CN116594901A - 一种软件测试方法、装置、电子设备及存储介质 - Google Patents

一种软件测试方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116594901A
CN116594901A CN202310628722.0A CN202310628722A CN116594901A CN 116594901 A CN116594901 A CN 116594901A CN 202310628722 A CN202310628722 A CN 202310628722A CN 116594901 A CN116594901 A CN 116594901A
Authority
CN
China
Prior art keywords
tested
functional
software
element set
target
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
Application number
CN202310628722.0A
Other languages
English (en)
Inventor
何王合
吕宙
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.)
Softcom Power Information Technology Group Co ltd
Original Assignee
Softcom Power Information Technology Group 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 Softcom Power Information Technology Group Co ltd filed Critical Softcom Power Information Technology Group Co ltd
Priority to CN202310628722.0A priority Critical patent/CN116594901A/zh
Publication of CN116594901A publication Critical patent/CN116594901A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种软件测试方法、装置、电子设备及存储介质。该方法包括：确定待测软件界面中的候选待测元素信息；基于预训练模型Bert/XLNet微调的深度神经网络模型，根据候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别；其中，起功能元素和止功能元素属于候选待测元素；基于seq2seq深度神经网络模型，根据目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，生成目标待测元素集的测试用例；根据测试用例对待测软件进行测试，得到软件测试结果。采用本申请技术方案，实现了测试用例的自动化生成的同时，保证了自动化生成测试用例过程中不同操作语句间的逻辑性。

Description

一种软件测试方法、装置、电子设备及存储介质
技术领域
本发明涉及信息技术技术领域，尤其涉及一种软件测试方法、装置、电子设备及存储介质。
背景技术
软件测试是开发软件过程中不可缺少的部分，但传统的软件测试往往依赖于测试人员的工作经验，所以测试用例的撰写效率难以保证，因此需要开发出自动化测试方法，用以解决该问题。
当前开发的方法仍较多依赖于人机交互，无法做到测试阶段无人或少人参与，且在生成测试用例过程中缺少句子级别甚至段级别的长文本用例的自动化生成，因此需要一种智能的自动化测试方法解决上述问题。
发明内容
本发明提供了一种软件测试方法、装置、电子设备及存储介质，以减少测试过程的人工参与，提高测试用例自动生成效率，并使用智能化方法分析整个测试用例执行过程中页面布局和逻辑流程上的正确性与合理性。
根据本发明的一方面，提供了一种软件测试方法，该方法包括：
确定待测软件界面中的候选待测元素信息；
基于预训练模型Bert/XLNet微调的深度神经网络模型，根据候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别；其中，起功能元素和止功能元素属于候选待测元素；
seq2seq深度神经网络模型，根据目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，生成所述目标待测元素集的测试用例；
根据测试用例对待测软件进行测试，得到软件测试结果。
根据本发明的另一方面，提供了一种软件测试装置，该装置包括：
元素信息获取模块，用于确定待测软件界面中的候选待测元素信息；
候选元素获取模块，用于基于预训练模型Bert/XLNet微调的深度神经网络模型，根据候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别；
其中，起功能元素和止功能元素属于候选待测元素；
测试用例生成模块，用于seq2seq深度神经网络，根据目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，确定目标待测元素集的测试用例；
测试结果生成模块，用于根据测试用例对待测软件进行测试，得到软件测试结果。
根据本发明的另一方面，提供了一种电子设备，电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的软件测试方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的软件测试方法。
根据本发明实施例的技术方案，通过预训练模型Bert/XLNet微调的深度神经网络模型，确定候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，极大的提高了起功能元素和止功能元素以及目标待测元素集的功能类别的判识效率，保证了整体系统运算的效率，运用神经网络模型进行运算，保证了整体系统运算结果的准确性与整体系统运行的稳定性。通过seq2seq深度神经网络模型，确定目标待测元素集的测试用例，使得测试用例能够被神经网络自动生成，从而提高了测试用例的生成效率和准确性。通过上述方案的执行，实现了测试用例的自动化生成的同时，保证了自动化生成测试用例过程中不同操作语句间的逻辑性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是根据本发明实施例一提供的一种软件测试方法的流程图；
图2是本发明实施例所适用元素信息提取的流程图；
图3是根据本发明实施例二提供的另一种软件测试方法的流程图；
图4是本发明实施例所适用的词向量的生成方法的原理图；
图5是根据本发明实施例三提供的一种软件测试装置的结构示意图；
图6是实现本发明实施例的一种软件测试方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种软件测试方法的流程图，本实施例可适用于自动化生成测试用例，从而完成软件测试的情况，该方法可以由软件测试装置来执行，该软件测试装置可以采用硬件和/或软件的形式实现，该软件测试装置可配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
S110、确定待测软件界面中的候选待测元素信息。
候选待测元素信息可以是待测软件界面中可以响应用户操作的元素。其中，待测软件界面可以是待测软件运行时的运行界面。
在对待测软件进行软件测试时，需要确定待测软件中各个功能元素，从而确定出该软件所包含的功能，因此需要从待测软件界面中挑选出能够响应用户操作的候选待测元素信息。
在一种可选方案中，确定待测软件界面中的候选待测元素信息，可包括步骤A1-A2：
步骤A1、对待测软件界面进行元素信息提取，得到第一元素集合。
步骤A2、根据元素操作反馈信息对第一元素集合进行筛选，得到候选待测元素信息。
元素信息可以是待测软件界面中包含的全部信息，包括但不限于界面中可响应用户的按键、图层以及文件等。元素操作反馈信息可以是对待测软件界面中的操作后，待测软件响应与该操作的响应信息。
在从待测软件界面中提取候选待测元素信息时，若直接依据元素操作反馈信息进行获取时，难以保证元素信息的获取效率，因此为了保证候选待测元素信息的提取效率，需要先从待测软件界面中提取出元素信息，从而得到包含待测软件界面中元素信息的第一元素集合。
在得到第一元素集合后，将对第一元素集合中包含的元素信息进行操作，从而得到各个元素信息的元素操作反馈信息，并依据各个元素信息的元素操作反馈信息对各个元素信息进行筛选，从而确定能够被操作的候选待测元素信息。
在一种可选方案中，对待测软件界面进行元素信息提取，得到第一元素集合，可包括步骤A11-A15：
步骤A11、基于机器学习图像目标识别和提取算法，将待测软件界面中的元素类别与元素位置进行提取，得到第二元素集合。
步骤A12、基于交互指令，获取待测软件运行过程中的界面文件。
步骤A13、对界面文件进行解析，提取界面文件中包含的元素层级信息与元素属性信息，得到第三元素集合。
步骤A14、基于第三方工具的界面设计文件，将待测软件设计信息导出，提取导出的元素类别与元素位置，得到第四元素集合。
