CN114253867B - 基于神经网络模型的自动化测试方法、装置及系统 - Google Patents

基于神经网络模型的自动化测试方法、装置及系统 Download PDF

Info

Publication number
CN114253867B
CN114253867B CN202210195855.9A CN202210195855A CN114253867B CN 114253867 B CN114253867 B CN 114253867B CN 202210195855 A CN202210195855 A CN 202210195855A CN 114253867 B CN114253867 B CN 114253867B
Authority
CN
China
Prior art keywords
neural network
network model
test
automatic test
management system
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.)
Active
Application number
CN202210195855.9A
Other languages
English (en)
Other versions
CN114253867A (zh
Inventor
刘蕊
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.)
Beijing Renke Interactive Network Technology Co Ltd
Original Assignee
Beijing Renke Interactive Network Technology 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 Beijing Renke Interactive Network Technology Co Ltd filed Critical Beijing Renke Interactive Network Technology Co Ltd
Priority to CN202210195855.9A priority Critical patent/CN114253867B/zh
Publication of CN114253867A publication Critical patent/CN114253867A/zh
Application granted granted Critical
Publication of CN114253867B publication Critical patent/CN114253867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/36Preventing errors by testing or debugging software
    • G06F11/3668Software testing
    • G06F11/3672Test management
    • G06F11/3684Test management for test design, e.g. generating new test cases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/36Preventing errors by testing or debugging software
    • G06F11/3668Software testing
    • G06F11/3672Test management
    • G06F11/3688Test management for test execution, e.g. scheduling of test suites
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明提供了一种基于神经网络模型的自动化测试方法、装置及系统,其中,该方法包括:将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;训练好的神经网络模型是基于模型训练因子样本训练得到的;通过持续集成系统接收自动化测试代码,并调用预设的代码编译指令对自动化测试代码进行编译,得到自动化测试程序;通过持续集成系统将自动化测试程序发送到与持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。该方法可以自动化的编写脚本和执行测试,大大节省测试人员的开发和测试时间。

Description

基于神经网络模型的自动化测试方法、装置及系统
技术领域
本发明涉及计算机软件测试领域,尤其涉及一种基于神经网络模型的自动化测试方法、装置及系统。
背景技术
目前行业内所谓的自动化测试,实际上是人工编写脚本,自动化执行的“半自动化测试”。
