CN117435505A - 一种性能测试脚本可视化生成方法 - Google Patents
一种性能测试脚本可视化生成方法 Download PDFInfo
- Publication number
- CN117435505A CN117435505A CN202311642479.4A CN202311642479A CN117435505A CN 117435505 A CN117435505 A CN 117435505A CN 202311642479 A CN202311642479 A CN 202311642479A CN 117435505 A CN117435505 A CN 117435505A
- Authority
- CN
- China
- Prior art keywords
- script
- training
- optimization
- semantic understanding
- performance test
- 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.)
- Granted
Links
- 238000013515 script Methods 0.000 title claims abstract description 287
- 238000011056 performance test Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 76
- 238000012549 training Methods 0.000 claims description 69
- 238000012800 visualization Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 description 91
- 230000008569 process Effects 0.000 description 16
- 230000018109 developmental process Effects 0.000 description 12
- 238000011161 development Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种性能测试脚本可视化生成方法,其构建性能测试场景脚本模板;引用所述性能测试场景脚本模板,创建脚本;生成初始化参数;用户操作被测系统,利用录制工具录制用户操作以得到多个用户操作代码段;对所述多个用户操作代码段进行处理以得到优化脚本;拖拽组件二次开发所述优化脚本;以及,跟踪日志信息定位错误脚本信息,重复多次调试所述优化脚本,直至完成所述优化脚本。这样,可以利用已有的或者共享的性能测试场景脚本模板,减少编写性能测试场景的工作量和难度。
Description
技术领域
本发明涉及智能化性能测试技术领域,尤其涉及一种性能测试脚本可视化生成方法。
背景技术
性能测试是软件开发过程中的重要环节,它可以评估软件系统的性能、可靠性、稳定性等指标,以保证软件质量和用户体验。
然而,传统的性能测试通常需要编写复杂的脚本,这不仅耗时耗力,而且对测试人员的技术水平要求较高。
因此,期待一种优化的性能测试脚本生成方案。
发明内容
本发明实施例提供一种性能测试脚本可视化生成方法,其构建性能测试场景脚本模板;引用所述性能测试场景脚本模板,创建脚本;生成初始化参数;用户操作被测系统,利用录制工具录制用户操作以得到多个用户操作代码段;对所述多个用户操作代码段进行处理以得到优化脚本;拖拽组件二次开发所述优化脚本;以及,跟踪日志信息定位错误脚本信息,重复多次调试所述优化脚本,直至完成所述优化脚本。这样,可以利用已有的或者共享的性能测试场景脚本模板,减少编写性能测试场景的工作量和难度。
本发明实施例还提供了一种性能测试脚本可视化生成方法,其包括:
构建性能测试场景脚本模板;
引用所述性能测试场景脚本模板,创建脚本;
生成初始化参数;
用户操作被测系统,利用录制工具录制用户操作以得到多个用户操作代码段;
对所述多个用户操作代码段进行处理以得到优化脚本;
拖拽组件二次开发所述优化脚本;以及
跟踪日志信息定位错误脚本信息,重复多次调试所述优化脚本,直至完成所述优化脚本。
附图说明
为了更清楚地说明本发明实施例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。在附图中:
