CN115543856B - 蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质 - Google Patents
蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115543856B CN115543856B CN202211532743.4A CN202211532743A CN115543856B CN 115543856 B CN115543856 B CN 115543856B CN 202211532743 A CN202211532743 A CN 202211532743A CN 115543856 B CN115543856 B CN 115543856B
- Authority
- CN
- China
- Prior art keywords
- bluetooth protocol
- fuzzy test
- test
- case
- fuzzy
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 484
- 238000012216 screening Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000007873 sieving Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06F11/3684—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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B5/00—Near-field transmission systems, e.g. inductive or capacitive transmission systems
- H04B5/70—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/18—Protocol analysers
-
- 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
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
Abstract
本发明公开了一种蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质,包括:基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值;基于历史蓝牙协议模糊测试用例对应的历史字段信息,每个模糊测试时间与模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型;利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,可用蓝牙协议模糊测试用例的模糊测试时间小于模糊测试时间阈值;使用可用蓝牙协议模糊测试用例对被测目标进行测试,本发明实施例的技术方案能够提高测试用例筛选效率,缩短模糊测试时间。
Description
技术领域
本发明涉及信息安全测试领域,尤其涉及一种蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质。
背景技术
模糊测试是一种可用于无线通信协议及相关实现协议栈安全的测试方法,其核心思想是将自动或半自动生成的随机数据输入到通信程序中,并监视通信程序异常,通过异常是否出现判断其存在的缺陷。蓝牙协议是一种无线通信技术,工作在2.4至2.485 GHz的ISM频段,可分为经典蓝牙技术与低功耗蓝牙技术。蓝牙协议在汽车上有多种应用,如音频传输、控制车门解锁等。
为测试蓝牙协议安全性,模糊测试是一种常用的测试方法,但由于蓝牙协议族协议数量众多,且每种协议包含的字段各异,其模糊测试用例库往往包含着庞大数量的测试用例,因此为在时间有限的情况下开展测试,模糊测试工具一般具有用例选择功能。然而,当前存在的用例选择功能仅能通过按字段过滤、随机选择等方式实现,完全依据测试人员的主观判断,不具备根据被测目标进行筛选的能力,用例筛选效率较低。
发明内容
针对上述背景技术中的不足,本发明实施例提供了一种蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质,利用神经网络模型进行筛选提高了蓝牙协议模糊测试用例的筛选效率,同时,基于被测目标选择训练神经网络模型的训练样本,使得神经网络模型更加有针对性,后续基于该神经网络模型筛选得到的蓝牙协议模糊测试用例的测试效率更高。
第一方面,本发明实施例提出了一种蓝牙协议模糊测试用例筛选方法,其包括如下步骤:
S1、基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,其中,所述历史蓝牙协议模糊测试用例从蓝牙协议模糊测试用例库中获取;
S2、基于所述历史蓝牙协议模糊测试用例对应的历史字段信息,以及,每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型;
S3、利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,其中,所述可用蓝牙协议模糊测试用例的模糊测试时间小于所述模糊测试时间阈值;
S4:使用所述可用蓝牙协议模糊测试用例对被测目标进行测试。
第二方面,本发明实施例提出了一种蓝牙协议模糊测试用例筛选装置,该装置包括:
模糊测试时间阈值确定模块,用于基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,其中,所述历史蓝牙协议模糊测试用例从蓝牙协议模糊测试用例库中获取;
用例筛选神经网络模型训练模块,用于基于所述历史蓝牙协议模糊测试用例对应的历史字段信息,以及,每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型;
可用蓝牙协议模糊测试用例确定模块,用于利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,其中,所述可用蓝牙协议模糊测试用例的模糊测试时间小于所述模糊测试时间阈值;
被测目标测试模块,用于使用所述可用蓝牙协议模糊测试用例对被测目标进行测试。
第三方面,本发明实施例提出了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的蓝牙协议模糊测试用例筛选方法。
第四方面,本发明实施例提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上所述的蓝牙协议模糊测试用例筛选方法。
与现有技术相比,本发明的有益效果为:
1、通过利用神经网络模型对蓝牙协议模糊测试用例进行筛选,提高了蓝牙协议模糊测试用例的筛选效率,同时,基于被测目标确定模糊测试时间阈值,进而基于模糊测试时间阈值确定用于训练神经网络模型的训练样本,使得神经网络模型更加有针对性,后续基于该神经网络模型筛选得到的蓝牙协议模糊测试用例的测试效率更高。
2、通过在使用预设数目的历史蓝牙协议模糊测试用例对所述被测目标进行测试之前,从所述蓝牙协议模糊测试用例库中随机选取20%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第一测试结果,并利用历史蓝牙协议模糊测试用例的测试用例标识确定第一测试结果是否准确,从所述蓝牙协议模糊测试用例库中随机选取30%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第二测试结果,并利用历史蓝牙协议模糊测试用例的测试用例标识确定第二测试结果是否准确,以及从所述蓝牙协议模糊测试用例库中随机选取40%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第三测试结果,并利用历史蓝牙协议模糊测试用例的测试用例标识确定第三测试结果是否准确,来确认测试系统的有效性,以提高测试进程的准确性和测试效率。
3、考虑不同测试环境下,可能对应不同的时间阈值,本实施例技术方案结合测试环境确定模糊测试时间阈值,能够令筛选出的测试用例有效被执行,从而进一步筛选出可用的测试用例。
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。
图1为本发明实施例提供的一种蓝牙协议模糊测试用例筛选方法的流程示意图;
图2为本发明实施例提供的一种构建神经网络模型方法的流程示意图;
图3为本发明实施例提供的一种蓝牙协议模糊测试用例筛选装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1为本发明实施例中的一种蓝牙协议模糊测试用例筛选方法的流程示意图,如图1所示,该方法具体可以包括以下步骤:
S1、基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,其中,所述历史蓝牙协议模糊测试用例从蓝牙协议模糊测试用例库中获取。
本实施例中,模糊测试时间为利用历史蓝牙协议模糊测试用例对被测目标进行测试所需要的时间,每个历史蓝牙协议模糊测试用例对应的模糊测试时间不同。模糊测试时间阈值是基于每个模糊测试时间、可接受的模糊测试总时间以及历史蓝牙协议模糊测试用例的数量确定的。优选的,模糊测试时间阈值可以用于确定历史蓝牙协议模糊测试用例是否可用,示例性的,若历史蓝牙协议模糊测试用例对应的模糊测试时间小于模糊测试时间阈值,则确定该历史蓝牙协议模糊测试用例为可用蓝牙协议模糊测试用例,若历史蓝牙协议模糊测试用例对应的模糊测试时间大于等于模糊测试时间阈值,则确定该历史蓝牙协议模糊测试用例为不可用蓝牙协议模糊测试用例。
S2、基于所述历史蓝牙协议模糊测试用例对应的历史字段信息,以及,每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型。
其中,历史字段信息为根据蓝牙协议规范,历史蓝牙协议模糊测试用例所对应的全部字段,例如可以包括目标地址、子协议种类以及指令信息等。
本实施例中的每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系可以是每个模糊测试时间是否小于模糊测试时间阈值,也可以是每个模糊测试时间是否大于等于模糊测试时间阈值。
S3、利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,其中,所述可用蓝牙协议模糊测试用例的模糊测试时间小于所述模糊测试时间阈值。
S4:使用所述可用蓝牙协议模糊测试用例对被测目标进行测试。
本实施例提供的一种蓝牙协议模糊测试用例筛选方法,基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,其中,所述历史蓝牙协议模糊测试用例从蓝牙协议模糊测试用例库中获取;基于所述历史蓝牙协议模糊测试用例对应的历史字段信息,以及,每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型;利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,其中,所述可用蓝牙协议模糊测试用例的模糊测试时间小于所述模糊测试时间阈值;使用所述可用蓝牙协议模糊测试用例对被测目标进行测试。上述通过利用神经网络模型对蓝牙协议模糊测试用例进行筛选,提高了蓝牙协议模糊测试用例的筛选效率,同时,基于被测目标确定模糊测试时间阈值,进而基于模糊测试时间阈值确定用于训练神经网络模型的训练样本,使得神经网络模型更加有针对性,后续基于该神经网络模型筛选得到的蓝牙协议模糊测试用例的测试效率更高。
图2为本发明实施例中的一种确定模糊测试时间阈值方法的流程示意图,在上述各实施例的基础上,进一步的,如图2所示,基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,包括:
S11、从所述蓝牙协议模糊测试用例库中提取预设数目的历史蓝牙协议模糊测试用例,其中,所述蓝牙协议模糊测试用例库包括95%的符合蓝牙协议的正常测试用例和5%的不符合蓝牙协议的无效测试用例,所述预设数目为20%到40%之间的数值,且预设数目的历史蓝牙协议模糊测试用例的总测试时间小于等于预设时长。
优选的,在步骤S11之后,还包括:
从所述蓝牙协议模糊测试用例库中随机选取20%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第一测试结果,根据所述第一测试结果确定20%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第一测试结果是否准确,所述测试用例标识用于标注相应历史蓝牙协议模糊测试用例是否为有效测试用例;
从所述蓝牙协议模糊测试用例库中随机选取30%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第二测试结果,根据所述第二测试结果确定30%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第二测试结果是否准确;
从所述蓝牙协议模糊测试用例库中随机选取40%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第三测试结果,根据所述第三测试结果确定40%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第三测试结果是否准确;
当至少两次筛选结果为准确时,执行步骤S12。
上述技术方案可以确认测试系统的有效性,当确定测试系统有效时,再基于该测试系统,使用预设数目的历史蓝牙协议模糊测试用例对所述被测目标进行测试。
S12、使用预设数目的历史蓝牙协议模糊测试用例对所述被测目标进行测试,记录每个历史蓝牙协议模糊测试用例的模糊测试时间。
S13、基于每个模糊测试时间和测试环境,确定所述模糊测试时间阈值。
本实施例中,不同测试环境下,对应的模糊测试时间阈值不同。具体的,当测试环境的传输速率为0时,设置模糊测试时间阈值为n;当测试环境的传输速率为低传输速率时,设置模糊测试时间阈值为2n;当测试环境的传输速率为高传输速率时,基于每个历史蓝牙协议模糊测试用例的模糊测试时间的时间分布,通过线性回归算法,确定模糊测试时间阈值。
考虑不同测试环境下,可能对应不同的时间阈值,本实施例技术方案结合测试环境确定模糊测试时间阈值,能够令筛选出的测试用例有效被执行,从而进一步筛选出可用的测试用例。
在上述各实施例的基础上,进一步的,步骤S2包括:
根据每个历史字段信息对应历史字段向量的向量长度n,建立输入层为n个节点,输出层为1个节点的初始神经网络模型;
将所述历史字段向量作为所述初始神经网络模型的输入,将每个模糊测试时间是否小于模糊测试时间阈值作为所述初始神经网络模型的输出,训练得到所述用例筛选神经网络模型。
在上述各实施例的基础上,进一步的,步骤S3包括:
针对每个待筛选蓝牙协议模糊测试用例,将相应待筛选蓝牙协议模糊测试用例对应的字段向量作为所述用例筛选神经网络模型的输入,根据输出确定所述可用蓝牙协议模糊测试用例。
在上述各实施例的基础上,进一步的,所述根据输出确定所述可用蓝牙协议模糊测试用例,包括:
若输出为是,则确定当前输入所述用例筛选神经网络模型中的待筛选蓝牙协议模糊测试用例为可用蓝牙协议模糊测试用例;
若输出为否,则确定当前输入所述用例筛选神经网络模型中的待筛选蓝牙协议模糊测试用例为不可用蓝牙协议模糊测试用例。
图3为本公开实施例中的一种蓝牙协议模糊测试用例筛选装置的结构示意图。如图3所示:该装置包括:
模糊测试时间阈值确定模块310,用于基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,其中,所述历史蓝牙协议模糊测试用例从蓝牙协议模糊测试用例库中获取;
用例筛选神经网络模型训练模块320,用于基于所述历史蓝牙协议模糊测试用例对应的历史字段信息,以及,每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型;
可用蓝牙协议模糊测试用例确定模块330,用于利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,其中,所述可用蓝牙协议模糊测试用例的模糊测试时间小于所述模糊测试时间阈值;
被测目标测试模块340,用于使用所述可用蓝牙协议模糊测试用例对被测目标进行测试。
本实施例提供的一种蓝牙协议模糊测试用例筛选装置,利用模糊测试时间阈值确定模块基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,其中,所述历史蓝牙协议模糊测试用例从蓝牙协议模糊测试用例库中获取;利用用例筛选神经网络模型训练模块基于所述历史蓝牙协议模糊测试用例对应的历史字段信息,以及,每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型;可用蓝牙协议模糊测试用例确定模块利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,其中,所述可用蓝牙协议模糊测试用例的模糊测试时间小于所述模糊测试时间阈值;被测目标测试模块使用所述可用蓝牙协议模糊测试用例对被测目标进行测试。上述通过利用神经网络模型对蓝牙协议模糊测试用例进行筛选,提高了蓝牙协议模糊测试用例的筛选效率,同时,基于被测目标确定模糊测试时间阈值,进而基于模糊测试时间阈值确定用于训练神经网络模型的训练样本,使得神经网络模型更加有针对性,后续基于该神经网络模型筛选得到的蓝牙协议模糊测试用例的测试效率更高。
在上述各技术方案的基础上,进一步的,模糊测试时间阈值确定模块310具体可以用于:
S11、从所述蓝牙协议模糊测试用例库中提取预设数目的历史蓝牙协议模糊测试用例,其中,所述蓝牙协议模糊测试用例库包括95%的符合蓝牙协议的正常测试用例和5%的不符合蓝牙协议的无效测试用例,所述预设数目为20%到40%之间的数值,且预设数目的历史蓝牙协议模糊测试用例的总测试时间小于等于预设时长;
S12、使用预设数目的历史蓝牙协议模糊测试用例对所述被测目标进行测试,记录每个历史蓝牙协议模糊测试用例的模糊测试时间;
S13、基于每个模糊测试时间和测试环境,确定所述模糊测试时间阈值。
在上述各技术方案的基础上,进一步的,用例筛选神经网络模型训练模块320具体可以用于:
根据每个历史字段信息对应历史字段向量的向量长度n,建立输入层为n个节点,输出层为1个节点的初始神经网络模型;
将所述历史字段向量作为所述初始神经网络模型的输入,将每个模糊测试时间是否小于模糊测试时间阈值作为所述初始神经网络模型的输出,训练得到所述用例筛选神经网络模型。
在上述各技术方案的基础上,进一步的,可用蓝牙协议模糊测试用例确定模块330具体可以用于:
针对每个待筛选蓝牙协议模糊测试用例,将相应待筛选蓝牙协议模糊测试用例对应的字段向量作为所述用例筛选神经网络模型的输入,根据输出确定所述可用蓝牙协议模糊测试用例。
在上述各技术方案的基础上,进一步的,可用蓝牙协议模糊测试用例确定模块330具体还可以用于:
若输出为是,则确定当前输入所述用例筛选神经网络模型中的待筛选蓝牙协议模糊测试用例为可用蓝牙协议模糊测试用例;
若输出为否,则确定当前输入所述用例筛选神经网络模型中的待筛选蓝牙协议模糊测试用例为不可用蓝牙协议模糊测试用例。
在上述各技术方案的基础上,进一步的,模糊测试时间阈值确定模块310具体还可以用于:在从所述蓝牙协议模糊测试用例库中提取预设数目的历史蓝牙协议模糊测试用例之后,从所述蓝牙协议模糊测试用例库中随机选取20%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第一测试结果,根据所述第一测试结果确定20%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第一测试结果是否准确,所述测试用例标识用于标注相应历史蓝牙协议模糊测试用例是否为有效测试用例;
从所述蓝牙协议模糊测试用例库中随机选取30%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第二测试结果,根据所述第二测试结果确定30%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第二测试结果是否准确;
从所述蓝牙协议模糊测试用例库中随机选取40%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第三测试结果,根据所述第三测试结果确定40%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第三测试结果是否准确;
当至少两次筛选结果为准确时,执行步骤S12。
本公开实施例提供的蓝牙协议模糊测试用例筛选装置,可执行本公开方法实施例所提供的蓝牙协议模糊测试用例筛选方法中的步骤,具备执行步骤和有益效果此处不再赘述。
图4为本发明实施例提供的一种电子设备的结构示意图。如图4所示,电子设备400包括一个或多个处理器401和存储装置402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备400中的其他组件以执行期望的功能。
存储装置402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器401可以运行所述程序指令,以实现上文所说明的本发明任意实施例的蓝牙协议模糊测试用例筛选方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,电子设备400还可以包括:输入装置403和输出装置404,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图4中仅示出了该电子设备400中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的蓝牙协议模糊测试用例筛选方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的蓝牙协议模糊测试用例筛选方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种蓝牙协议模糊测试用例筛选方法,其特征在于,包括:
S1、基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,其中,所述历史蓝牙协议模糊测试用例从蓝牙协议模糊测试用例库中获取;
S2、基于所述历史蓝牙协议模糊测试用例对应的历史字段信息,以及,每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型;
S3、利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,其中,所述可用蓝牙协议模糊测试用例的模糊测试时间小于所述模糊测试时间阈值;
S4:使用所述可用蓝牙协议模糊测试用例对被测目标进行测试。
2.如权利要求1所述的方法,其特征在于,步骤S1包括:
S11、从所述蓝牙协议模糊测试用例库中提取预设数目的历史蓝牙协议模糊测试用例,其中,所述蓝牙协议模糊测试用例库包括95%的符合蓝牙协议的正常测试用例和5%的不符合蓝牙协议的无效测试用例,所述预设数目为20%到40%之间的数值,且预设数目的历史蓝牙协议模糊测试用例的总测试时间小于等于预设时长;
S12、使用预设数目的历史蓝牙协议模糊测试用例对所述被测目标进行测试,记录每个历史蓝牙协议模糊测试用例的模糊测试时间;
S13、基于每个模糊测试时间和测试环境,确定所述模糊测试时间阈值。
3.如权利要求1或2所述的方法,其特征在于,步骤S2包括:
根据每个历史字段信息对应历史字段向量的向量长度n,建立输入层为n个节点,输出层为1个节点的初始神经网络模型;
将所述历史字段向量作为所述初始神经网络模型的输入,将每个模糊测试时间是否小于模糊测试时间阈值作为所述初始神经网络模型的输出,训练得到所述用例筛选神经网络模型。
4.如权利要求3所述的方法,其特征在于,步骤S3包括:
针对每个待筛选蓝牙协议模糊测试用例,将相应待筛选蓝牙协议模糊测试用例对应的字段向量作为所述用例筛选神经网络模型的输入,根据输出确定所述可用蓝牙协议模糊测试用例。
5.如权利要求4所述的方法,其特征在于,所述根据输出确定所述可用蓝牙协议模糊测试用例,包括:
若输出为是,则确定当前输入所述用例筛选神经网络模型中的待筛选蓝牙协议模糊测试用例为可用蓝牙协议模糊测试用例;
若输出为否,则则确定当前输入所述用例筛选神经网络模型中的待筛选蓝牙协议模糊测试用例为不可用蓝牙协议模糊测试用例。
6.如权利要求2所述的方法,其特征在于,在步骤S11之后,还包括:
从所述蓝牙协议模糊测试用例库中随机选取20%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第一测试结果,根据所述第一测试结果确定20%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第一测试结果是否准确,所述测试用例标识用于标注相应历史蓝牙协议模糊测试用例是否为有效测试用例;
从所述蓝牙协议模糊测试用例库中随机选取30%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第二测试结果,根据所述第二测试结果确定30%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第二测试结果是否准确;
从所述蓝牙协议模糊测试用例库中随机选取40%的历史蓝牙协议模糊测试用例,对所述被测目标进行测试,得到第三测试结果,根据所述第三测试结果确定40%的历史蓝牙协议模糊测试用例中的有效测试用例和无效测试用例,利用历史蓝牙协议模糊测试用例的测试用例标识确定所述第三测试结果是否准确;
当至少两次筛选结果为准确时,执行步骤S12。
7.一种蓝牙协议模糊测试用例筛选装置,其特征在于,包括:
模糊测试时间阈值确定模块,用于基于历史蓝牙协议模糊测试用例针对被测目标的模糊测试时间,确定模糊测试时间阈值,其中,所述历史蓝牙协议模糊测试用例从蓝牙协议模糊测试用例库中获取;
用例筛选神经网络模型训练模块,用于基于所述历史蓝牙协议模糊测试用例对应的历史字段信息,以及,每个模糊测试时间与所述模糊测试时间阈值之间的相对大小关系,对初始用例筛选神经网络模型进行训练,得到用例筛选神经网络模型;
可用蓝牙协议模糊测试用例确定模块,用于利用用例筛选神经网络模型,对待筛选蓝牙协议模糊测试用例进行筛选,得到可用蓝牙协议模糊测试用例,其中,所述可用蓝牙协议模糊测试用例的模糊测试时间小于所述模糊测试时间阈值;
被测目标测试模块,用于使用所述可用蓝牙协议模糊测试用例对被测目标进行测试。
8.如权利要求7所述的装置,其特征在于,模糊测试时间阈值确定模块用于:
S11、从所述蓝牙协议模糊测试用例库中提取预设数目的历史蓝牙协议模糊测试用例,其中,所述蓝牙协议模糊测试用例库包括95%的符合蓝牙协议的正常测试用例和5%的不符合蓝牙协议的无效测试用例,所述预设数目为20%到40%之间的数值,且预设数目的历史蓝牙协议模糊测试用例的总测试时间小于等于预设时长;
S12、使用预设数目的历史蓝牙协议模糊测试用例对所述被测目标进行测试,记录每个历史蓝牙协议模糊测试用例的模糊测试时间;
S13、基于每个模糊测试时间和测试环境,确定所述模糊测试时间阈值。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的蓝牙协议模糊测试用例筛选方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的蓝牙协议模糊测试用例筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211532743.4A CN115543856B (zh) | 2022-12-02 | 2022-12-02 | 蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211532743.4A CN115543856B (zh) | 2022-12-02 | 2022-12-02 | 蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115543856A CN115543856A (zh) | 2022-12-30 |
CN115543856B true CN115543856B (zh) | 2023-03-24 |
Family
ID=84722675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211532743.4A Active CN115543856B (zh) | 2022-12-02 | 2022-12-02 | 蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115543856B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709031A (zh) * | 2020-05-28 | 2020-09-25 | 杭州电子科技大学 | 一种覆盖率引导的VxWorks内核模糊测试方法 |
CN112559365A (zh) * | 2020-12-23 | 2021-03-26 | 上海品顺信息科技有限公司 | 一种测试用例筛选方法、装置、计算机设备和存储介质 |
CN114936168A (zh) * | 2022-07-21 | 2022-08-23 | 南京争锋信息科技有限公司 | 一种真实用户智能感知系统中的测试用例自动生成方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
US10732621B2 (en) * | 2016-05-09 | 2020-08-04 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for process adaptation in an internet of things downstream oil and gas environment |
GB201709672D0 (en) * | 2017-06-16 | 2017-08-02 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
-
2022
- 2022-12-02 CN CN202211532743.4A patent/CN115543856B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709031A (zh) * | 2020-05-28 | 2020-09-25 | 杭州电子科技大学 | 一种覆盖率引导的VxWorks内核模糊测试方法 |
CN112559365A (zh) * | 2020-12-23 | 2021-03-26 | 上海品顺信息科技有限公司 | 一种测试用例筛选方法、装置、计算机设备和存储介质 |
CN114936168A (zh) * | 2022-07-21 | 2022-08-23 | 南京争锋信息科技有限公司 | 一种真实用户智能感知系统中的测试用例自动生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115543856A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7522884B2 (en) | Apparatus and method for analyzing drive test data for communications system | |
EP1840576A2 (en) | Automatic analyzer and information providing system therefor | |
CN114374565A (zh) | 车辆can网络的入侵检测方法、装置、电子设备和介质 | |
US8752023B2 (en) | System, method and program product for executing a debugger | |
CN107368418B (zh) | 一种遍历测试的方法、装置和介质 | |
CN106559431A (zh) | 一种用于汽车安全检测的可视化分析方法和装置 | |
CN110059939A (zh) | 一种风险检测方法及装置 | |
JP2007323193A (ja) | 性能負荷異常検出システム、性能負荷異常検出方法、及びプログラム | |
CN106407102B (zh) | 应用程序的模糊测试方法、装置及系统 | |
CN107579861A (zh) | 基于多线路监测的网站可用性告警方法、装置及电子设备 | |
US6633937B2 (en) | GPIB system and method which performs autopolling using heuristics | |
CN114710369B (zh) | 一种异常数据检测方法、装置、计算机设备及存储介质 | |
CN106454847A (zh) | 一种公共WiFi钓鱼风险的检测方法和装置 | |
US20050075831A1 (en) | Reporting invalid parameter values for a parameter-based system | |
CN115543856B (zh) | 蓝牙协议模糊测试用例筛选方法、装置、设备及存储介质 | |
CN108804914A (zh) | 一种异常数据检测的方法及装置 | |
KR102266416B1 (ko) | 장애 예측 방법, 그리고 이를 구현하기 위한 장치 | |
CN112671724B (zh) | 一种终端安全检测分析方法、装置、设备及可读存储介质 | |
CN111796578A (zh) | 一种车用控制器测试方法、装置、系统和存储介质 | |
CN114817035B (zh) | 一种软件测试方法、装置、设备及介质 | |
CN108122036B (zh) | 一种变电站带电运检辅助分析方法 | |
CN115097070A (zh) | 一种实验室智能一体化管理系统及方法 | |
CN115622767A (zh) | Rs485总线的异常检测方法、装置、设备及存储介质 | |
CN115002736A (zh) | 低功耗蓝牙测试方法、装置、系统、测试设备及存储介质 | |
CN112667512A (zh) | 数据驱动测试方法、装置、设备和计算机可读存储介质 |
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 |