例如,相当大部分的研发团队在单元测试方面投入不够,只能基于Selenium、Appium这样的测试工具来编写大量端到端的UI自动化测试脚本。另外,基于录制-回放技术的UI自动化测试工具主要针对桌面应用,也可以认为它们是“无代码化”测试工具的前身。当前的“半自动化测试”大量耗费测试人员的开发和测试时间。
发明内容
本发明提供一种基于神经网络模型的自动化测试方法、装置及系统,用以解决现有技术中不能自动化编写脚本的缺陷,可以实现脚本编写和测试执行的自动化。
第一方面,本发明提供了一种基于神经网络模型的自动化测试方法,包括:将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;所述训练好的神经网络模型是基于模型训练因子样本训练得到的;通过持续集成系统接收所述自动化测试代码,并调用预设的代码编译指令对所述自动化测试代码进行编译,得到自动化测试程序;通过所述持续集成系统将所述自动化测试程序发送到与所述持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。
根据本发明提供的基于神经网络模型的自动化测试方法,所述将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码,包括:通过所述训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子;通过所述训练好的神经网络模型中的模型提取器在所述训练好的神经网络模型中的代码维护系统中提取接口函数信息;通过所述训练好的神经网络模型中的模型训练集对所述练模型因子和所述接口函数信息进行训练,得到自动化测试的数据集;通过所述训练好的神经网络模型中的代码生成器基于所述自动化测试的数据集中的训练数据,生成所述自动化测试代码。
根据本发明提供的基于神经网络模型的自动化测试方法,所述通过所述持续集成系统将所述自动化测试程序发送到与所述持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试,包括:通过所述持续集成系统调用预设的请求命令对多设备测试平台进行查询,确定所述已连接多设备测试平台;通过所述持续集成系统向所述已连接多设备测试平台发送传输请求;在所述已连接多设备测试平台响应于所述传输请求后,通过所述持续集成系统基于所述已连接多设备测试平台中的设备端的端口号,向所述设备端发送相应的自动化测试程序,所述设备端触发测试命令后,进行自动化测试。
根据本发明提供的基于神经网络模型的自动化测试方法,所述通过所述持续集成系统将所述自动化测试程序发送到与所述持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试之后,还包括:当所述需求管理系统、所述测试用例管理系统、所述缺陷管理系统和所述代码维护系统之中的任意一个系统发生更新时,通过所述训练好的神经网络模型生成新的自动化测试代码;通过所述持续集成系统将所述新的自动化测试代码发送到所述设备端进行自动化测试。
根据本发明提供的基于神经网络模型的自动化测试方法,所述通过所述训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子之后,还包括:对所述模型训练因子进行清洗和筛选。
第二方面,本发明还提供了一种基于神经网络模型的自动化测试装置,包括:测试代码生成模块,用于将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;所述训练好的神经网络模型是基于模型训练因子样本训练得到的;测试程序生成模块,用于通过持续集成系统接收所述自动化测试代码,并调用预设的代码编译指令对所述自动化测试代码进行编译,得到自动化测试程序;测试模块,用于通过所述持续集成系统将所述自动化测试程序发送到与所述持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。
第三方面,本发明还提供了一种基于神经网络模型的自动化测试系统,包括:需求管理系统、测试用例管理系统、缺陷管理系统,训练好的神经网络模型、持续集成系统和多设备测试平台。其中,所述需求管理系统、所述测试用例管理系统和所述缺陷管理系统,用于生成模型训练因子;所述训练好的神经网络模型,用于基于所述模型训练因子生成自动化测试代码;所述持续集成系统,用于基于所述自动化测试代码生成所述自动化测试程序;所述多设备测试平台,用于接收所述自动化测试程序。
第四方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的基于神经网络模型的自动化测试方法的步骤。
第五方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的基于神经网络模型的自动化测试方法的步骤。
第六方面,本发明实施例还提供了一种计算机程序产品,其上存储有可执行指令,该指令被处理器执行时使处理器实现如第一方面所述的基于神经网络模型的自动化测试方法的步骤。
本发明提供的基于神经网络模型的自动化测试方法、装置及系统,通过将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;训练好的神经网络模型是基于模型训练因子样本训练得到的;通过持续集成系统接收自动化测试代码,并调用预设的代码编译指令对自动化测试代码进行编译,得到自动化测试程序;通过持续集成系统将自动化测试程序发送到与持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。该方法可以自动化的编写脚本和执行测试,大大节省测试人员的开发和测试时间。
附图说明
为了更清楚地说明本发明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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于神经网络模型的自动化测试方法实施例的流程示意图;
图2为本发明提供的获取自动化测试代码的方法实施例的流程示意图;
图3为本发明提供的自动化测试的方法实施例的流程示意图;
图4为本发明提供的基于神经网络模型的自动化测试装置实施例的结构组成示意图;
图5为本发明提供的基于神经网络模型的自动化测试系统实施例的结构组成示意图;
图6示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
图1为本发明提供的基于神经网络模型的自动化测试方法实施例的流程示意图。如图1所示,该基于神经网络模型的自动化测试方法,可以包括以下步骤:
S101,将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;训练好的神经网络模型是基于模型训练因子样本训练得到的。
在步骤S101中,需求管理系统是程序未开发前已制定的功能性和非功能性的实现要求,以及程序后期迭代过程中新提出的要求的集合;测试用例管理系统是基于用户角度、需求角度、开发设计角度和测试角度,进行测试设计产生的系统测试用例的集合,这类集合会有特定标识,来区别不同模块的不同的测试输入和测试预期结果;缺陷管理系统是程序在开发过程中发现的问题集合,这类集合会有特定标识,来区别不同种类或者不同模块的缺陷。
将需求管理系统、测试用例管理系统和缺陷管理系统汇为一种特定格式的特征值,其中特征格式可以为xml格式,本发明实施例对此不作限定。
训练好的神经网络模型可以包括模型分类器,模型提取器,模型训练集、代码生成器和代码维护系统,本发明实施例对此不作限定。
S102,通过持续集成系统接收自动化测试代码,并调用预设的代码编译指令对自动化测试代码进行编译,得到自动化测试程序。
在步骤S102中,持续集成系统是接收训练好的神经网络模型的输出端,当训练好的神经网络模型生产自动化测试代码后,向持续集成系统发送接收请求,持续集成系统会接收到自动化测试代码,通过调用预定的代码编译命令,编译出自动化测试程序。
S103,通过持续集成系统将自动化测试程序发送到与持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。
在步骤S103中,多设备测试平台可以包括电脑端、平板端或者手机端在内的多种平台设备。持续集成系统将自动化测试程序发送到与持续集成系统建立连接的多设备测试平台中的设备端,设备端接收该自动化测试程序,根据触发命令执行自动化测试。
本发明实施例提供的基于神经网络模型的自动化测试方法,通过将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;训练好的神经网络模型是基于模型训练因子样本训练得到的;通过持续集成系统接收自动化测试代码,并调用预设的代码编译指令对自动化测试代码进行编译,得到自动化测试程序;通过持续集成系统将自动化测试程序发送到与持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。该方法可以自动化的编写脚本和执行测试,大大节省测试人员的开发和测试时间。
图2为本发明提供的获取自动化测试代码的方法实施例的流程示意图。如图2所示,该获取自动化测试代码的方法,可以包括以下步骤:
S201,通过训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子;
S202,通过训练好的神经网络模型中的模型提取器在训练好的神经网络模型中的代码维护系统中提取接口函数信息;
S203,通过训练好的神经网络模型中的模型训练集对训练模型因子和接口函数信息进行训练,得到自动化测试的数据集;
S204,通过训练好的神经网络模型中的代码生成器基于自动化测试的数据集中的训练数据,生成自动化测试代码。
在步骤S201至步骤S204中,模型分类器在输入的特征值中筛选出相关的信息作为模型训练因子;模型提取器从包含在训练好的神经网络模型中的代码维护系统中提取代码中的所有接口函数信息;模型训练集根据预设的算法对模型训练因子和接口函数信息进行训练,经过迭代验证直至达到训练好的神经网络模型预设的标准值后,得到自动化测试的数据集;其中,预设的算法可以为正交因子法,或者也可以为朴素贝叶斯法,本发明实施例对此不作限定;代码生成器根据自动化测试的数据集中的训练数据,生成自动化测试代码。
本发明提供的获取自动化测试代码的方法,通过训练好的神经网络模型可以实现自动化测试代码的自动生成,无需开发人员人工编写脚本,大大节省了开发人员的开发时间。
图3为本发明提供的自动化测试的方法实施例的流程示意图。如图3所示,该自动化测试的方法,可以包括以下步骤:
S301,通过持续集成系统调用预设的请求命令对多设备测试平台进行查询,确定已连接多设备测试平台;