步骤A15、将第二元素集合、第三元素集合以及第四元素集合之间可以互相补充汇总或独立，得到第一元素集合。
在对待测软件界面进行元素信息提取时，若仅通过一种方法对元素信息提取，可能导致元素信息的提取结果缺乏准确性与完整性，为保证元素信息提取的完整性，将采用至少三种方法进行获取，上述步骤A11-A12与步骤A13以及步骤A14并不存在执行顺序关系，可以仅执行某一个或几个获取元素集合的步骤。
示例性的，在某一系统中，步骤A11-A12无法在该系统下运行时，将不再执行步骤A11-A12，而执行步骤A13-A14。
图2为本发明实施例所适用元素信息提取的流程图。参见图2，首先将待测软件界面输入至机器学习图像目标识别和提取算法中进行运算，得到待测软件界面中元素信息的元素类别与元素位置，并将元素信息的元素类别与元素位置进行集合得到第二元素集合。其中，元素类别可以是待测软件界面中的输入框、复选框、滑动条以及icon图标等。元素位置可以是元素在待测软件界面中的位置。
其次将使用交互指令获取待测软件运行过程中的界面文件，并进一步解析界面文件中的元素层级和元素属性值等信息来获取界面元素及层级关系，并将得到的界面元素及层级关系进行集合得到第三元素集合，其中，元素层级包括但不限于背景层、UI层、悬浮层以及弹出层等。元素属性值包括但不限于ID属性值以及文本内容等。
最后对第三方工具的界面设计文件使用转换插件将待测软件设计信息导出为对应的元素类别与元素位置，并将元素类别与元素位置进行集合，得到第四元素集合。将得到的第二元素集合、第三元素集合以及第四元素集合进行汇总，得到第一元素集合。
S120、基于预训练模型Bert/XLNet微调的深度神经网络模型，根据候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别。
其中，起功能元素和止功能元素属于候选待测元素。
功能类别可以是包括但不限于登录功能、注销功能以及添加购物车等。起功能元素可以是执行某一功能时的最先操作的元素，止功能元素可以是执行某一功能时的最终操作的元素。目标待测元素集可以是执行某一功能时的需要进行操作的所有元素集合，不同的功能所含的目标待测元素集可能不同。
在得到候选待测元素后，可以将得到的候选待测元素输入至预训练模型Bert/XLNet微调的深度神经网络模型中，运用深度神经网络模型能够计算出不同元素所属的功能类别以及该功能类别的起功能元素和止功能元素的特征信息，得到候选待测元素中各个元素所属的功能类别以及对应的起功能元素和止功能元素。
通过预训练模型Bert/XLNet微调的深度神经网络模型，确定候选待测元素信息与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，极大的提高了起功能元素和止功能元素以及目标待测元素集的功能类别的确定效率，保证了整体系统运算的效率，运用神经网络模型进行运算，保证了整体系统运算结果的准确性与整体系统运行的稳定性。
S130、基于seq2seq深度神经网络模型，根据目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，确定目标待测元素集的测试用例。
测试用例可以是对一项特定的软件产品进行测试任务的描述，体现测试方案、方法、技术和策略。
在确定目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别后，可以利用seq2seq深度神经网络模型能够生成语言描述的特性，生成出不同功能对应的测试用例描述。
通过seq2seq深度神经网络模型，确定目标待测元素集的测试用例，使得测试用例的生成过程能够被神经网络自动生成，从而提高了生成的测试用例的准确性，提高了生成效率。
S140、根据测试用例对待测软件进行测试，得到软件测试结果。
软件测试结果可以是按照测试用例对待测软件进行操作后，得到的操作响应、反馈结果和结果的正确性判断等。
在得到测试用例后，可以按照测试用例中描述的操作对待测软件进行操作，并记录操作过程中待测软件的运行情况以及响应结果等信息，并将记录的待测软件的运行情况以及响应结果等信息导出为pdf、xlsx以及csv等通用文件类型的软件测试结果。
根据本发明实施例的技术方案，通过预训练模型Bert/XLNet微调的深度神经网络模型，确定候选待测元素信息与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，极大的提高了起功能元素和止功能元素以及目标待测元素集的功能类别的确定效率，保证了整体系统运算的效率，运用神经网络模型进行运算，保证了整体系统运算结果的准确性与整体系统运行的稳定性。通过seq2seq深度神经网络，确定目标待测元素集的测试用例，使得测试用例的生成过程能够被神经网络自动生成，从而提高了生成的测试用例的准确性，提高了生成效率。通过上述方案的执行，实现了测试用例的自动化生成的同时，保证了自动化生成测试用例过程中不同操作语句见的逻辑性。
实施例二
图3为本发明实施例提供了另一种软件测试方法的流程图，本实施例在上述实施例的基础上对前述实施例中seq2seq深度神经网络模型，根据目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，确定目标待测元素集的测试用例的过程进行进一步优化，本实施例可以与上述一个或多个实施例中各个可选方案进行结合。如图2所示，本实施例的软件测试方法，可包括以下步骤：
S210、确定待测软件界面中的候选待测元素信息。
S220、基于自然语言模型，根据候选待测元素信息确定与候选待测元素对应的词向量。
词向量可以是将单词转化为计算机可以进行运算的数据向量的表示方式。
由于在通过待测软件界面获取的候选待测元素信息并非能够被全部神经网络模型能够直接运算的数据类型，因此无法直接将候选待测元素信息直接输入至神经网络模型中进行运算，因此需要将候选待测元素信息进行数据转化得到能够被神经网络模型运算的数据。
将从待测软件界面中获取的候选待测元素信息输入至自然语言模型中，利用自然语言模型能够将候选待测元素信息转化为能够被计算机直接运算的数据的特性，将候选待测元素信息输入至自然语言模型中，从而得到能够被计算机直接运算的与候选待测元素对应的词向量。
通过利用自然语言模型的特性，使得候选待测元素信息能够转换为与候选待测元素对应的词向量，从而使得候选待测元素信息转化为能够被计算机直接运算的数据，避免了输入其他神经网络模型时可能出现因为输入数据格式问题而导致出现计算错误的问题。
在一种可选方案中，自然语言模型的训练过程，可包括步骤C1-C4:
步骤C1、依据字典进行词向量的生成，得到对应词向量。
步骤C2、在词向量组编码过程中，嵌入位置信息，得到带有位置编码的词向量。
步骤C3、将词向量输入至基于Transformer的语言模型进行初步训练，得到第一语言模型。
步骤C4、将自然语言输入至第一语言模型进行训练，得到自然语言模型。
自然语言可以是人类使用的语言等。
在对神经网络模型进行训练得到自然语言模型时，需要生成一定数量的词向量对神经网络模型进行训练，因此将利用行业字典对词向量进行编码生成词向量。
词向量主要包括两种生成方式，分别为固定表征生成方式与基于语言模型的动态方法。图4为本发明实施例所适用的词向量的生成方法的原理图。参见图4，词向量是CBOW/skip-gram模型的产物，CBOW主要解决通过给定一组词来预测其中心词，skip-gram主要用来解决根据给定中心词判断其上下文词语。将得到的随机词向量组输入至基于Transformer的语言模型进行初步训练，训练提高语言模型自然语言转化为词向量的转化效率与准确率，进而得到第一语言模型。
在将自然语言转化为词向量的过程中，嵌入位置信息，确定不同词向量之间的位置关系后，在输入至第一语言模型中进行训练，从而得到自然语言模型。
S230、基于预训练模型Bert/XLNet微调的深度神经网络模型，根据候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别。
其中，起功能元素和止功能元素属于候选待测元素。
S240、基于seq2seq深度神经网络模型，确定目标待测元素集的功能类别中起止功能元素之间词向量的位置关系。
S250、基于词向量的位置关系，确定各个功能类别的词向量序列。
除前述能够生成测试用例的特性外，seq2seq深度神经网络模型还具有确定不同词向量之间对应位置关系的特性，因此可以利用seq2seq深度神经网络模型的特性，确定出目标待测元素集的功能类别中起止功能元素之间词向量的位置关系，从而确定出各个功能类别的起功能元素与止功能元素之间词向量的词向量序列。
S260、将词向量序列与对应相同/相似功能类别的历史词向量序列进行类比，得到比较结果，并将比较结果添加至软件测试报告中。
依据得到的词向量序列可以确定某一功能在执行时的操作之间的逻辑执行顺序，因此可以将待测软件的词向量序列与对应相同功能类别的历史词向量序列进行类比，比较内容包括但不限于元素内容表达、逻辑结构设计以及流程跳转逻辑等，其中元素内容表达包含元素设计合理、对应元素操作及功能跳转间的便利性与正确性，并将比较结果添加至最终生成的软件测试报告中。
S270、基于规则模板与自然语言生成模型，对目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别进行处理，得到对应的元素操作及跳转描述语句。
利用规则模板与自然语言生成模型，将目标待测元素集关联的起功能元素和止功能元素之间的词向量进行填充，其中，填充的词向量对应目标待测元素集的功能类别，从而得到对应操作序列的描述语句。其中，操作语句的表述可以是“在xxx选项部分选择xxx(选项)”。
S280、基于seq2seq深度神经网络模型，对生成的句子进行整合，得到目标待测元素集的测试用例。
由于不同的操作语句需要按照一定的顺序进行执行才能实现该操作语句对应的功能类别，因此需要将得到的操作语句按照对应顺序进行组合，从而得到目标待测元素集的测试用例。
因此需要利用seq2seq深度神经网络模型能够确定不同操作语句的特性，对得到的至少两条操作语句之间的顺序进行确定，并生成符合该顺序的测试用例。
通过seq2seq深度神经网络模型生成目标待测元素集的测试用例，除使得最终生成的测试用例更符合对应功能的执行顺序之外，还提高了测试用例的生成效率与生成结果的准确性。
S290、根据测试用例对待测软件进行测试，得到软件测试结果。
根据本发明实施例的技术方案，通过利用自然语言模型的特性，使得候选待测元素信息能够转换为与候选待测元素对应的词向量，从而使得候选待测元素信息转化为能够被计算机直接运算的数据，避免了输入其他神经网络模型时可能出现因为输入数据格式问题而导致出现计算错误的问题。通过seq2seq深度神经网络模型生成目标待测元素集的测试用例，除使得最终生成的测试用例更符合对应功能的执行顺序之外，还提高了测试用例的生成效率与生成结果的准确性。通过上述步骤的执行，使生成的用例更贴合人类的语言表达形式，提高长测试用例生成过程中上下文的逻辑相关性。
实施例三
图5为本发明实施例提供了一种软件测试装置的结构框图，本实施例可适用于自动化生成测试用例，从而完成软件测试的情形。该软件测试装置可以采用硬件和/或软件的形式实现，该软件测试装置可配置于具有数据处理能力的电子设备中。如图5所示，本实施例的软件测试装置，可包括：元素信息获取模块310、候选元素获取模块320、测试用例生成模块330以及测试结果生成模块340。其中：
元素信息获取模块310，用于确定待测软件界面中的候选待测元素信息；
候选元素获取模块320，用于基于预训练模型Bert/XLNet微调的深度神经网络模型，根据候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别；
其中，起功能元素和止功能元素属于候选待测元素；
测试用例生成模块330，用于seq2seq深度神经网络模型，根据目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别，确定目标待测元素集的测试用例；
测试结果生成模块340，用于根据测试用例对待测软件进行测试，得到软件测试结果。
在上述实施例的基础上，可选的，测试用例生成模块330，包括：
操作语句获取单元，用于基于规则模板与自然语言生成模型，对目标待测元素集关联的起功能元素和止功能元素，以及目标待测元素集的功能类别进行处理，得到单个元素操作和跳转的描述语句；
测试用例获取单元，基于seq2seq深度神经网络模型，对单个元素的描述语句进行整合，得到目标待测元素集的测试用例。
在上述实施例的基础上，可选的，元素信息获取模块310，包括：
元素集合获取单元，用于对待测软件界面进行元素信息提取，得到第一元素集合；
元素集合筛选单元，用于根据元素操作反馈信息对第一元素集合进行筛选，得到候选待测元素信息。
在上述实施例的基础上，可选的，元素集合获取单元，包括：
第二集合提取子单元，用于基于机器学习图像目标识别和提取算法，将待测软件界面中的元素类别与元素位置进行提取，得到第二元素集合；
界面文件获取子单元，用于基于交互指令，获取待测软件运行过程中的界面文件；
第三集合获取子单元，用于对界面文件进行解析，提取界面文件中包含的元素层级信息与元素属性信息，得到第三元素集合；
第四集合获取子单元，用于基于第三方工具的界面设计文件，将待测软件设计信息导出，提取导出的元素类别与元素位置，得到第四元素集合；
第一集合汇聚子单元，用于将第二元素集合、第三元素集合以及第四元素集合之间可以互相补充汇总或独立，得到第一元素集合。
在上述实施例的基础上，可选的，候选元素获取模块，包括：
词向量生成单元，用于基于自然语言模型，根据候选待测元素信息确定与候选待测元素对应的词向量。
在上述实施例的基础上，可选的，自然语言模型的训练过程，包括：
词向量组生成子单元，用于依据字典进行词向量的生成，得到词向量组；
位置信息嵌入子单元，用于在词向量组编码过程中，嵌入位置信息，得到关系词向量组；
模型初步训练子单元，用于将词向量输入至基于Transformer的语言模型进行初步训练，得到第一语言模型；
语言模型训练子单元，用于将关系词向量组输入至第一语言模型进行训练，得到自然语言模型。
在上述实施例的基础上，可选的，在候选元素获取模块320之后，还包括：
位置关系确定模块，用于基于seq2seq深度神经网络，确定目标待测元素集的功能类别中起止功能元素之间词向量的位置关系；
序列确定模块，用于基于词向量的位置关系，确定各个功能类别的词向量序列；
比较结果确定模块，用于将词向量序列与对应相同/相似功能类别的历史词向量序列进行类比，得到比较结果，并将比较结果添加至软件测试报告中。
本发明实施例所提供的软件测试装置可执行本发明任意实施例所提供的软件测试方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如软件测试方法。
在一些实施例中，软件测试方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的软件测试方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行软件测试方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种软件测试方法，其特征在于，包括：
确定待测软件界面中的候选待测元素信息；
基于预训练模型Bert/XLNet微调的深度神经网络模型，根据所述候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及所述目标待测元素集的功能类别；其中，所述起功能元素和止功能元素属于候选待测元素；
基于seq2seq深度神经网络模型，根据所述目标待测元素集关联的起功能元素和止功能元素，以及所述目标待测元素集的功能类别，生成所述目标待测元素集的测试用例；
根据所述测试用例对待测软件进行测试，得到软件测试结果。
2.根据权利要求1所述的方法，其特征在于，基于seq2seq深度神经网络模型，根据所述目标待测元素集关联的起功能元素和止功能元素，以及所述目标待测元素集的功能类别，确定所述目标待测元素集的测试用例，包括：
基于规则模板与自然语言生成模型，对所述目标待测元素集关联的起功能元素和止功能元素，以及所述目标待测元素集的功能类别进行处理，得到对应元素序列的模板描述语句；
基于所述seq2seq微调深度神经网络模型，对所述模板描述语句进行自然语言生成处理，得到所述目标待测元素集的测试用例描述。
3.根据权利要求1所述的方法，其特征在于，确定待测软件界面中的候选待测元素信息，包括：
对所述待测软件界面进行元素信息提取，得到第一元素集合；
根据元素操作反馈信息对所述第一元素集合进行筛选，得到所述候选待测元素信息。
4.根据权利要求3所述的方法，其特征在于，对所述待测软件界面进进行元素信息提取，得到第一元素集合，包括：
基于机器学习图像目标识别和提取算法，将所述待测软件界面中的元素类别与元素位置进行提取，得到第二元素集合；
基于交互指令，获取待测软件运行过程中的界面文件；
对界面文件进行解析，提取所述界面文件中包含的元素层级信息与元素属性信息，得到第三元素集合；
基于第三方工具的界面设计文件，将待测软件设计信息导出，提取导出的元素类别与元素位置，得到第四元素集合；
所述第二元素集合、所述第三元素集合以及所述第四元素集合之间可以互相补充汇总或独立，得到所述第一元素集合。
5.根据权利要求1所述的方法，在基于预训练模型Bert/XLNet微调的深度神经网络模型，根据所述候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及所述目标待测元素集的功能类别之前，所述方法还包括：
基于自然语言模型，根据所述候选待测元素信息确定与候选待测元素对应的词向量。
6.根据权利要求5所述的方法，其特征在于，所述自然语言模型的训练过程，包括：
依据行业知识字典进行词向量的向量生成，得到基于字典的词向量；
在所述基于字典的向量嵌入位置信息，得到表达句法的上下文关系向量组；
将所述随机词向量输入至基于Transformer的语言模型进行初步训练，得到第一语言模型；
将所述词向量关系词向量组输入至所述第一语言模型进行训练，得到所述自然语言模型。
7.根据权利要求5所述的方法，其特征在于，在基于预训练模型Bert/XLNet微调的深度神经网络模型，根据所述候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及所述目标待测元素集的功能类别之后，还包括：
基于所述seq2seq深度神经网络，确定目标待测元素集的功能类别中起止功能元素之间词向量的顺序关系；
基于所述词向量的顺序关系，确定功能类别的词向量序列；
将所述词向量序列与对应相同功能类别的历史词向量序列进行类比分析，得到分析结果，并将分析结果添加至软件测试报告中。
8.一种软件测试装置，其特征在于，包括：
元素信息获取模块，用于确定待测软件界面中的候选待测元素信息；
候选元素获取模块，基于预训练模型Bert/XLNet微调的深度神经网络模型，根据所述候选待测元素信息确定与目标待测元素集关联的起功能元素和止功能元素，以及所述目标待测元素集的功能类别；
其中，所述起功能元素和止功能元素属于候选待测元素；
测试用例生成模块，基于seq2seq深度神经网络，根据所述目标待测元素集关联的起功能元素和止功能元素，以及所述目标待测元素集的功能类别，确定所述目标待测元素集的测试用例；
测试结果生成模块，用于根据所述测试用例对待测软件进行测试，得到软件测试结果。
9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的软件测试方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的软件测试方法。
CN202310628722.0A 2023-05-30 2023-05-30 一种软件测试方法、装置、电子设备及存储介质 Pending CN116594901A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310628722.0A CN116594901A (zh) 2023-05-30 2023-05-30 一种软件测试方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310628722.0A CN116594901A (zh) 2023-05-30 2023-05-30 一种软件测试方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116594901A true CN116594901A (zh) 2023-08-15

Family

ID=87600582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310628722.0A Pending CN116594901A (zh) 2023-05-30 2023-05-30 一种软件测试方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116594901A (zh)

Similar Documents

Publication Publication Date Title
CN112559885B (zh) 地图兴趣点的训练模型确定方法、装置及电子设备
CN115293149A (zh) 一种实体关系识别方法、装置、设备及存储介质
CN112989797B (zh) 模型训练、文本扩展方法，装置，设备以及存储介质
CN118210670A (zh) 日志异常检测方法、装置、电子设备及存储介质
CN112100367A (zh) 一种景区舆情预警方法及装置
CN117724980A (zh) 软件框架性能的测试方法、装置、电子设备和存储介质
CN116089308A (zh) 一种软件测试用例的生成方法、装置、设备及介质
CN117038099A (zh) 医疗类术语标准化方法以及装置
CN115186738B (zh) 模型训练方法、装置和存储介质
CN116594901A (zh) 一种软件测试方法、装置、电子设备及存储介质
CN115665285A (zh) 数据处理方法、装置、电子设备及存储介质
CN115659347A (zh) 一种安全测试方法、装置、电子设备和存储介质
CN115098677A (zh) 一种用户界面组件分类方法及装置
CN114328956A (zh) 文本信息的确定方法、装置、电子设备及存储介质
CN115098405B (zh) 软件产品的测评方法、装置、电子设备及存储介质
CN113836291B (zh) 数据处理方法、装置、设备和存储介质
CN112148285B (zh) 一种界面设计方法、装置、电子设备及存储介质
CN116127948B (zh) 待标注文本数据的推荐方法、装置及电子设备
CN113822057B (zh) 地点信息确定方法、装置、电子设备以及存储介质
CN117235611A (zh) 故障检测模型训练、故障检测方法、装置、设备及介质
CN118364424A (zh) 文本处理、文本处理模型的训练方法、装置、设备及介质
CN117827637A (zh) 自动化测试方法、装置及电子设备
CN117493785A (zh) 数据处理方法、装置及电子设备
CN116483440A (zh) 一种智能运维服务器的方法、系统、设备及存储介质
CN117574146A (zh) 文本分类标注方法、装置、电子设备和存储介质

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