CN115237802A - 基于人工智能的模拟测试方法及相关设备 - Google Patents

Abstract

本申请提出一种基于人工智能的模拟测试方法、装置、电子设备及存储介质，基于人工智能的模拟测试方法包括：采集历史测试需求和历史测试数据，对历史测试需求进行编码获得编码数据；对历史测试需求进行分类获得每个历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集；训练多个测试数据生成模型；查询待评估编码数据和通信协议；对待评估测试需求分类获得所述待评估测试需求对应的类别并从测试数据生成模型中选取目标模型；多次将所述待评估编码数据输入目标模型获得多个批次的测试数据以进行多次模拟测试。该方法可以针对不同的测试需求自动化生成多个批次的测试数据，从而能够提升数据测试的准确性。

Description

基于人工智能的模拟测试方法及相关设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的模拟测试方法、装置、电子设备及存储介质。

背景技术

随着信息科技的发展，越来越多的企业对于跨系统的程序性能测试的需求也不断提升。在一些跨系统的性能测试项目中，由于诸如测试硬件资源有限、多系统之间协调难度较大等客观因素的限制，而无法搭建一个完整的测试环境来完成测试工作。因此，通常采用软件程序来模拟其他系统的功能进而完成测试，这种测试方法通常被称为挡板测试，又被称为模拟测试。

目前，通常根据测试需求人为配置模拟测试程序，然而，这种方式在测试程序被配置完成之后需要耗费大量人力进行维护，且由于人为配置程序的差异而无法保障测试数据的质量，进而无法保障测试结果的准确度。

发明内容

鉴于以上内容，有必要提供一种基于人工智能的模拟测试方法及相关设备，以解决如何提高模拟测试的准确度这一技术问题，其中，相关设备包括基于人工智能的模拟测试装置、电子设备及存储介质。

本申请实施例提供一种基于人工智能的模拟测试方法，所述方法包括：

从历史测试记录中采集历史测试需求和历史测试数据，并对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据；

对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，所述类别与所述训练数据集一一对应；

分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型；

查询待评估测试需求对应的待评估编码数据和通信协议；

对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型；

多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试。

在一些实施例中，所述对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据，包括：

对所述历史测试需求进行分词处理获得多个词汇；

依据预设的文本编码算法对每个所述词汇进行编码获得每个所述词汇对应的编码向量，并将所述编码向量与所述词汇一一对应以作为词汇语料库；

将每个所述历史测试需求对应的所有词汇的编码向量作为所述历史测试需求对应的编码数据。

在一些实施例中，所述对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，包括：

将所述编码数据输入预设的需求分类模型获得每个所述历史测试需求对应的类别，所述类别至少包括“征信”、“交易”、“信息查询”；

将所述历史测试需求对应的历史测试数据作为标签数据；

将所述历史测试需求对应的编码数据作为样本数据，将所述样本数据与所述标签数据一一对应作为训练数据；

将类别相同的所述历史测试需求对应的训练数据归属于同一个训练数据集，以获得多个训练数据集，所述训练数据集与所述类别一一对应。

在一些实施例中，所述分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型，包括：

构建初始生成模型，所述初始生成模型包括编码器和生成器；

针对每个所述训练数据集，若所述训练数据集对应的类别不为“征信”，则利用所述训练数据集训练所述初始生成模型，依据预设的损失函数计算所述初始生成模型的损失值，并不断更新所述初始生成模型中的参数，直到所述损失值不再变化，获得类别不为“征信”的所述训练数据集对应的第一测试数据生成模型；

若所述训练数据集对应的类别为“征信”，则将所述训练数据集中的样本数据作为键，并将标签数据作为值以构建键值对，将所有所述键值对作为第二测试数据生成模型，并将所有第一测试数据生成模型与所述第二测试数据生成模型统一作为测试数据生成模型。

在一些实施例中，所述查询待评估测试需求对应的待评估编码数据和通信协议，包括：

对所述待评估测试需求进行分词处理获得多个待评估词汇；

从所述词汇语料库中查询每个所述待评估词汇对应的编码数据以作为待评估编码数据；

查询所述待评估测试需求对应的通信协议，所述通信协议用以表征所述待评估测试需求接收测试数据的协议。

在一些实施例中，所述对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型，包括：

将所述待评估编码数据输入所述预设的需求分类模型获得所述待评估需求对应的类别；

依次遍历所述测试数据生成模型，对比所述测试数据生成模型的类别与所述待评估测试需求的类别，若所述测试数据生成模型的类别与所述待评估测试需求的类别相同，则将所述测试数据生成模型作为目标模型；

若所述测试数据生成模型的类别与所述待评估测试需求的类别不同，则持续遍历，直到获得所述目标模型则停止遍历。

在一些实施例中，所述测试数据生成模型被存储于预设的服务器中，所述多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试，包括：

a，不断查询所述预设服务器的资源占用率；

b，当所述资源占用率小于预设的占用率阈值时，将所述待评估编码数据输入所述目标模型以获得测试数据，当所述资源占用率不小于所述预设的占用率阈值时，停止执行所述目标模型；

c，重复执行步骤a与步骤b以获得多个批次的测试数据，依据所述通信协议将所述测试数据传输至预设的数据接收方以进行多次模拟测试，直到重复次数不小于预设的重复阈值则停止重复。

本申请实施例还提供一种基于人工智能的模拟测试装置，所述装置包括：

编码单元，用于从历史测试记录中采集历史测试需求和历史测试数据，并对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据；

分类单元，用于对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，所述类别与所述训练数据集一一对应；

训练单元，用于分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型；

查询单元，用于查询待评估测试需求对应的待评估编码数据和通信协议；

选取单元，用于对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型；

测试单元，用于多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试。

本申请实施例还提供一种电子设备，所述电子设备包括：

存储器，存储计算机可读指令；及

处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的模拟测试方法。

本申请实施例还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可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的模拟测试方法。

上述基于人工智能的模拟测试方法通过对大量历史测试需求进行编码获得大量编码数据，通过对编码数据进行分类获得每个历史测试需求的类别，并依据历史测试需求的类别将编码数据和历史测试数据划分为多个训练数据集，利用每个训练数据集训练具有针对性的测试数据生成模型，能够为待评估测试任务提供模型指引，从而能够提升数据测试的准确性。

附图说明

图1是本申请所涉及的一种基于人工智能的模拟测试方法的较佳实施例的流程图。

图2是本申请所涉及的基于人工智能的模拟测试装置的较佳实施例的功能模块图。

图3是本申请所涉及的基于人工智能的模拟测试方法的较佳实施例的电子设备的结构示意图。

图4是本申请实施例所涉及的初始生成模型的结构示意图。

具体实施方式

为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本申请实施例提供一种基于人工智能的模拟测试方法，可应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。

所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。

所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。

如图1所示，是本申请基于人工智能的模拟测试方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

S10，从历史测试记录中采集历史测试需求和历史测试数据，并对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据。

在一个可选的实施例中，所述对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据，包括：

对所述历史测试需求进行分词处理获得多个词汇；

依据预设的文本编码算法对每个所述词汇进行编码获得每个所述词汇对应的编码向量，并将所述编码向量与所述词汇一一对应以作为词汇语料库；

将每个所述历史测试需求对应的所有词汇的编码向量作为所述历史测试需求对应的编码数据。

该可选的实施例中，所述历史测试需求与所述历史测试数据一一对应，示例性的，当所述历史测试需求为“抓取用户征信数据”时，则所述历史测试数据为用户征信数据；当所述历史测试需求为“测试电商平台的付款接口”时，所述测试数据为付款数据。

该可选的实施例中，所述预设的文本编码算法可以是GloVe算法(Globe Vector，全局向量算法)、Skip-Gram算法、CBOW算法(Continuous Bag Of Words，连续词袋模型)算法等现有的文本编码算法，本申请对此不做限定。

该可选的实施例中，可依据所述历史测试需求中所有词汇的排列顺序组合每个所述词汇对应的编码向量，以作为所述历史测试需求对应的编码数据。

如此，通过对大量历史测试需求进行分词和编码获得大量编码数据，为后续构建训练数据集提供了数据支撑。

S11，对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，所述类别与所述训练数据集一一对应。

在一个可选的实施例中，所述对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，包括：

将所述编码数据输入预设的需求分类模型获得每个所述历史测试需求对应的类别，所述类别至少包括“征信”、“交易”、“信息查询”；

将所述历史测试需求对应的历史测试数据作为标签数据；

将所述历史测试需求对应的编码数据作为样本数据，将所述样本数据与所述标签数据一一对应作为训练数据；

将类别相同的所述历史测试需求对应的训练数据归属于同一个训练数据集，以获得多个训练数据集，所述训练数据集与所述类别一一对应。

该可选的实施例中，所述预设的需求分类模型可以是XGBoost模型(ExtremeGradient Boost，极端梯度增强模型)、LightGBM模型(Light Gradient Boost Machine，轻量梯度提升机)、GBDT(Gradient Boost Decision Tree，梯度提升决策树)、随机森林模型等现有的分类模型，本申请对此不做限定。

所述类别至少包括“征信”、“交易”、“信息查询”，当所述历史测试需求的类别为“征信”时，所述历史测试需求需要接收“征信数据”以测试系统；当所述历史测试需求的类别为“交易”时，所述历史测试需求需要接收“交易数据”以测试系统；当所述历史测试需求的类别为“信息查询”时，所述历史测试需求需要接收“用户信息”以测试系统。

如此，通过将历史测试数据与编码数据一一对应构建多组训练数据，并依据历史需求的类别将训练数据划分为多个训练数据集，确保后续能够利用每个类别对应的训练数据集训练出独特的测试数据生成模型，从而能够提升测试数据与测试需求的契合度。

S12，分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型。

在一个可选的实施例中，所述分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型，包括：

构建初始生成模型，所述初始生成模型包括编码器和生成器；

针对每个所述训练数据集，若所述训练数据集对应的类别不为“征信”，则利用所述训练数据集训练所述初始生成模型，依据预设的损失函数计算所述初始生成模型的损失值，并不断更新所述初始生成模型中的参数，直到所述损失值不再变化，获得类别不为“征信”的所述训练数据集对应的第一测试数据生成模型；

若所述训练数据集对应的类别为“征信”，则将所述训练数据集中的样本数据作为键，并将标签数据作为值以构建键值对，将所有所述键值对作为第二测试数据生成模型，并将所有第一测试数据生成模型与所述第二测试数据生成模型统一作为测试数据生成模型。

该可选的实施例中，所述初始生成模型包括编码器和生成器，所述编码器和所述生成器均可以是LSTM模型(Long Short Term Memory，长短期记忆模型)、RNN模型(Recurrent Neural Network，循环神经网络模型)、GRU模型(Gate Recurrent Unit，门控循环单元)等现有的神经网络结构，本申请对此不做限定。所述编码器和所述生成器均包含多个神经元，且所述编码器与所述生成器均由所述多个神经元串联而成。以所述RNN模型为例，如图4所示为所述初始生成模型的结构示意图。

该可选的实施例中，以任意一个类别不为“征信”的所述训练数据集为例，所述编码器的输入为所述训练数据集中的样本数据，所述编码器的输出为所述样本数据对应的特征向量；所述生成器的输入为所述特征向量，所述生成器的输出为所述样本数据对应的虚拟测试数据。

该可选的实施例中，可将所述虚拟测试数据和所述样本数据对应的标签数据输入预设的损失函数以计算所述初始生成模型的损失值，所述预设的损失函数可以是均方根误差函数、最小二乘函数、欧式距离函数等现有的损失函数，本申请对此不做限定。

该可选的实施例中，可依据梯度下降法不断更新所述初始生成模型的参数，直到所述初始生成模型的损失值不再变化，则停止更新所述初始生成模型的参数，并获得与所述训练数据集对应的第一测试数据生成模型。

该可选的实施例中，若所述训练数据集对应的类别为“征信”，则表明该训练数据集对应的测试需求需要的测试数据为预先整理好的征信报告，则可将所述训练数据集中的样本数据作为键，并将所述训练数据集中的标签数据作为值以构建键值对，将所述键值对作为第二测试数据生成模型。

如此，分别利用每个类别对应的训练数据集对初始生成模型进行训练，获得每个训练数据集对应的测试数据生成模型，能够获得符合每个类别的历史测试需求的测试数据生成模型，进而能够提升后续测试数据生成的准确性。

S13，查询待评估测试需求对应的待评估编码数据和通信协议。

在一个可选的实施例中，所述查询待评估测试需求对应的待评估编码数据和通信协议，包括：

对所述待评估测试需求进行分词处理获得多个待评估词汇；

从所述词汇语料库中查询每个所述待评估词汇对应的编码数据以作为待评估编码数据；

查询所述待评估测试需求对应的通信协议，所述通信协议用以表征所述待评估测试需求接收测试数据的协议。

该可选的实施例中，可依据所述预设的分词工具对所述待评估测试需求进行分词以获得多个待评估词汇，并从所述词汇语料库中查询每个所述待评估词汇对应的编码向量，依据所述待评估词汇在所述待评估测试需求中的排列顺序组合所述待评估词汇对应的编码向量，以作为待评估编码数据。

该可选的实施例中，所述通信协议指所述待评估需求中预先设定好的数据传输规则，所述通信协议可以是TCP/IP(Transmission Control Protocol/Internet Protocol，通讯控制传输协议/网际协议)、SPP协议(Sequenced Packet Protocol，顺序包协议)、NetBEUI(NetBios Enhanced User Interface，增强用户接口)等现有的通信协议，本申请对此不做限定。

如此，通过对待评估测试需求进行分类以确定所述待评估测试需求对应的测试数据生成模型，能够待评估测试数据对应的挡板测试模型获得所述测试数据对应的挡板测试模式。

S14，对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型。

在一个可选的实施例中，所述对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型，包括：

将所述待评估编码数据输入所述预设的需求分类模型获得所述待评估需求对应的类别；

依次遍历所述测试数据生成模型，对比所述测试数据生成模型的类别与所述待评估测试需求的类别，若所述测试数据生成模型的类别与所述待评估测试需求的类别相同，则将所述测试数据生成模型作为目标模型；

若所述测试数据生成模型的类别与所述待评估测试需求的类别不同，则持续遍历，直到获得所述目标模型则停止遍历。

该可选的实施例中，所述待评估测试需求对应的类别至少包括“征信”、“交易”、“信息查询”。

如此，通过待评估测试需求的类别选择与之对应的测试数据生成模型，为后续多次模拟测试提供了模型基础，由于所述测试数据是由所述测试数据生成模型生成的，因此更加倾向于该类别的历史测试数据，相较于人为构建测试数据，其准确度更高。

S15，多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试。

在一个可选的实施例中，所述测试数据生成模型被存储于预设的服务器中，所述多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试，包括：

a，不断查询所述预设服务器的资源占用率；

b，当所述资源占用率小于预设的占用率阈值时，将所述待评估编码数据输入所述目标模型以获得测试数据，当所述资源占用率不小于所述预设的占用率阈值时，停止执行所述目标模型；

c，重复执行所述步骤a与步骤b以获得多个批次的测试数据，依据所述通信协议将所述测试数据传输至预设的数据接收方以进行多次模拟测试，直到重复次数不小于预设的重复阈值则停止重复。

该可选的实施例中，可不断查询所述预设服务器的资源占用率，所述预设服务器的资源占用率至少包括CPU占用率，所述预设的占用率阈值可以是30％、40％、50％等，本申请对此不做限定。

该可选的实施例中，当所述资源占用率小于预设的占用率阈值时，表明所述预设服务器的资源占用率较低，则多次测试数据生成工作对所述预设服务器的负载影响较小，因此可将待评估编码数据输入所述目标模型以获得测试数据。

所述预设的重复阈值可以是3次、4次、5次等，本申请对此不做限定。

该可选的实施例中，如步骤b中所述的将所述待评估编码数据输入所述目标模型以获得测试数据，包括：

当所述待评估编码数据的类别不为“征信”时，所述目标模型即为所述第一测试数据生成模型，可将所述待评估编码数据中的每个待评估编码向量依次输入所述目标模型的编码器的每个神经元中，所述目标模型的编码器的输出为所述待评估编码数据对应的中间向量；进一步，可将所述中间向量输入所述目标模型的生成器，所述目标模型的生成器中每个神经元的输出为一个测试向量，依据所述目标模型中神经元的排列顺序组合所述生成器中神经元输出的所有测试向量以获得测试数据；

当所述待评估编码数据的类别为“征信”时，所述目标模型即为所述第二测试数据生成模型，可依次对比所述待评估编码数据与所述目标模型中的每个键，当所述待评估编码数据与所述键相同时，则将所述键对应的值作为测试数据。

如此，通过在服务器资源占用率较小的时候生成测试数据，能够在维护服务器稳定性的前提下生成多个批次的测试数据，以进行多次模拟测试，从而能够提升模拟测试的准确度。

上述基于人工智能的模拟测试方法通过对大量历史测试需求进行编码获得大量编码数据，通过对编码数据进行分类获得每个历史测试需求的类别，并依据历史测试需求的类别将编码数据和历史测试数据划分为多个训练数据集，利用每个训练数据集训练具有针对性的测试数据生成模型，能够为待评估测试任务提供模型指引，从而能够提升数据测试的准确性。

如图2所示，是本申请实施例提供的基于人工智能的模拟测试装置的较佳实施例的功能模块图。基于人工智能的模拟测试装置11包括编码单元110、分类单元111、训练单元112、查询单元113、选取单元114、测试单元115。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。

在一个可选的实施例中，编码单元110用于从历史测试记录中采集历史测试需求和历史测试数据，并对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据。

在一个可选的实施例中，所述对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据，包括：

对所述历史测试需求进行分词处理获得多个词汇；

依据预设的文本编码算法对每个所述词汇进行编码获得每个所述词汇对应的编码向量，并将所述编码向量与所述词汇一一对应以作为词汇语料库；

将每个所述历史测试需求对应的所有词汇的编码向量作为所述历史测试需求对应的编码数据。

该可选的实施例中，所述历史测试需求与所述历史测试数据一一对应，示例性的，当所述历史测试需求为“抓取用户征信数据”时，则所述历史测试数据为用户征信数据；当所述历史测试需求为“测试电商平台的付款接口”时，所述测试数据为付款数据。

该可选的实施例中，所述预设的文本编码算法可以是GloVe算法(Globe Vector，全局向量算法)、Skip-Gram算法、CBOW算法(Continuous Bag Of Words，连续词袋模型)算法等现有的文本编码算法，本申请对此不做限定。

该可选的实施例中，可依据所述历史测试需求中所有词汇的排列顺序组合每个所述词汇对应的编码向量，以作为所述历史测试需求对应的编码数据。

在一个可选的实施例中，分类单元111用于对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，所述类别与所述训练数据集一一对应。

在一个可选的实施例中，所述对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，包括：

将所述编码数据输入预设的需求分类模型获得每个所述历史测试需求对应的类别，所述类别至少包括“征信”、“交易”、“信息查询”；

将所述历史测试需求对应的历史测试数据作为标签数据；

将所述历史测试需求对应的编码数据作为样本数据，将所述样本数据与所述标签数据一一对应作为训练数据；

将类别相同的所述历史测试需求对应的训练数据归属于同一个训练数据集，以获得多个训练数据集，所述训练数据集与所述类别一一对应。

该可选的实施例中，所述预设的需求分类模型可以是XGBoost模型(ExtremeGradient Boost，极端梯度增强模型)、LightGBM模型(Light Gradient Boost Machine，轻量梯度提升机)、GBDT(Gradient Boost Decision Tree，梯度提升决策树)、随机森林模型等现有的分类模型，本申请对此不做限定。

所述类别至少包括“征信”、“交易”、“信息查询”，当所述历史测试需求的类别为“征信”时，所述历史测试需求需要接收“征信数据”以测试系统；当所述历史测试需求的类别为“交易”时，所述历史测试需求需要接收“交易数据”以测试系统；当所述历史测试需求的类别为“信息查询”时，所述历史测试需求需要接收“用户信息”以测试系统。

在一个可选的实施例中，训练单元112用于分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型。

在一个可选的实施例中，所述分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型，包括：

构建初始生成模型，所述初始生成模型包括编码器和生成器；

针对每个所述训练数据集，若所述训练数据集对应的类别不为“征信”，则利用所述训练数据集训练所述初始生成模型，依据预设的损失函数计算所述初始生成模型的损失值，并不断更新所述初始生成模型中的参数，直到所述损失值不再变化，获得类别不为“征信”的所述训练数据集对应的第一测试数据生成模型；

若所述训练数据集对应的类别为“征信”，则将所述训练数据集中的样本数据作为键，并将标签数据作为值以构建键值对，将所有所述键值对作为第二测试数据生成模型，并将所有第一测试数据生成模型与所述第二测试数据生成模型统一作为测试数据生成模型。

该可选的实施例中，所述初始生成模型包括编码器和生成器，所述编码器和所述生成器均可以是LSTM模型(Long Short Term Memory，长短期记忆模型)、RNN模型(Recurrent Neural Network，循环神经网络模型)、GRU模型(Gate Recurrent Unit，门控循环单元)等现有的神经网络结构，本申请对此不做限定。所述编码器和所述生成器均包含多个神经元，且所述编码器与所述生成器均由所述多个神经元串联而成。以所述RNN模型为例，如图4所示为所述初始生成模型的结构示意图。

该可选的实施例中，以任意一个类别不为“征信”的所述训练数据集为例，所述编码器的输入为所述训练数据集中的样本数据，所述编码器的输出为所述样本数据对应的特征向量；所述生成器的输入为所述特征向量，所述生成器的输出为所述样本数据对应的虚拟测试数据。

该可选的实施例中，可将所述虚拟测试数据和所述样本数据对应的标签数据输入预设的损失函数以计算所述初始生成模型的损失值，所述预设的损失函数可以是均方根误差函数、最小二乘函数、欧式距离函数等现有的损失函数，本申请对此不做限定。

该可选的实施例中，可依据梯度下降法不断更新所述初始生成模型的参数，直到所述初始生成模型的损失值不再变化，则停止更新所述初始生成模型的参数，并获得与所述训练数据集对应的第一测试数据生成模型。

该可选的实施例中，若所述训练数据集对应的类别为“征信”，则表明该训练数据集对应的测试需求需要的测试数据为预先整理好的征信报告，则可将所述训练数据集中的样本数据作为键，并将所述训练数据集中的标签数据作为值以构建键值对，将所述键值对作为第二测试数据生成模型。

在一个可选的实施例中，查询单元113用于查询待评估测试需求对应的待评估编码数据和通信协议。

在一个可选的实施例中，所述查询待评估测试需求对应的待评估编码数据和通信协议，包括：

对所述待评估测试需求进行分词处理获得多个待评估词汇；

从所述词汇语料库中查询每个所述待评估词汇对应的编码数据以作为待评估编码数据；

查询所述待评估测试需求对应的通信协议，所述通信协议用以表征所述待评估测试需求接收测试数据的协议。

该可选的实施例中，可依据所述预设的分词工具对所述待评估测试需求进行分词以获得多个待评估词汇，并从所述词汇语料库中查询每个所述待评估词汇对应的编码向量，依据所述待评估词汇在所述待评估测试需求中的排列顺序组合所述待评估词汇对应的编码向量，以作为待评估编码数据。

该可选的实施例中，所述通信协议指所述待评估需求中预先设定好的数据传输规则，所述通信协议可以是TCP/IP(Transmission Control Protocol/Internet Protocol，通讯控制传输协议/网际协议)、SPP协议(Sequenced Packet Protocol，顺序包协议)、NetBEUI(NetBios Enhanced User Interface，增强用户接口)等现有的通信协议，本申请对此不做限定。

在一个可选的实施例中，选取单元114用于对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型。

在一个可选的实施例中，所述对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型，包括：

将所述待评估编码数据输入所述预设的需求分类模型获得所述待评估需求对应的类别；

依次遍历所述测试数据生成模型，对比所述测试数据生成模型的类别与所述待评估测试需求的类别，若所述测试数据生成模型的类别与所述待评估测试需求的类别相同，则将所述测试数据生成模型作为目标模型；

若所述测试数据生成模型的类别与所述待评估测试需求的类别不同，则持续遍历，直到获得所述目标模型则停止遍历。

该可选的实施例中，所述待评估测试需求对应的类别至少包括“征信”、“交易”、“信息查询”。

在一个可选的实施例中，测试单元115用于多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试。

在一个可选的实施例中，所述测试数据生成模型被存储于预设的服务器中，所述多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试，包括：

a，不断查询所述预设服务器的资源占用率；

b，当所述资源占用率小于预设的占用率阈值时，将所述待评估编码数据输入所述目标模型以获得测试数据，当所述资源占用率不小于所述预设的占用率阈值时，停止执行所述目标模型；

c，重复执行所述步骤a与步骤b以获得多个批次的测试数据，依据所述通信协议将所述测试数据传输至预设的数据接收方以进行多次模拟测试，直到重复次数不小于预设的重复阈值则停止重复。

该可选的实施例中，可不断查询所述预设服务器的资源占用率，所述预设服务器的资源占用率至少包括CPU占用率，所述预设的占用率阈值可以是30％、40％、50％等，本申请对此不做限定。

该可选的实施例中，当所述资源占用率小于预设的占用率阈值时，表明所述预设服务器的资源占用率较低，则多次测试数据生成工作对所述预设服务器的负载影响较小，因此可将待评估编码数据输入所述目标模型以获得测试数据。

所述预设的重复阈值可以是3次、4次、5次等，本申请对此不做限定。

该可选的实施例中，如步骤b中所述的将所述待评估编码数据输入所述目标模型以获得测试数据，包括：

当所述待评估编码数据的类别不为“征信”时，所述目标模型即为所述第一测试数据生成模型，可将所述待评估编码数据中的每个待评估编码向量依次输入所述目标模型的编码器的每个神经元中，所述目标模型的编码器的输出为所述待评估编码数据对应的中间向量；进一步，可将所述中间向量输入所述目标模型的生成器，所述目标模型的生成器中每个神经元的输出为一个测试向量，依据所述目标模型中神经元的排列顺序组合所述生成器中神经元输出的所有测试向量以获得测试数据；

当所述待评估编码数据的类别为“征信”时，所述目标模型即为所述第二测试数据生成模型，可依次对比所述待评估编码数据与所述目标模型中的每个键，当所述待评估编码数据与所述键相同时，则将所述键对应的值作为测试数据。

上述基于人工智能的模拟测试方法通过对大量历史测试需求进行编码获得大量编码数据，通过对编码数据进行分类获得每个历史测试需求的类别，并依据历史测试需求的类别将编码数据和历史测试数据划分为多个训练数据集，利用每个训练数据集训练具有针对性的测试数据生成模型，能够为待评估测试任务提供模型指引，从而能够提升数据测试的准确性。

如图3所示，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的模拟测试方法。

在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的模拟测试程序。

图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

结合图1，电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的模拟测试方法，处理器13可执行多个指令从而实现：

从历史测试记录中采集历史测试需求和历史测试数据，并对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据；

对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，所述类别与所述训练数据集一一对应；

分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型；

查询待评估测试需求对应的待评估编码数据和通信协议；

对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型；

多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试。

具体地，处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的模拟测试程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的模拟测试程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。

处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的模拟测试方法实施例中的步骤，例如图1所示的步骤。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器12中，并由处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成编码单元110、分类单元111、训练单元112、查询单元113、选取单元114、测试单元115。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述基于人工智能的模拟测试方法的部分。

电子设备1集成的模块/单元如果以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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存储器及其他存储器等。

进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。

本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的模拟测试方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的模拟测试方法，其特征在于，所述方法包括：

从历史测试记录中采集历史测试需求和历史测试数据，并对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据；

对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，所述类别与所述训练数据集一一对应；

分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型；

查询待评估测试需求对应的待评估编码数据和通信协议；

对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型；

多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试。

2.如权利要求1所述的基于人工智能的模拟测试方法，其特征在于，所述对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据，包括：

对所述历史测试需求进行分词处理获得多个词汇；

依据预设的文本编码算法对每个所述词汇进行编码获得每个所述词汇对应的编码向量，并将所述编码向量与所述词汇一一对应以作为词汇语料库；

将每个所述历史测试需求对应的所有词汇的编码向量作为所述历史测试需求对应的编码数据。

3.如权利要求1所述的基于人工智能的模拟测试方法，其特征在于，所述对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，包括：

将所述编码数据输入预设的需求分类模型获得每个所述历史测试需求对应的类别，所述类别至少包括“征信”、“交易”、“信息查询”；

将所述历史测试需求对应的历史测试数据作为标签数据；

将所述历史测试需求对应的编码数据作为样本数据，将所述样本数据与所述标签数据一一对应作为训练数据；

将类别相同的所述历史测试需求对应的训练数据归属于同一个训练数据集，以获得多个训练数据集，所述训练数据集与所述类别一一对应。

4.如权利要求3所述的基于人工智能的模拟测试方法，其特征在于，所述分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型，包括：

构建初始生成模型，所述初始生成模型包括编码器和生成器；

针对每个所述训练数据集，若所述训练数据集对应的类别不为“征信”，则利用所述训练数据集训练所述初始生成模型，依据预设的损失函数计算所述初始生成模型的损失值，并不断更新所述初始生成模型中的参数，直到所述损失值不再变化，获得类别不为“征信”的所述训练数据集对应的第一测试数据生成模型；

若所述训练数据集对应的类别为“征信”，则将所述训练数据集中的样本数据作为键，并将标签数据作为值以构建键值对，将所有所述键值对作为第二测试数据生成模型，并将所有第一测试数据生成模型与所述第二测试数据生成模型统一作为测试数据生成模型。

5.如权利要求2所述的基于人工智能的模拟测试方法，其特征在于，所述查询待评估测试需求对应的待评估编码数据和通信协议，包括：

对所述待评估测试需求进行分词处理获得多个待评估词汇；

从所述词汇语料库中查询每个所述待评估词汇对应的编码数据以作为待评估编码数据；

查询所述待评估测试需求对应的通信协议，所述通信协议用以表征所述待评估测试需求接收测试数据的协议。

6.如权利要求1所述的基于人工智能的模拟测试方法，其特征在于，所述对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型，包括：

将所述待评估编码数据输入所述预设的需求分类模型获得所述待评估需求对应的类别；

依次遍历所述测试数据生成模型，对比所述测试数据生成模型的类别与所述待评估测试需求的类别，若所述测试数据生成模型的类别与所述待评估测试需求的类别相同，则将所述测试数据生成模型作为目标模型；

若所述测试数据生成模型的类别与所述待评估测试需求的类别不同，则持续遍历，直到获得所述目标模型则停止遍历。

7.如权利要求1所述的基于人工智能的模拟测试方法，其特征在于，所述测试数据生成模型被存储于预设的服务器中，所述多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试，包括：

a，不断查询所述预设服务器的资源占用率；

b，当所述资源占用率小于预设的占用率阈值时，将所述待评估编码数据输入所述目标模型以获得测试数据，当所述资源占用率不小于所述预设的占用率阈值时，停止执行所述目标模型；

c，重复执行步骤a与步骤b以获得多个批次的测试数据，依据所述通信协议将所述测试数据传输至预设的数据接收方以进行多次模拟测试，直到重复次数不小于预设的重复阈值则停止重复。

8.一种基于人工智能的模拟测试装置，其特征在于，所述装置包括：

编码单元，用于从历史测试记录中采集历史测试需求和历史测试数据，并对所述历史测试需求进行编码处理获得每个所述历史测试需求对应的编码数据；

分类单元，用于对每个所述历史测试需求进行分类获得每个所述历史测试需求的类别，并依据所述类别将所述编码数据和所述历史测试数据划分为多个训练数据集，所述类别与所述训练数据集一一对应；

训练单元，用于分别根据每个所述训练数据集训练每个所述训练数据集对应的测试数据生成模型；

查询单元，用于查询待评估测试需求对应的待评估编码数据和通信协议；

选取单元，用于对待评估测试需求进行分类获得所述待评估测试需求对应的类别，依据所述类别从所述多个测试数据生成模型中选取目标模型；

测试单元，用于多次将所述待评估编码数据输入所述目标模型以生成多个批次的测试数据，依据所述通信协议将所述多个批次的测试数据传输至预设的数据接收方以进行多次模拟测试。

9.一种电子设备，其特征在于，所述电子设备包括：

存储器，存储计算机可读指令；及

处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的模拟测试方法。

10.一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可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的模拟测试方法。

Images