S302,通过持续集成系统向已连接多设备测试平台发送传输请求;
S303,在已连接多设备测试平台响应于传输请求后,通过持续集成系统基于已连接多设备测试平台中的设备端的端口号,向设备端发送相应的自动化测试程序,设备端触发测试命令后,进行自动化测试。
在步骤S301至步骤S303中,首先根据预设的请求命令查询得到与持续集成系统建立连接的多设备测试平台;然后向与持续集成系统建立连接的已连接多设备测试平台发送传输请求,在已连接多设备测试平台接收该请求后,根据已连接多设备测试平台中的设备端的端口号向对应的设备端发送相应的自动化测试程序,设备端接收完成自动化测试程序后,可以触发程序开关,执行自动化测试程序进行自动化测试。
本发明提供实施例提供的自动化测试的方法,通过向与持续集成系统建立连接的多设备测试平台中的对应的设备端发送相应的自动化测试程序,可以使设备端进行自动化测试。
在一些可选的实施例中,通过持续集成系统将自动化测试程序发送到已连接多设备测试平台中的设备端进行自动化测试之后,还可以包括:当需求管理系统、测试用例管理系统、缺陷管理系统和代码维护系统之中的任意一个系统发生更新时,通过训练好的神经网络模型生成新的自动化测试代码;通过持续集成系统将新的自动化测试代码发送到设备端进行自动化测试。
其中,当需求管理系统、测试用例管理系统、缺陷管理系统和代码维护系统之中的任意一个系统发生更新时,意味着更新之前的自动化测试代码对于当前的测试已经不适用了,需要根据更新后的系统重新生成新的自动化测试代码进行自动化测试。
本发明提供的实施例,通过对生成新的自动化测试代码,可以保证自动化测试的准确性。
在一些可选的实施例中,通过训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子之后,还可以包括:对模型训练因子进行清洗和筛选。
图4为本发明提供的基于神经网络模型的自动化测试装置实施例的结构组成示意图。如图4所示,该基于神经网络模型的自动化测试装置,包括:
测试代码生成模块401,用于将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;训练好的神经网络模型是基于模型训练因子样本训练得到的;
测试程序生成模块402,用于通过持续集成系统接收自动化测试代码,并调用预设的代码编译指令对自动化测试代码进行编译,得到自动化测试程序;
测试模块403,用于通过持续集成系统将自动化测试程序发送到与持续集成系统建立连接的多设备测试平台中的设备端进行自动化测试。
可选地,测试代码生成模块401,包括:
筛选单元,用于通过训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子;
提取单元,用于通过训练好的神经网络模型中的模型提取器在训练好的神经网络模型中的代码维护系统中提取接口函数信息;
训练单元,用于通过训练好的神经网络模型中的模型训练集对训练模型因子和接口函数信息进行训练,得到自动化测试的数据集;
生成单元,用于通过训练好的神经网络模型中的代码生成器基于自动化测试的数据集中的训练数据,生成自动化测试代码。
可选地,测试模块403,包括:
查询单元,用于通过持续集成系统调用预设的请求命令对多设备测试平台进行查询,确定已连接多设备测试平台;
发送单元,用于通过所述持续集成系统向已连接多设备测试平台发送传输请求;
测试单元,用于在已连接多设备测试平台响应于传输请求后,通过持续集成系统基于已连接多设备测试平台中的设备端的端口号,向设备端发送相应的自动化测试程序,设备端触发测试命令后,进行自动化测试。
可选地,测试代码生成模块401,还用于当需求管理系统、测试用例管理系统、缺陷管理系统和代码维护系统之中的任意一个系统发生更新时,通过训练好的神经网络模型生成新的自动化测试代码;
测试模块403,还用于通过持续集成系统将新的自动化测试代码发送到设备端进行自动化测试。
可选地,测试代码生成模块401,还包括:
预处理单元,用于对模型训练因子进行清洗和筛选。
图5为本发明提供的基于神经网络模型的自动化测试系统实施例的结构组成示意图。如图5所示,该基于神经网络模型的自动化测试系统,包括:
需求管理系统、测试用例管理系统、缺陷管理系统,训练好的神经网络模型、持续集成系统和多设备测试平台。其中,需求管理系统、测试用例管理系统和缺陷管理系统,用于生成模型训练因子;训练好的神经网络模型,用于基于模型训练因子生成自动化测试代码;持续集成系统,用于基于自动化测试代码生成自动化测试程序;多设备测试平台,用于接收自动化测试程序;训练好的神经网络模型还包括代码维护系统,代码维护系统用于提供代码的接口函数信息。
图6示例了一种电子设备的实体结构示意图,如图6示,该电子设备可以包括:处理器(processor)601、通信接口(CommunicationsInterface) 602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行如下基于神经网络模型的自动化测试方法:
将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;训练好的神经网络模型是基于模型训练因子样本训练得到的;通过持续集成系统接收自动化测试代码,并调用预设的代码编译指令对自动化测试代码进行编译,得到自动化测试程序;通过持续集成系统将自动化测试程序发送到与持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读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,计算机能够执行上述各实施例提供的基于神经网络模型的自动化测试方法:
将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;训练好的神经网络模型是基于模型训练因子样本训练得到的;通过持续集成系统接收自动化测试代码,并调用预设的代码编译指令对自动化测试代码进行编译,得到自动化测试程序;通过持续集成系统将自动化测试程序发送到与持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于神经网络模型的自动化测试方法:
将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;训练好的神经网络模型是基于模型训练因子样本训练得到的;通过持续集成系统接收自动化测试代码,并调用预设的代码编译指令对自动化测试代码进行编译,得到自动化测试程序;通过持续集成系统将自动化测试程序发送到与持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是分开的,作为模块显示的部件可以是或者也可以不是第二模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于神经网络模型的自动化测试方法,其特征在于,包括:
将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;所述训练好的神经网络模型是基于模型训练因子样本训练得到的;
通过持续集成系统接收所述自动化测试代码,并调用预设的代码编译指令对所述自动化测试代码进行编译,得到自动化测试程序;
通过所述持续集成系统将所述自动化测试程序发送到与所述持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试;
其中,所述将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码,包括:
通过所述训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子;
通过所述训练好的神经网络模型中的模型提取器在所述训练好的神经网络模型中的代码维护系统中提取接口函数信息;
通过所述训练好的神经网络模型中的模型训练集对所述模型训练因子和所述接口函数信息进行训练,得到自动化测试的数据集;
通过所述训练好的神经网络模型中的代码生成器基于所述自动化测试的数据集中的训练数据,生成所述自动化测试代码。
2.根据权利要求1所述的基于神经网络模型的自动化测试方法,其特征在于,所述通过所述持续集成系统将所述自动化测试程序发送到与所述持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试,包括:
通过所述持续集成系统调用预设的请求命令对多设备测试平台进行查询,确定所述已连接多设备测试平台;
通过所述持续集成系统向所述已连接多设备测试平台送传输请求;
在所述已连接多设备测试平台响应于所述传输请求后,通过所述持续集成系统基于所述已连接多设备测试平台中的设备端的端口号,向所述设备端发送相应的自动化测试程序,所述设备端触发测试命令后,进行自动化测试。
3.根据权利要求1所述的基于神经网络模型的自动化测试方法,其特征在于,所述通过所述持续集成系统将所述自动化测试程序发送到与所述持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试之后,还包括:
当所述需求管理系统、所述测试用例管理系统、所述缺陷管理系统和所述代码维护系统之中的任意一个系统发生更新时,通过所述训练好的神经网络模型生成新的自动化测试代码;
通过所述持续集成系统将所述新的自动化测试代码发送到所述设备端进行自动化测试。
4.根据权利要求1所述的基于神经网络模型的自动化测试方法,其特征在于,所述通过所述训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子之后,还包括:
对所述模型训练因子进行清洗和筛选。
5.一种基于神经网络模型的自动化测试装置,其特征在于,包括:
测试代码生成模块,用于将需求管理系统、测试用例管理系统和缺陷管理系统汇总为特征值,输入训练好的神经网络模型,得到自动化测试代码;所述训练好的神经网络模型是基于模型训练因子样本训练得到的;
测试程序生成模块,用于通过持续集成系统接收所述自动化测试代码,并调用预设的代码编译指令对所述自动化测试代码进行编译,得到自动化测试程序;
测试模块,用于通过所述持续集成系统将所述自动化测试程序发送到与所述持续集成系统建立连接的已连接多设备测试平台中的设备端进行自动化测试;
其中,所述测试代码生成模块包括:
筛选单元,用于通过所述训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子;
提取单元,用于通过所述训练好的神经网络模型中的模型提取器在所述训练好的神经网络模型中的代码维护系统中提取接口函数信息;
训练单元,用于通过所述训练好的神经网络模型中的模型训练集对所述模型训练因子和所述接口函数信息进行训练,得到自动化测试的数据集;
生成单元,用于通过所述训练好的神经网络模型中的代码生成器基于所述自动化测试的数据集中的训练数据,生成所述自动化测试代码。
6.一种基于神经网络模型的自动化测试系统,其特征在于,包括:
需求管理系统、测试用例管理系统、缺陷管理系统,训练好的神经网络模型、持续集成系统和多设备测试平台;
其中,所述需求管理系统、所述测试用例管理系统和所述缺陷管理系统,用于生成模型训练因子;
所述训练好的神经网络模型,用于基于所述模型训练因子生成自动化测试代码;
所述持续集成系统,用于基于所述自动化测试代码生成所述自动化测试程序;
所述多设备测试平台,用于接收所述自动化测试程序;
其中,所述训练好的神经网络模型,用于基于所述模型训练因子生成自动化测试代码,包括:
通过所述训练好的神经网络模型中的模型分类器在输入的特征值中筛选模型训练因子;
通过所述训练好的神经网络模型中的模型提取器在所述训练好的神经网络模型中的代码维护系统中提取接口函数信息;
通过所述训练好的神经网络模型中的模型训练集对所述模型训练因子和所述接口函数信息进行训练,得到自动化测试的数据集;
通过所述训练好的神经网络模型中的代码生成器基于所述自动化测试的数据集中的训练数据,生成所述自动化测试代码。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~4任一项所述的基于神经网络模型的自动化测试方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~4任一项所述的基于神经网络模型的自动化测试方法的步骤。
CN202210195855.9A 2022-03-02 2022-03-02 基于神经网络模型的自动化测试方法、装置及系统 Active CN114253867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210195855.9A CN114253867B (zh) 2022-03-02 2022-03-02 基于神经网络模型的自动化测试方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210195855.9A CN114253867B (zh) 2022-03-02 2022-03-02 基于神经网络模型的自动化测试方法、装置及系统

Publications (2)

Publication Number Publication Date
CN114253867A CN114253867A (zh) 2022-03-29
CN114253867B true CN114253867B (zh) 2022-06-14

Family

ID=80797305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210195855.9A Active CN114253867B (zh) 2022-03-02 2022-03-02 基于神经网络模型的自动化测试方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114253867B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018010552A1 (zh) * 2016-07-12 2018-01-18 博彦科技股份有限公司 测试方法和装置
CN110221975A (zh) * 2019-05-28 2019-09-10 厦门美柚信息科技有限公司 创建接口用例自动化测试脚本的方法及装置
CN113434395A (zh) * 2021-06-22 2021-09-24 中国平安人寿保险股份有限公司 测试用例的自动化生成方法、装置、设备及介质
CN111782546B (zh) * 2020-07-23 2021-10-01 北京斗米优聘科技发展有限公司 一种基于机器学习的自动接口测试方法及装置
CN111722610B (zh) * 2019-03-20 2021-10-22 北京新能源汽车股份有限公司 一种测试用例生成方法及装置
CN113672506A (zh) * 2021-08-06 2021-11-19 中国科学院软件研究所 基于机器学习的动态比例测试用例排序选择方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608012A (zh) * 2016-03-10 2016-05-25 武汉斗鱼网络科技有限公司 一种自动化测试方法及系统
US11119895B2 (en) * 2019-08-19 2021-09-14 International Business Machines Corporation Risk-focused testing
US10949337B1 (en) * 2019-10-29 2021-03-16 Accenture Global Solutions Limited Utilizing neural network and artificial intelligence models to select and execute test cases in a software development platform

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018010552A1 (zh) * 2016-07-12 2018-01-18 博彦科技股份有限公司 测试方法和装置
CN111722610B (zh) * 2019-03-20 2021-10-22 北京新能源汽车股份有限公司 一种测试用例生成方法及装置
CN110221975A (zh) * 2019-05-28 2019-09-10 厦门美柚信息科技有限公司 创建接口用例自动化测试脚本的方法及装置
CN111782546B (zh) * 2020-07-23 2021-10-01 北京斗米优聘科技发展有限公司 一种基于机器学习的自动接口测试方法及装置
CN113434395A (zh) * 2021-06-22 2021-09-24 中国平安人寿保险股份有限公司 测试用例的自动化生成方法、装置、设备及介质
CN113672506A (zh) * 2021-08-06 2021-11-19 中国科学院软件研究所 基于机器学习的动态比例测试用例排序选择方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Neural Network Based Test Case Generation for Data-Flow Oriented Testing";Ji Shunhui 等;《2019 IEEE International Conference On Artificial Intelligence Testing》;20190520;35-36 *
"基于CNN的自动化测试实践";ReLuQ;《https://zhuanlan.zhihu.com/p/58818352》;20190310;1-6 *
"基于强化学习的游戏自动化测试技术";朱以汀;《现代计算机(专业版)》;20171205;29-31 *

Also Published As

Publication number Publication date
CN114253867A (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN106294120B (zh) 测试代码的方法、设备和计算机程序产品
CN109062780B (zh) 自动化测试用例的开发方法及终端设备
CN107436844B (zh) 一种接口用例合集的生成方法及装置
CN117421217B (zh) 一种软件功能自动测试方法、系统、终端及介质
CN109254912A (zh) 一种自动化测试的方法及装置
CN107608873B (zh) 软件测试方法和系统及测试平台
US20230185702A1 (en) Method and Apparatus for Generating and Applying Deep Learning Model based on Deep Learning Framework
CN117632710A (zh) 测试代码的生成方法、装置、设备及存储介质
CN117493188A (zh) 接口测试方法及装置、电子设备及存储介质
CN112084108A (zh) 一种测试脚本生成方法、装置及相关组件
CN114253867B (zh) 基于神经网络模型的自动化测试方法、装置及系统
CN116841898A (zh) 一种测试用例和测试脚本生成方法、装置、系统和介质
CN116431522A (zh) 一种低代码对象存储网关自动化测试方法及系统
CN110716859A (zh) 自动为修改的代码推送测试用例的方法及相关装置
CN115658478A (zh) 测试用例的筛选方法、装置、电子设备及存储介质
CN113986263A (zh) 代码自动化测试方法、装置、电子设备、存储介质
CN110795338B (zh) 一种基于前后端交互的自动化测试方法、装置及电子设备
CN114116470A (zh) 一种自动化的静态模型检查方法及装置
CN113240088A (zh) 文本意图识别模型的训练方法
CN112948195A (zh) 接口测试的方法、装置、电子设备和存储介质
CN112346994A (zh) 一种测试信息关联方法、装置、计算机设备及存储介质
CN118093381B (zh) 一种基于人工智能的软件测试方法及系统
CN114647589A (zh) 应用软件测试方法、系统、装置、设备和可读存储介质
CN115409193B (zh) 量子程序的生成方法、装置、介质及量子计算机操作系统
CN118779245A (zh) 基于外设模拟系统的自动化功能测试方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant