根据测试的需求，构建适用于测试任务的临时拓扑测试组，大大提升了测试单元的复用概率，每个测试单元只是作为一个功能单元，根据需求进行临时组建；2.并行拓扑测试组的构建：在需要多个测试任务进行联合测试时，需要调取多个临时拓扑测试组进行联合测试，基于拓扑发现结果，构建并行拓扑测试组，使用并行拓扑测试组完成测试；这样做的好处在于，可以实时地构建能够进行多任务测试的测试组，而不需要人为的进行协调，进一步提升了测试的效率；3.测试任务的自动分类：本发明通过基于语义的神经网络分类识别模型来识别判断测试任务，进行测试任务的自动分类，也就是说从任务分类到最终的测试组的构建，都实现了自动化，提升了效率。
实施例2
在上一实施例的基础上，所述步骤5进行拓扑网络发现的方法包括：在包括多个节点的网络中随机确认一个初始节点，在初始节点处接收初始发现指令，所述初始发现指令标识所述初始节点的邻居节点，其中所述初始发现指令针对初始网络发现规则；由所述初始节点发出拓扑查询指令；由所述初始节点从响应节点接收对所述拓扑查询指令的响应指令，所述响应指令包括标识所述响应节点的相邻节点的数据；由所述初始节点向所述响应指令中标识的所述相邻节点发出拓扑查询指令；接收针对继承网络发现规则的继承发现指令，其中所述初始发现指令和所述继承发现指令是基本上同时发出的；以及由所述初始节点至少部分地基于所述初始发现指令和所述继承发现指令的接收来推断所述邻居节点与所述初始节点之间的拓扑网络的结构。
具体的，如图3所示，本发明在进行拓扑发现过程中，若通过发现指令推断出的拓扑结构不适用于本次测试任务，则进行另外的网络发现，直到发现所有适用于本次测试任务的所有节点，构建出并行拓扑测试组。
实施例3
在上一实施例的基础上，所述拓扑查询指令包括拓扑维持指令，并且其中响应于所述拓扑维持指令，接收节点在检测到网络拓扑变化时发出拓扑通知指令。
实施例4
在上一实施例的基础上，所述拓扑维持指令包括所请求的维持持续时间。
实施例5
在上一实施例的基础上，所述步骤3中对当前的测试任务进行分类的方法包括：接收测试任务的任务描述，针对任务描述，使用预设的识别模型进行任务分类识别。
具体的，软件测试自动化的研究领域主要集中在软件测试流程的自动化管理以及动态测试的自动化(如单元测试、功能测试以及性能方面)。在这两个领域，与手工测试相比，测试自动化的优势是明显的。首先自动化测试可以提高测试效率，使测试人员更加专注于新的测试模块的建立和开发，从而提高测试覆盖率；其次，自动化测试更便于测试资产的数字化管理，使得测试资产在整个测试生命周期内可以得到复用，这个特点在功能测试和回归测试中尤其具有意义；此外，测试流程自动化管理可以使机构的测试活动开展更加过程化，这很符合CMMI过程改进的思想。根据OppenheimerFunds的调查，在2001年前后的3年中，全球范围内由于采用了测试自动化手段所实现的投资回报率高达1500％。
实施例6
在上一实施例的基础上，其特征在于，所述预设的识别模型包括：生成网络、初始分支网络、初始分类网络、继承分支网络和继承分类网络；所述训练方法包括：语义分类训练阶段；其中，所述语义分类训练阶段包括：输入关于初始对象的初始训练评论，使用所述生成网络对所述初始训练评论进行处理，以提取初始训练共同表示向量，使用所述初始分支网络对所述初始训练评论进行处理，以提取初始训练单一表示向量，将所述初始训练共同表示向量与所述初始训练单一表示向量进行拼接，以得到初始训练表示向量，使用所述初始分类网络对所述初始训练表示向量进行处理，以得到所述初始训练评论的语义分类的预测类别标识；输入关于继承对象的继承训练评论，使用所述生成网络对所述继承训练评论进行处理，以提取继承训练共同表示向量，使用所述继承分支网络对所述继承训练评论进行处理，以提取继承训练单一表示向量，将所述继承训练共同表示向量与所述继承训练单一表示向量进行拼接，以得到继承训练表示向量，使用所述继承分类网络对所述继承训练表示向量进行处理，以得到所述继承训练评论的语义分类的预测类别标识；基于所述初始训练评论的预测类别标识和所述继承训练评论的预测类别标识，通过系统损失函数计算系统损失值；以及根据所述系统损失值对所述生成网络、所述初始分支网络、所述初始分类网络、所述继承分支网络和所述继承分类网络的参数进行修正；其中，所述初始对象和所述继承对象为关联评论对象。
具体的，不论何种类型的人工神经网络，它们共同的特点是，大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算。因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础，并在广阔的领域获得了重要的应用。例如，在通信领域，人工神经网络可以用于数据压缩、图像处理、矢量编码、差错控制(纠错和检错编码)、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等等。
实施例7
在上一实施例的基础上，所述系统损失函数使用如下公式表示：
Figure BDA0002945059580000071
Figure BDA0002945059580000072
其中，Gi为当前计算得到的损失值，W(m,n)为生成网络的权重值，P(m,n)为初始分支网络的权重值，Q(m,n)为初始分类网络的权重值，R(m,n)为继承分支网络的权重值，Gi-1为上次损失函数计算得到的损失值。
具体的，人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境(即输入信号情况)而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
神经网络就像是一个爱学习的孩子，您教她的知识她是不会忘记而且会学以致用的。我们把学习集(Learning Set)中的每个输入加到神经网络中，并告诉神经网络输出应该是什么分类。在全部学习集都运行完成之后，神经网络就根据这些例子总结出她自己的想法，到底她是怎么归纳的就是一个黑盒了。之后我们就可以把测试集(Testing Set)中的测试例子用神经网络来分别作测试，如果测试通过(比如80％或90％的正确率)，那么神经网络就构建成功了。我们之后就可以用这个神经网络来判断事务的分类了。
实施例8
在上一实施例的基础上，所述语义分类训练阶段还包括：将所述初始训练评论映射为初始训练原始向量，将所述继承训练评论映射为继承训练原始向量；其中，使用所述生成网络对所述初始训练评论进行处理，包括：使用所述生成网络对所述初始训练原始向量进行处理；使用所述初始分支网络对所述初始训练评论进行处理，包括：使用所述初始分支网络对所述初始训练原始向量进行处理；使用所述生成网络对所述继承训练评论进行处理，包括：使用所述生成网络对所述继承训练原始向量进行处理；使用所述继承分支网络对所述继承训练评论进行处理，包括：使用所述继承分支网络对所述继承训练原始向量进行处理。
具体的，语义类型(semantic type)指的是按语义关系划分的语言表达式的类。语义类型和语法范畴是有一一对应的关系。而且出于对语言表达式的意义可作外延的意义和内涵的意义两种分析，故语义类型也可分为语义的外延类型和语义的内涵类型。简称外延类型和内涵类型。语义类型与语法范畴相应，每种语义类型都可分为基本类型和导出类型。
实施例9
在上一实施例的基础上，将所述初始训练评论映射为所述初始训练原始向量，包括：使用词向量方法将所述初始训练评论中的每个字映射为具有指定长度的向量，以得到所述初始训练原始向量；将所述继承训练评论映射为所述继承训练原始向量，包括：使用所述词向量方法将所述继承训练评论中的每个字映射为具有所述指定长度的向量，以得到所述继承训练原始向量。
实施例10
一种基于拓扑发现的多接口自动化测试装置。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子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。这些功能究竟以电子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。本领域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。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.基于拓扑发现的多接口自动化测试方法，其特征在于，所述方法执行以下步骤：
步骤1：将多个相同的测试单元以矩阵结构排列，构成测试矩阵，每个测试单元均具备多个不同种类的接口；相邻测试单元之间彼此互相连接；
步骤2：建立每一类测试任务与其对应的拓扑网络结构的对应关系；
步骤3：对当前的测试任务进行分类，根据分类记过找到与其对应的拓扑网络结构；
步骤4：基于步骤3得到的当前的测试任务对应的拓扑网络结构，在测试矩阵中，构建与所述拓扑网络结构一致的临时拓扑测试组；所述临时拓扑测试组中包括多个测试单元，测试单元的数量与拓扑网络结构适配，按照所述拓扑网络结构的方式连接；
步骤5：进行拓扑网络发现，包括：将在进行测试任务过程中的临时拓扑测试组作为一个节点，将所有在进行测试任务过程中的临时拓扑测试组视为一个网络，进行拓扑发现，得到拓扑发现结果；
步骤6：在需要多个测试任务进行联合测试时，需要调取多个临时拓扑测试组进行联合测试，基于拓扑发现结果，构建并行拓扑测试组，使用并行拓扑测试组完成测试。
2.如权利要求1所述的方法，其特征在于，所述步骤5进行拓扑网络发现的方法包括：在包括多个节点的网络中随机确认一个初始节点，在初始节点处接收初始发现指令，所述初始发现指令标识所述初始节点的邻居节点，其中所述初始发现指令针对初始网络发现规则；由所述初始节点发出拓扑查询指令；由所述初始节点从响应节点接收对所述拓扑查询指令的响应指令，所述响应指令包括标识所述响应节点的相邻节点的数据；由所述初始节点向所述响应指令中标识的所述相邻节点发出拓扑查询指令；接收针对继承网络发现规则的继承发现指令，其中所述初始发现指令和所述继承发现指令是基本上同时发出的；以及由所述初始节点至少部分地基于所述初始发现指令和所述继承发现指令的接收来推断所述邻居节点与所述初始节点之间的拓扑网络的结构。
3.如权利要求2所述的方法，其特征在于，所述拓扑查询指令包括拓扑维持指令，并且其中响应于所述拓扑维持指令，接收节点在检测到网络拓扑变化时发出拓扑通知指令。
4.如权利要求3所述的方法，其特征在于，所述拓扑维持指令包括所请求的维持持续时间。
5.如权利要求4所述的方法，其特征在于，所述步骤3中对当前的测试任务进行分类的方法包括：接收测试任务的任务描述，针对任务描述，使用预设的识别模型进行任务分类识别。
6.如权利要求5所述的方法，其特征在于，所述预设的识别模型包括：生成网络、初始分支网络、初始分类网络、继承分支网络和继承分类网络；所述训练方法包括：语义分类训练阶段；其中，所述语义分类训练阶段包括：输入关于初始对象的初始训练评论，使用所述生成网络对所述初始训练评论进行处理，以提取初始训练共同表示向量，使用所述初始分支网络对所述初始训练评论进行处理，以提取初始训练单一表示向量，将所述初始训练共同表示向量与所述初始训练单一表示向量进行拼接，以得到初始训练表示向量，使用所述初始分类网络对所述初始训练表示向量进行处理，以得到所述初始训练评论的语义分类的预测类别标识；输入关于继承对象的继承训练评论，使用所述生成网络对所述继承训练评论进行处理，以提取继承训练共同表示向量，使用所述继承分支网络对所述继承训练评论进行处理，以提取继承训练单一表示向量，将所述继承训练共同表示向量与所述继承训练单一表示向量进行拼接，以得到继承训练表示向量，使用所述继承分类网络对所述继承训练表示向量进行处理，以得到所述继承训练评论的语义分类的预测类别标识；基于所述初始训练评论的预测类别标识和所述继承训练评论的预测类别标识，通过系统损失函数计算系统损失值；以及根据所述系统损失值对所述生成网络、所述初始分支网络、所述初始分类网络、所述继承分支网络和所述继承分类网络的参数进行修正；其中，所述初始对象和所述继承对象为关联评论对象。
7.如权利要求6所述的方法，其特征在于，所述系统损失函数使用如下公式表示：
Figure FDA0002945059570000021
Figure FDA0002945059570000022
其中，Gi为当前计算得到的损失值，W(m,n)为生成网络的权重值，P(m,n)为初始分支网络的权重值，Q(m,n)为初始分类网络的权重值，R(m,n)为继承分支网络的权重值，Gi-1为上次损失函数计算得到的损失值。
8.如权利要求6所述的方法，其特征在于，所述语义分类训练阶段还包括：将所述初始训练评论映射为初始训练原始向量，将所述继承训练评论映射为继承训练原始向量；其中，使用所述生成网络对所述初始训练评论进行处理，包括：使用所述生成网络对所述初始训练原始向量进行处理；使用所述初始分支网络对所述初始训练评论进行处理，包括：使用所述初始分支网络对所述初始训练原始向量进行处理；使用所述生成网络对所述继承训练评论进行处理，包括：使用所述生成网络对所述继承训练原始向量进行处理；使用所述继承分支网络对所述继承训练评论进行处理，包括：使用所述继承分支网络对所述继承训练原始向量进行处理。
9.如权利要求7所述的方法，其特征在于，将所述初始训练评论映射为所述初始训练原始向量，包括：使用词向量方法将所述初始训练评论中的每个字映射为具有指定长度的向量，以得到所述初始训练原始向量；将所述继承训练评论映射为所述继承训练原始向量，包括：使用所述词向量方法将所述继承训练评论中的每个字映射为具有所述指定长度的向量，以得到所述继承训练原始向量。
10.一种用于实现权利要求1至9之一所述方法的基于拓扑发现的多接口自动化测试装置。
CN202110190864.4A 2021-02-20 2021-02-20 基于拓扑发现的多接口自动化测试方法及装置 Active CN112860558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110190864.4A CN112860558B (zh) 2021-02-20 2021-02-20 基于拓扑发现的多接口自动化测试方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110190864.4A CN112860558B (zh) 2021-02-20 2021-02-20 基于拓扑发现的多接口自动化测试方法及装置

Publications (2)

Publication Number Publication Date
CN112860558A true CN112860558A (zh) 2021-05-28
CN112860558B CN112860558B (zh) 2022-05-31

Family

ID=75988212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110190864.4A Active CN112860558B (zh) 2021-02-20 2021-02-20 基于拓扑发现的多接口自动化测试方法及装置

Country Status (1)

Country Link
CN (1) CN112860558B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220592A (zh) * 2021-06-04 2021-08-06 中国农业银行股份有限公司 自动化测试资源的处理方法、装置、服务器及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101330412A (zh) * 2008-07-29 2008-12-24 中兴通讯股份有限公司 一种基于拓扑发现的自动化测试方法及系统
US20100031099A1 (en) * 2008-07-29 2010-02-04 Swoboda Gary L Scan Topology Discovery in Target Systems
CN102195857A (zh) * 2010-03-18 2011-09-21 武汉迈威光电技术有限公司 一种网络拓扑结构与节点信息搜集方法
CN108075938A (zh) * 2016-11-17 2018-05-25 迈普通信技术股份有限公司 一种自动化测试方法和装置
CN109309944A (zh) * 2018-10-15 2019-02-05 西北工业大学 一种无线多跳网络拓扑发现方法
CN110428046A (zh) * 2019-08-28 2019-11-08 腾讯科技（深圳）有限公司 神经网络结构的获取方法及装置、存储介质
CN110830790A (zh) * 2018-08-08 2020-02-21 浙江宇视科技有限公司 一种智能搭建自动化测试组网环境的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101330412A (zh) * 2008-07-29 2008-12-24 中兴通讯股份有限公司 一种基于拓扑发现的自动化测试方法及系统
US20100031099A1 (en) * 2008-07-29 2010-02-04 Swoboda Gary L Scan Topology Discovery in Target Systems
CN102195857A (zh) * 2010-03-18 2011-09-21 武汉迈威光电技术有限公司 一种网络拓扑结构与节点信息搜集方法
CN108075938A (zh) * 2016-11-17 2018-05-25 迈普通信技术股份有限公司 一种自动化测试方法和装置
CN110830790A (zh) * 2018-08-08 2020-02-21 浙江宇视科技有限公司 一种智能搭建自动化测试组网环境的方法和装置
CN109309944A (zh) * 2018-10-15 2019-02-05 西北工业大学 一种无线多跳网络拓扑发现方法
CN110428046A (zh) * 2019-08-28 2019-11-08 腾讯科技（深圳）有限公司 神经网络结构的获取方法及装置、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220592A (zh) * 2021-06-04 2021-08-06 中国农业银行股份有限公司 自动化测试资源的处理方法、装置、服务器及存储介质
CN113220592B (zh) * 2021-06-04 2024-04-30 中国农业银行股份有限公司 自动化测试资源的处理方法、装置、服务器及存储介质

Also Published As

Publication number Publication date
CN112860558B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
Hu et al. Ganfuzz: a gan-based industrial network protocol fuzzing framework
CN113094200B (zh) 一种应用程序的故障预测方法和装置
CN103870381B (zh) 一种测试数据生成方法及装置
CN110266647A (zh) 一种命令和控制通信检测方法及系统
CN112052172B (zh) 第三方通道的快速测试方法、装置和电子设备
CN112860558B (zh) 基于拓扑发现的多接口自动化测试方法及装置
CN111586728B (zh) 一种面向小样本特征的异构无线网络故障检测与诊断方法
CN115865483A (zh) 一种基于机器学习的异常行为分析方法和装置
CN101447995B (zh) 一种识别p2p数据流的方法、装置和系统
CN116225760A (zh) 一种基于运维知识图谱的实时根因分析方法
CN117435506B (zh) 模糊测试方法、电子设备及计算机可读存储介质
CN113484693B (zh) 基于图神经网络的变电站二次回路故障定位方法及系统
CN111769987B (zh) 基于大数据管理模型的网络信息安全测试系统及方法
CN117333038A (zh) 一种基于大数据的经济趋势分析系统
CN109889258B (zh) 一种光网络故障校验方法和设备
CN113204332B (zh) 智能家居设备控制程序生成系统及方法
CN108494626A (zh) 物理安装不当的Profibus DP工业现场总线通信故障智能诊断方法
CN110716101B (zh) 电力线路故障定位方法、装置、计算机和存储介质
CN113807462A (zh) 一种基于ai的网络设备故障原因定位方法及其系统
CN110544182A (zh) 一种基于机器学习技术的配电通信网融合控制方法及系统
CN111209516A (zh) 基于Petri网诊断器的离散事件系统模式故障在线诊断方法
CN117896237B (zh) 一种针对网络组网的多设备互通场景监管系统
Donelan et al. The analysis of user behaviour of a network management training tool using a neural network
CN111565187B (zh) 一种dns异常检测方法、装置、设备及存储介质
RU2801825C2 (ru) Способ, комплекс обработки информации об отказах устройств беспроводных сенсорных сетей передачи данных и связанных сетей

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
CB02 Change of applicant information

Address after: 361100 413-26, No. 942, tonglong Second Road, torch high tech Zone (Xiang'an) Industrial Zone, Xiamen, Fujian

Applicant after: Huiliantong Industrial Supply Chain Digital Technology (Xiamen) Co.,Ltd.

Address before: 201400 room 21009, No. 5599 Yanqian Road, Fengxian District, Shanghai

Applicant before: Huiliantong supply chain technology (Shanghai) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant