CN115098368A - 一种识别脑图用例的智能验证方法和装置 - Google Patents
一种识别脑图用例的智能验证方法和装置 Download PDFInfo
- Publication number
- CN115098368A CN115098368A CN202210718544.6A CN202210718544A CN115098368A CN 115098368 A CN115098368 A CN 115098368A CN 202210718544 A CN202210718544 A CN 202210718544A CN 115098368 A CN115098368 A CN 115098368A
- Authority
- CN
- China
- Prior art keywords
- node
- brain
- nodes
- intelligent
- graph
- 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
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
- G06F11/3692—Test management for test results analysis
-
- 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
- G06F11/3696—Methods or tools to render software testable
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)
- User Interface Of Digital Computer (AREA)
Abstract
本申请提供一种识别脑图用例的智能验证方法和装置。本申请的方法,基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解;基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;采用AI智能节点数据采集识别每个节点下的用例详情;基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表;基于计算后的模型列表智能模拟组装报文验证各个测试用例;通过采用智能的方式识别脑图实现智能的用例验证处理,旨在提高工作效率和降低测试成本,加快测试进度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种识别脑图用例的智能验证方法和装置。
背景技术
目前测试人员编写用例时都喜欢用脑图来画制,但仅是作为记录而已,实际操作还是按照脑图一条条的手工测试,亟待开发一种智能的方式能识别脑图来做智能的验证处理,以便提供工作效率,降低测试成本。
发明内容
本申请提供一种识别脑图用例的智能验证方法和装置,采用智能的方式识别脑图实现智能的用例验证处理,旨在提高工作效率和降低测试成本,加快测试进度。
第一方面,本申请提供一种识别脑图用例的智能验证方法包括:基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解;基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;采用AI智能节点数据采集识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式;基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表;基于计算后的模型列表智能模拟组装报文验证各个测试用例。
可选的,所述基于计算后的模型列表智能模拟组装报文验证各个测试用例包括:基于计算后的模型列表智能模拟组装报文验证各个测试用例,包括基于选定的节点的顺序执行测试用例,其中,同一根节点下的测试用例的执行顺序为深度优先遍历。
可选的,所述基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点,具体包括:基于曲线识别算法定位区域脑图的中心节点,并将所述中心节点作为树状图的根节点,获取与第一测试用例关联的其他测试用例以及关联关系;依据该关联关系以及该其他测试用例生成至少一种树状图,将该至少一种树状图展示;根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;基于各所述树状图中根节点之间的从属关系,生成所述树状图对应的加载目录,所述加载目录用于基于用户触发信息显示目标条目对应的目标树状图。
可选的,所述采用AI智能节点数据采集识别每个节点下的用例详情包括采用AI智能节点数据采集识别,从至少一种树状图中选取任意节点N1,作为第一测试用例对应的根节点;从用例库目录表、测试用例表、用例目录映射表以及其他信息表中获取并计算以N1为根的其他测试用例;依据该关联关系生成至少一种树状图,包括:将其他测试用例作为根节点的子节点或孙节点,生成至少一种树状图;基于各树状图中根节点之间的从属关系,识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式。
可选的,所述基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解,之前还包括:当预设数据格式的脑图文件被所述代码编辑器运行时,获取所述脑图文件的源数据;根据所述源数据,分析与所述源数据对应的脑图的节点信息;根据所述节点信息,在新建页面中绘制与所述源数据对应的脑图。
可选的,所述根据所述节点信息,在新建页面中绘制与所述源数据对应的脑图包括:执行预设SVG语句,以根据所述节点信息生成SVG文件;将所述SVG文件发送给浏览器,以供所述浏览器在所述新建页面中按照所述SVG文件渲染出与所述源数据对应的脑图。
第二方面,本申请提供一种识别脑图用例的智能验证装置包括:处理模块、定位模块、识别模块、运算模块、验证模块。处理模块,用于基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解。定位模块,用于基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点。识别模块,用于采用AI智能节点数据采集识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式。运算模块,用于基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表。验证模块,用于基于计算后的模型列表智能模拟组装报文验证各个测试用例。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器。所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现上述第一方面所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述第一方面所述的方法。
本申请提供的一种识别脑图用例的智能验证方法和装置,基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解;基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;采用AI智能节点数据采集识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式;基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表;基于计算后的模型列表智能模拟组装报文验证各个测试用例;通过采用智能的方式识别脑图实现智能的用例验证处理,旨在提高工作效率和降低测试成本,加快测试进度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一示例性实施例提供的一种人脸识别结合大数据分析的网点预约排队优化方法的流程示意图;
图2为本申请另一示例性实施例提供一种人脸识别结合大数据分析的网点预约排队优化装置的示意图;
图3为本申请一示例实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请一示例性实施例提供的一种识别脑图用例的智能验证方法流程图。如图1所示,该识别脑图用例的智能验证方法具体步骤如下:
步骤S101:基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解。
在步骤101之前,本申请实施例的一种识别脑图用例的智能验证方法还包括:
(1)当预设数据格式的脑图文件被所述代码编辑器运行时,获取所述脑图文件的源数据。
以VS Code代码编辑器为例,VS Code可以用来进行文本文件的编辑、删除、添加等功能;VS Code还提供了目录结构,可以使用VS Code打开多个文件夹或者多个文件;并且,VS Code还支持加载不同的外部插件来增强其功能。因此,使用VS Code代码编辑器不仅能够方便地访问和运行文件,还支持加载外部插件来实现对VS Code代码编辑器运行的文件进行各种处理。
在一个实施例中,可以利用VS Code代码编辑器的侧边栏提供的目录界面访问脑图文件的存储目录,并直接从该存储目录中运行预设数据格式的脑图文件。脑图文件的数据格式包括km格式(百度脑图KityMinder可识别和编辑的文件格式)和xmind格式(Xmind可识别和编辑的文件格式)。
脑图是一种可以表达事物与事物之间关联的可视化手段,用脑图来展现测试功能层次之间的关系非常合适,随着测试工程化的概念的提出,测试工程师愈发需要一款既可以编辑脑图又可以方便项目管理的测试用例编辑工具。在现有技术中提供了多种脑图编辑工具,例如xmind或者百度脑图等。测试工程师在Git或者JIRA上进行测试工作时,如果要使用脑图来编写测试用例,则需要另外打开xmind或者百度脑图,然后再在xmind或者百度脑图中新建或者打开脑图文件。
(2)根据所述源数据,分析与所述源数据对应的脑图的节点信息。
在得到源数据之后,根据源数据的结构,可以分析得出源数据对应的脑图的节点信息。如上述的km的树形结构所示的源数据结构,遍历该树形结构,可以得到脑图中所有节点的内容和节点之间的层级关系。
(3)根据所述节点信息,在新建页面中绘制与所述源数据对应的脑图。
在本实施例中,采用SVG绘制脑图。在源数据的数据类型为字符串类型的情况下,可以通过上述的预设JSON语句将源数据转换为对象类型,以方便SVG对脑图文件描述的各个节点的属性或者对象的访问。
在其中一个实施例中,在代码编辑器或者代码编辑器加载的插件通过执行预设SVG语句,以根据节点信息生成SVG文件;然后将SVG文件发送给浏览器,以供浏览器按照SVG文件渲染出与源数据对应的脑图。由于在节点信息中描述了脑图中所有节点的内容和节点之间的层级关系,因此,在根据源数据获取到节点内容和节点之间的层级关系后,通过SVG技术就可以将这些节点一个一个地绘制在页面中。
SVG提供了各种画图的方法,比如提供了可以画线条的方法,画圆形的方法,画矩形、文本、边框等各种方法。脑图文件中的数据都是有类型的,比如这个节点是文本节点,那么SVG可以先画出一个矩形,然后再把文本注入到这个矩形中;如果这个节点是一个超链接节点,SVG可以先画出一个矩形,然后再把超链接注入到这个矩形中。最后生成的SVG文件被挂载到HTML,HTML就可以将SVG文件渲染在浏览器中,用户就能在代码编辑器提供的浏览器页面中看到对应的脑图。
采用代码编辑器加载的插件,将测试工程师常用的脑图编辑功能进行整合,在编写测试用例时,不需要切换多个工具而可以直接在代码编辑器中生成和编辑脑图。代码编辑器提供的工作目录管理功能还能使得测试工程目录规范化,测试过程中的输入和输出文件都可以设置指定的位置,便于测试项目的维护和协作。
步骤S102:基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点。
具体的,基于曲线识别算法定位区域脑图的中心节点,并将所述中心节点作为树状图的根节点,获取与第一测试用例关联的其他测试用例以及关联关系;依据该关联关系以及该其他测试用例生成至少一种树状图,将该至少一种树状图展示;根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;基于各所述树状图中根节点之间的从属关系,生成所述树状图对应的加载目录,所述加载目录用于基于用户触发信息显示目标条目对应的目标树状图;进而在目标对象选择任意一个测试用例时,均能够自动生成以第一测试用例为根节点的树状图,并且展示该树状图,进而通过展示确定例库之间的关系,完成了任意粒度的脑图展示,提高用户的体验度,并且通过树状图的展示能够提升效率,并对大容量的测试用例进行统一管理。
步骤S103:采用AI智能节点数据采集识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式。
具体的,采用AI智能节点数据采集识别,从至少一种树状图中选取任意节点N1,作为第一测试用例对应的根节点;从用例库目录表、测试用例表、用例目录映射表以及其他信息表中获取并计算以N1为根的其他测试用例;依据该关联关系生成至少一种树状图,包括:将其他测试用例作为根节点的子节点或孙节点,生成至少一种树状图;基于各树状图中根节点之间的从属关系,识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式。
示例的,测试例库具体可以包括:测试用例库目录表、测试用例表、测试用例和测试用例目录关联表、其他信息表。其中,测试用例库目录表,即加载目录,可以是使用树形结构表示整个用例库目录的结构;测试用例表中包括了每条记录保存了一个测试用例的一些基本字段,例如,标题、前置任务、测试步骤、预期结果等;测试用例和测试用例目录关联表,表示在哪些测试用例库节点上有对应的测试用例;其他信息表,记录测试用例库的其他信息(例如功能、格式标识、设备标识等等)。
基于各树状图中根节点之间的从属关系,来生成这些树状图对应的加载目录,即测试用例库目录表。本实施例中的从属关系可以包括各个测试项目下的测试内容,也可以包括各个测试类型下的分类型等等从属关系。本实施例中的加载目录起到了对树状图进行检索和归纳的作用,并能使得用户可以通过加载目录直观的得到各个条目对应的根节点,以及这些根节点对应的树状图。
在基于加载目录查找或者展示树状图时,用户从加载目录中点击对应的目标条目,从而获取到目标条目的信息。之后基于目标条目的信息与数据库中的树状图的根节点信息进行匹配,确定目标条目对应的目标根节点信息,以在最后显示目标根节点信息对应的目标树状图。提高了目标树状图的查找效率和展示效率。
具体的,在基于目标条目的信息,与数据库中的树状图的根节点信息进行匹配时。基于设定的量化规则,对目标条目的信息进行量化得到第一量化参数;基于设定的量化规则,对数据库中的树状图的根节点信息进行量化,得到第二量化参数。本实施例中的量化规则为基于各个条目、测试用例名称、树状图节点名称,确定其对应的字符编码,用于通过字符编码来统一作为各个条目、测试用例、树状图节点的标识。除此之外,这些字符编码中的字符数量一定,由字母和/或数字构成。
步骤S104:基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表。
具体的,基于曲线识别算法定位区域脑图的中心节点,并将所述中心节点作为树状图的根节点,获取与第一测试用例关联的其他测试用例以及关联关系;依据该关联关系以及该其他测试用例生成至少一种树状图,将该至少一种树状图展示;根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;基于各所述树状图中根节点之间的从属关系,生成所述树状图对应的加载目录,所述加载目录用于基于用户触发信息显示目标条目对应的目标树状图。
步骤S105:基于计算后的模型列表智能模拟组装报文验证各个测试用例。
其中,基于计算后的模型列表智能模拟组装报文验证各个测试用例,包括基于选定的节点的顺序执行测试用例,其中,同一根节点下的测试用例的执行顺序为深度优先遍历。
具体的,若验证指令针对用例中的指定函数,则执行对应于所述指定函数的测试,其中,所述指定函数是所述用例的各函数之一;若验证指令针对指定用例,则执行对应于所述指定用例的测试,其中,所述指定用例是所述用例管理脑图对应的各用例之一;若验证指令针对用例集合,则按照预设次序,依次执行对应于所述用例集合中的各用例的测试,其中,所述用例集合中包含所述用例管理脑图对应的各用例中的至少两个。
在本申请的一个可选的实施例中,若验证操作为分类树正交测试,则基于选定的节点创建测试条件列表;接收测试条件选择操作,基于选定的测试条件批量生成测试用例进行测试。
本申请提供的一种识别脑图用例的智能验证方法和装置,基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解;基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;采用AI智能节点数据采集识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式;基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表;基于计算后的模型列表智能模拟组装报文验证各个测试用例;通过采用智能的方式识别脑图实现智能的用例验证处理,使得测试用例的验证不再依赖于大量人工操作,而只需在与对应的测试用例路径曲线的可遍历节点中遍历测试用例信息即可,从而节省人力资源,且极大地提升了测试用例的验证效率,提高了测试验证工作效率和降低测试成本,加快测试进度。
图2为本申请一示例性实施例提供的一种识别脑图用例的智能验证装置的结构示意图。本申请实施例提供的一种识别脑图用例的智能验证装置可以执行一种识别脑图用例的智能验证方法实施例提供的处理流程。如图2所示,本申请提供的一种识别脑图用例的智能验证装置20包括处理模块201、定位模块202、识别模块203、运算模块204、验证模块205。
处理模块201,用于基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解。
定位模块202,用于基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点。
识别模块203,用于采用AI智能节点数据采集识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式。
运算模块204,用于基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表。
验证模块205,用于基于计算后的模型列表智能模拟组装报文验证各个测试用例。
本申请实施例提供的装置可以具体用于执行上述图1对应方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
图3为本申请一示例实施例提供的电子设备的结构示意图。如图3所示,该电子设备30包括:处理器301,以及与处理器301通信连接的存储器302,存储器302存储计算机执行指令。
其中,处理器执行存储器存储的计算机执行指令,以实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。该电子设备可以为上述提及的服务器。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
本申请实施例还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种识别脑图用例的智能验证方法,其特征在于,所述智能验证方法包括:
基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解;
基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;
采用AI智能节点数据采集识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式;
基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表;
基于计算后的模型列表智能模拟组装报文验证各个测试用例。
2.根据权利要求1所述的识别脑图用例的智能验证方法,其特征在于,其特征在于,所述基于计算后的模型列表智能模拟组装报文验证各个测试用例包括:
基于计算后的模型列表智能模拟组装报文验证各个测试用例,包括基于选定的节点的顺序执行测试用例,其中,同一根节点下的测试用例的执行顺序为深度优先遍历。
3.根据权利要求1所述的识别脑图用例的智能验证方法,其特征在于,其特征在于,所述基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点,具体包括:
基于曲线识别算法定位区域脑图的中心节点,并将所述中心节点作为树状图的根节点,获取与第一测试用例关联的其他测试用例以及关联关系;
依据该关联关系以及该其他测试用例生成至少一种树状图,将该至少一种树状图展示;
根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;
基于各所述树状图中根节点之间的从属关系,生成所述树状图对应的加载目录,所述加载目录用于基于用户触发信息显示目标条目对应的目标树状图。
4.根据权利要求1所述的识别脑图用例的智能验证方法,其特征在于,其特征在于,所述采用AI智能节点数据采集识别每个节点下的用例详情包括:
采用AI智能节点数据采集识别,从至少一种树状图中选取任意节点N1,作为第一测试用例对应的根节点;从用例库目录表、测试用例表、用例目录映射表以及其他信息表中获取并计算以N1为根的其他测试用例;依据该关联关系生成至少一种树状图,包括:将其他测试用例作为根节点的子节点或孙节点,生成至少一种树状图;
基于各树状图中根节点之间的从属关系,识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式。
5.根据权利要求1所述的识别脑图用例的智能验证方法,其特征在于,其特征在于,所述基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解,之前还包括:
当预设数据格式的脑图文件被所述代码编辑器运行时,获取所述脑图文件的源数据;
根据所述源数据,分析与所述源数据对应的脑图的节点信息;
根据所述节点信息,在新建页面中绘制与所述源数据对应的脑图。
6.根据权利要求5所述的识别脑图用例的智能验证方法,其特征在于,其特征在于,所述根据所述节点信息,在新建页面中绘制与所述源数据对应的脑图包括:
执行预设SVG语句,以根据所述节点信息生成SVG文件;
将所述SVG文件发送给浏览器,以供所述浏览器在所述新建页面中按照所述SVG文件渲染出与所述源数据对应的脑图。
7.一种识别脑图用例的智能验证装置,其特征在于,所述识别脑图用例的智能验证装置包括:
处理模块,用于基于AI图像化识别技术,采集整张脑图的图像区域,进行全遍历后按照脑图进行区域化分解;
定位模块,用于基于曲线识别算法,定位区域脑图的中心节点,根据中心节点扫描识别节点对应的路径曲线走向,直至遍历完全部的子分支节点;
识别模块,用于采用AI智能节点数据采集识别每个节点下的用例详情,其中,用例详情包括接口名、参数、调用路径、调用方式;
运算模块,用于基于运动轨迹进行模型运算,将调用路径必经过的用例节点连接成无间断的全场景节点,直至对应的子节点间断后判定流程终止,然后输出计算后模型列表;
验证模块,用于基于计算后的模型列表智能模拟组装报文验证各个测试用例。
8.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210718544.6A CN115098368A (zh) | 2022-06-23 | 2022-06-23 | 一种识别脑图用例的智能验证方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210718544.6A CN115098368A (zh) | 2022-06-23 | 2022-06-23 | 一种识别脑图用例的智能验证方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115098368A true CN115098368A (zh) | 2022-09-23 |
Family
ID=83292061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210718544.6A Pending CN115098368A (zh) | 2022-06-23 | 2022-06-23 | 一种识别脑图用例的智能验证方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115098368A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070470A (zh) * | 2023-04-06 | 2023-05-05 | 山东捷瑞数字科技股份有限公司 | 基于三维引擎编辑器的管路连接验证方法、装置和设备 |
-
2022
- 2022-06-23 CN CN202210718544.6A patent/CN115098368A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070470A (zh) * | 2023-04-06 | 2023-05-05 | 山东捷瑞数字科技股份有限公司 | 基于三维引擎编辑器的管路连接验证方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908541B (zh) | 接口测试方法、装置、计算机设备及存储介质 | |
CN108399130A (zh) | 自动生成测试案例的方法、装置、设备及可读存储介质 | |
CN111125068A (zh) | 一种元数据治理方法和系统 | |
CN111026670B (zh) | 测试用例的生成方法、测试用例的生成装置及存储介质 | |
CN111158656B (zh) | 基于因果树法的测试代码生成方法及装置 | |
CN110297760A (zh) | 测试数据的构造方法、装置、设备及计算机可读存储介质 | |
CN113448845A (zh) | 一种ui自动化测试方法及系统 | |
CN114020246A (zh) | 导航卡尺h5页面编排方法、装置、设备及介质 | |
CN112631704A (zh) | 一种界面元素识别方法、装置、存储介质及电子设备 | |
CN115098368A (zh) | 一种识别脑图用例的智能验证方法和装置 | |
CN108710571A (zh) | 一种生成自动化测试代码的方法和装置 | |
CN114297961A (zh) | 一种芯片测试用例处理方法及相关装置 | |
CN109902013B (zh) | 一种基于组态化测试序列的有效载荷测试方法及系统 | |
CN115221047A (zh) | 测试用例自动生成方法及电子设备 | |
CN113672509A (zh) | 自动化测试方法、装置、测试平台及存储介质 | |
CN114186554A (zh) | 脚本数据处理方法、装置、计算机设备及存储介质 | |
CN111008140B (zh) | 一种跨平台的ui自动化测试方法及装置 | |
Johannsen et al. | Supporting knowledge elicitation and analysis for business process improvement through a modeling tool | |
CN113778541A (zh) | 一种小程序生成方法、装置、电子设备和存储介质 | |
CN111538661A (zh) | 一种基于appium进行可视化脚本录制编排执行的方法 | |
CN113010400B (zh) | 计算机工程技术文档智能生成、复盘系统和方法 | |
CN117290355B (zh) | 一种元数据地图构建系统 | |
JPH0830448A (ja) | プログラム仕様整合検査装置 | |
CN118170686A (zh) | 一种ui自动化测试脚本的生成方法、设备及介质 | |
CN115543836A (zh) | 脚本质量检测方法以及相关设备 |
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 |