图1为本发明实施例中提供的一种性能测试脚本可视化生成方法的流程图。
图2为本发明实施例中提供的用户的操作步骤图。
图3为本发明实施例中提供的一种性能测试脚本可视化生成方法的系统架构的示意图。
图4为本发明实施例中提供的一种性能测试脚本可视化生成方法中步骤150的子步骤的流程图。
图5为本发明实施例中提供的一种性能测试脚本可视化生成系统的框图。
图6为本发明实施例中提供的一种性能测试脚本可视化生成方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
当涉及到软件开发过程中的重要环节时,性能测试是一个至关重要的方面。性能测试旨在评估软件系统在不同负载条件下的性能表现,以确保其能够满足用户的需求和期望。性能测试可以帮助发现系统在面对高负载时的性能瓶颈和问题,例如响应时间延迟、吞吐量下降、资源利用率不佳等。通过性能测试,开发团队可以识别并解决这些问题,从而提高系统的性能、可靠性和稳定性。
以下是性能测试的一些重要方面和目标:
响应时间:性能测试可以测量系统对用户请求的响应时间。这是用户体验中至关重要的一部分,因为快速响应的系统可以提高用户满意度,并增加用户的参与度。
吞吐量:性能测试可以评估系统在给定时间内能够处理的请求量。通过测试系统的吞吐量,可以确定系统在高负载情况下的处理能力,并为系统容量规划提供参考。
并发用户数:性能测试可以确定系统能够同时处理的并发用户数量。这对于在线应用程序和服务特别重要,因为系统需要能够同时处理多个用户的请求,而不会导致性能下降。
资源利用率:性能测试可以检查系统在运行期间对计算资源(例如CPU、内存、磁盘和网络)的利用率。通过评估资源利用率,可以确定系统的扩展性和可伸缩性,以满足未来的增长需求。
稳定性和可靠性:性能测试可以验证系统在长时间运行和重负载下的稳定性和可靠性。这有助于发现潜在的内存泄漏、死锁、性能下降等问题,并及早解决它们。
通过进行性能测试,开发团队可以获得关于系统性能的定量数据和指标,以便做出有关系统优化和改进的决策。这可以帮助确保软件系统在实际使用中能够提供良好的性能和用户体验,从而满足用户的需求并保持竞争力。
传统的性能测试是指在软件开发过程中使用传统方法和工具进行的性能测试活动。传统性能测试的步骤和方法包括:首先,性能测试团队与相关利益相关者合作,了解系统性能需求和目标,这包括确定响应时间、吞吐量、并发用户数等指标。根据需求分析的结果,制定性能测试计划,该计划包括测试的范围、测试目标、测试环境、测试数据、测试工具和资源等方面的规划。建立适当的测试环境,包括硬件、网络和软件配置,测试环境应尽可能地模拟实际生产环境,以确保测试结果的准确性和可靠性。根据性能测试计划,测试团队编写性能测试脚本,脚本包括模拟用户操作的步骤和数据,并使用性能测试工具进行录制或编写。对于需要使用不同数据集进行测试的场景,测试团队将脚本参数化,以便在每次运行测试时使用不同的数据。在测试环境中,运行性能测试脚本并收集性能指标数据,这包括响应时间、吞吐量、并发用户数、资源利用率等。分析收集到的性能数据,识别系统的性能瓶颈和问题,根据分析结果,进行性能优化,例如调整系统配置、优化代码、增加硬件资源等。最后,根据测试执行和分析结果,编写性能测试报告,报告包括测试概述、测试结果、问题和建议等。此外,还可以总结测试过程中的经验教训和改进点。
传统性能测试通常需要专业的性能测试团队和工具来执行和分析测试。这种方法通常需要编写和维护复杂的测试脚本,并进行手动的测试执行和分析。尽管传统性能测试方法可靠,但它们可能耗时耗力,并且对测试团队的技术水平要求较高。传统性能测试通常只能涵盖有限的测试场景和使用情况,由于时间和资源的限制,往往只能测试一小部分典型用户和负载情况,无法完全覆盖所有可能的使用情况。
传统性能测试通常使用静态的测试数据进行测试,这些数据可能无法真实地模拟真实世界的动态和复杂性。实际上,系统在运行时会面临不同的数据流和负载,这些因素可能会对性能产生重要影响。传统性能测试往往只提供离线的测试结果,无法提供实时的监测和分析,这意味着在测试完成后才能发现性能问题,而无法及时采取措施解决问题。传统性能测试需要专门的测试环境、硬件和软件工具,这会增加测试的成本和复杂性。此外,测试过程中需要大量的人力资源和时间,限制了测试的频率和覆盖范围。传统性能测试往往难以适应快速变化的软件开发环境和需求。当系统进行修改或升级时,测试团队需要重新设计和执行测试,这会导致延迟和额外的工作量。
传统的性能测试方法在覆盖范围、数据模拟、实时监测和成本效益等方面存在一些限制和弊端。为了克服这些问题,一些新的性能测试方法和工具已经出现,例如基于云的性能测试、负载测试自动化和实时性能监测等,以提高性能测试的效率和准确性。
在本发明的一个实施例中,图1为本发明实施例中提供的一种性能测试脚本可视化生成方法的流程图。如图1所示,根据本发明实施例的性能测试脚本可视化生成方法,包括:110,构建性能测试场景脚本模板;120,引用所述性能测试场景脚本模板,创建脚本;130,生成初始化参数;140,用户操作被测系统,利用录制工具录制用户操作以得到多个用户操作代码段;150,对所述多个用户操作代码段进行处理以得到优化脚本;
160,拖拽组件二次开发所述优化脚本;以及,170,跟踪日志信息定位错误脚本信息,重复多次调试所述优化脚本,直至完成所述优化脚本。
在所述步骤110中,确定性能测试场景的目标和范围,例如模拟用户登录、浏览商品、下单等常见场景。考虑到系统的复杂性和实际使用情况,设计合理的测试数据和操作流程。考虑并发用户数、请求频率、负载均衡等因素,以模拟真实的负载情况。这样,构建性能测试场景脚本模板可以提高测试的一致性和可重复性,确保不同测试执行之间的一致性。提前规划和设计脚本模板可以节省后续测试脚本开发的时间和工作量。合理的脚本模板可以更好地模拟真实用户行为,提高测试的准确性和可信度。
在所述步骤120中,根据具体的性能测试场景需求,选择合适的性能测试工具或编程语言来创建脚本。引用性能测试场景脚本模板时,确保根据实际情况进行适当的修改和定制,以满足所需的测试目标和需求。这样,引用性能测试场景脚本模板可以减少脚本编写的工作量和时间。利用现有的脚本模板可以遵循最佳实践和经验教训,提高测试脚本的质量和效率。创建脚本时,可以更专注于定制和优化特定的测试场景,提高测试的准确性和可靠性。
在所述步骤130中,根据性能测试场景和需求,确定所需的初始化参数,例如并发用户数、请求频率、测试数据等。初始化参数应该能够模拟真实用户行为和负载情况,以获得准确的性能测试结果。这样,生成初始化参数可以确保测试的一致性和可重复性,以便进行性能结果的比较和分析。合理选择和设置初始化参数可以更好地模拟真实的负载情况,提高测试的准确性和可信度。
在所述步骤140中,使用合适的录制工具来记录用户操作,例如屏幕录制工具或性能测试工具中的录制功能,以得到多个用户操作代码段。这样,录制用户操作可以捕捉真实的用户行为,更好地模拟测试场景。多个用户操作代码段可以作为后续优化脚本的参考和依据,提高脚本的准确性和可靠性。
在所述步骤150中,对所述多个用户操作代码段进行处理以得到优化脚本。根据所述多个用户操作代码段,识别出性能瓶颈和潜在的优化点。这样,分析所述多个用户操作代码段可以帮助发现性能问题和改进的机会。基于所述多个用户操作代码段的分析结果,生成优化脚本可以针对性地改进测试脚本,提高测试的准确性和效率。
在所述步骤160中,根据优化脚本的需求,使用合适的工具或编程语言进行二次开发,例如使用性能测试工具的自定义组件功能。根据实际需求,对优化脚本进行拖拽组件的二次开发,以满足特定的测试场景和需求。这样,拖拽组件的二次开发可以提高测试脚本的灵活性和可扩展性,以适应不同的测试场景和需求。通过二次开发,可以更好地定制和优化脚本,提高测试的准确性和可靠性。
在所述步骤170中,在优化脚本的过程中,密切关注日志信息,包括性能测试工具的日志和被测系统的日志。根据日志信息定位错误脚本信息,例如性能问题、错误请求等。多次调试优化脚本,进行迭代和改进,直至获得满足测试目标的最终优化脚本。这样,跟踪日志信息可以帮助定位和解决脚本中的错误和性能问题。多次调试和优化脚本可以逐步改进脚本的质量和性能,提高测试的准确性和可靠性。
在本申请的一个实施例中,如图2所示,使用自动化测试工具来捕捉用户的操作步骤并生成脚本。以下是一般的步骤:
1. 选择系统的自动化测试工具。常见的工具包括Selenium、Appium和RobotFramework等。这些工具可以用于不同类型的应用程序,如Web应用、移动应用等。
2. 安装和配置所选工具。根据工具的文档,按照指引进行安装和配置。这通常包括安装相关依赖项、设置环境变量等。
3. 启动录制模式。使用自动化测试工具提供的录制功能,启动录制模式以捕捉用户的操作步骤。录制模式通常会在屏幕上显示一个操作面板,记录用户的点击、输入和导航等操作。
4. 执行用户操作。在录制模式下,可以通过模拟用户的操作来执行想要捕捉的测试步骤。这可以包括点击按钮、输入文本、选择选项等。
5. 停止录制。完成用户的操作步骤后,停止录制。自动化测试工具将会生成一个包含捕捉到的操作步骤的脚本或代码。
6. 优化和编辑脚本。生成的脚本通常会包含一些冗余或不必要的步骤。可以根据需要对脚本进行优化和编辑,去除不必要的步骤,添加必要的断言或验证等。
其中,构建性能测试场景脚本模板可以提高性能测试场景的复用性和可扩展性。也就是说,根据不同的性能测试需求和目标,可以快速地修改或者增加性能测试场景脚本模板中的内容,而不需要从零开始编写。这样,可以利用已有的或者共享的性能测试场景脚本模板,减少编写性能测试场景的工作量和难度。
特别地,在150步骤中,本申请的技术构思是结合基于深度学习的人工智能技术,分析所述多个用户操作代码段中的操作语义特征,以此来智能化地优化和完善脚本。
图3为本发明实施例中提供的一种性能测试脚本可视化生成方法的系统架构的示意图。图4为本发明实施例中提供的一种性能测试脚本可视化生成方法中步骤150的子步骤的流程图。如图3和图4所示,对所述多个用户操作代码段进行处理以得到优化脚本,包括:151,对所述多个用户操作代码段进行语义分析与理解以得到初始操作脚本语义理解特征向量;以及,152,基于所述初始操作脚本语义理解特征向量,生成所述优化脚本。
在所述步骤151中,在进行语义分析和理解时,需要深入理解用户操作的意图和目的,这可以通过分析代码段中的关键函数、变量、参数以及它们之间的关系来实现。语义分析需要考虑代码段的上下文信息,包括变量的定义、作用域、数据流等,有助于准确理解代码段的含义和功能。
通过对用户操作代码段进行语义分析和理解,可以更准确地理解代码的含义和功能。这有助于后续的脚本优化和生成过程。通过对语义理解的结果进行提取和整理,可以得到初始操作脚本的语义理解特征向量。该特征向量可以捕捉代码段的关键特征和语义信息,为后续的脚本优化提供基础。
在所述步骤152中,在生成优化脚本时,需要考虑不同的性能优化策略,例如减少计算复杂度、优化算法、并行化处理等,根据特定的应用场景和需求,选择合适的优化策略进行脚本生成。在优化脚本的过程中,需要确保生成的脚本在功能上与初始操作脚本保持一致,优化脚本应该能够正确地模拟用户操作,并产生相同的结果。
通过基于初始操作脚本语义理解特征向量生成优化脚本,可以针对性地优化脚本的执行路径、顺序和逻辑,从而提高脚本的性能和效率。优化脚本可以减少不必要的计算和资源消耗,加快脚本的执行速度。优化脚本可以减少对系统资源的占用,从而降低资源消耗,通过优化脚本,可以更有效地利用系统资源,提高系统的吞吐量和并发性能。生成优化脚本可以针对初始操作脚本中的关键路径和瓶颈进行优化,通过优化测试用例,可以更好地模拟真实用户的行为和场景,提高性能测试的准确性和可靠性。通过基于初始操作脚本语义理解特征向量生成优化脚本,可以快速进行脚本的迭代和调优,通过不断优化脚本并进行测试和评估,可以快速发现和修复性能问题,提高系统的稳定性和可靠性。
基于此,在本申请的技术方案中,对所述多个用户操作代码段进行处理以得到优化脚本,包括:首先,获取多个用户操作代码段。然后,对所述多个用户操作代码段进行语义分析与理解以得到初始操作脚本语义理解特征向量。
在本申请的一个实施例中,对所述多个用户操作代码段进行语义分析与理解以得到初始操作脚本语义理解特征向量,包括:对所述多个用户操作代码段进行语义分析以得到多个用户操作代码段语义理解特征向量;以及,对所述多个用户操作代码段语义理解特征向量通过双向长短期记忆神经网络模型以得到所述初始操作脚本语义理解特征向量。
其中,对所述多个用户操作代码段进行语义分析以得到多个用户操作代码段语义理解特征向量,包括:将所述多个用户操作代码段进行分词处理后通过包含嵌入层的上下文编码器以得到所述多个用户操作代码段语义理解特征向量。
对所述多个用户操作关键帧进行语义分析与理解以得到初始操作脚本语义理解特征向量。也就是,从所述多个用户操作关键帧中捕捉与理解用户的操作行为和语义特征,为性能测试脚本的优化提供重要的数据来源。
具体来说,通过语义分析与理解,可以推断用户在进行操作时的意图和目标。例如,用户可能在进行搜索、点击、滚动等操作,而这些操作背后可能有不同的意图,如查找信息、执行某项功能或导航网页等。理解用户意图有助于生成更准确和有针对性的性能测试脚本。同时,通过理解用户操作的语义,可以识别出重复、冗余或低效的操作,并进行优化。例如,识别出一组相似的操作步骤,可以将其合并为循环结构,以减少性能测试脚本的长度和复杂度。
通过语义分析,可以深入理解每个用户操作代码段的意图和目的,有助于准确把握用户的行为和需求,为后续的脚本生成和优化提供基础。语义分析可以帮助提取用户操作代码段中的关键信息,例如关键函数、变量、参数等,这些关键信息可以用于生成优化脚本,减少冗余操作,提高脚本的性能和效率。通过语义分析,可以识别和理解多个用户操作代码段中的重复或相似的操作,有助于精简测试用例,减少重复的测试步骤,提高测试效率。通过对多个用户操作代码段进行语义分析,可以提取关键信息并理解用户操作的逻辑和顺序,有助于加速脚本生成和优化的过程,减少人工干预,提高自动化程度。
将所述多个用户操作代码段进行分词处理后通过包含嵌入层的上下文编码器以得到所述多个用户操作代码段语义理解特征向量。具体地,将每个用户操作代码段进行分词,将代码段中的代码、关键字和标识符等元素划分为独立的词语或标记,这可以通过使用适当的分词工具或库来实现,如NLTK(自然语言工具包)或spaCy。
使用包含嵌入层的上下文编码器对分词后的代码段进行编码。上下文编码器可以是循环神经网络(如LSTM或GRU)或自注意力机制(如Transformer),上下文编码器能够考虑词语的上下文信息,并生成每个词语的上下文相关表示。对于每个用户操作代码段,将上下文编码器的输出作为语义理解特征向量,捕捉了代码段的语义信息,可以用于后续的任务,如代码推荐、相似度计算或代码分类等。
双向长短期记忆神经网络(BiLSTM)模型可以捕捉多个用户操作代码段之间的上下文依赖关系,能够有效地处理代码段中的长期依赖和跨代码段的关系,提高语义理解的准确性。通过使用BiLSTM模型,可以对多个用户操作代码段进行语义建模,理解代码段的语义结构和执行顺序,有助于生成更准确和合理的初始操作脚本语义理解特征向量。BiLSTM模型具有较强的特征表达能力,可以将多个用户操作代码段的语义信息编码为特征向量,以捕捉代码段的关键特征和语义信息,为后续的脚本优化和生成提供更有用的信息。通过使用BiLSTM模型生成初始操作脚本语义理解特征向量,可以进行迭代和调优的过程。通过不断优化模型和重新生成特征向量,可以提高脚本的性能和效果,实现快速迭代和调优。
对多个用户操作代码段进行语义分析以得到多个用户操作代码段语义理解特征向量和使用双向长短期记忆神经网络模型生成初始操作脚本语义理解特征向量,可以提高脚本生成和优化的效果,准确捕捉用户操作的意图和语义信息,加速脚本生成和优化过程,并支持迭代和调优。
在本申请的一个实施例中,基于所述初始操作脚本语义理解特征向量,生成所述优化脚本,包括:将所述初始操作脚本语义理解特征向量通过基于AIGC模型的脚本优化器以得到所述优化脚本。
进一步地,将所述初始操作脚本语义理解特征向量通过基于AIGC模型的脚本优化器以得到优化脚本。AIGC模型利用人工智能技术和编译优化算法,自动分析和优化脚本,通过将初始操作脚本的语义理解特征向量输入到AIGC模型中,模型可以智能地推断和优化脚本的执行路径、顺序和逻辑,以提高脚本的性能和效率。
AIGC模型通过对脚本进行优化,可以减少不必要的计算和资源消耗,从而加快脚本的执行速度,优化脚本可以通过改进算法、减少冗余操作、并行化处理等方式来提高性能,从而提升系统的响应速度。优化脚本可以减少对系统资源(如CPU、内存、网络等)的占用,从而降低资源消耗。通过优化脚本,可以更有效地利用系统资源,提高系统的吞吐量和并发性能。AIGC模型可以根据初始操作脚本的语义理解特征向量,自动识别和优化测试用例中的关键路径和瓶颈。通过优化测试用例,可以更好地模拟真实用户的行为和场景,提高性能测试的准确性和可靠性。AIGC模型可以快速生成优化脚本,从而加快迭代和调优的过程。通过不断优化脚本并进行测试和评估,可以快速发现和修复性能问题,提高系统的稳定性和可靠性。
将初始操作脚本语义理解特征向量应用于基于AIGC模型的脚本优化器可以自动化脚本优化,提高脚本执行速度,降低资源消耗,优化测试用例,并实现快速迭代和调优,从而提高性能测试的效率和准确性。
在本申请的又一实施例中,所述性能测试脚本可视化生成方法,还包括:S1、构建性能测试场景脚本模板;S2、引用所述性能测试场景脚本模板,创建脚本;S3、生成初始化参数;S4、拖拽组件二次开发所述脚本;以及,S5、跟踪日志信息定位错误脚本信息,重复多次调试所述脚本,直至完成所述脚本。
在本申请的一个实施例中,所述性能测试脚本可视化生成方法,还包括训练步骤:对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型和所述基于AIGC模型的脚本优化器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括多个训练用户操作代码段,以及,优化脚本的真实值;将所述多个训练用户操作代码段进行分词处理后通过所述包含嵌入层的上下文编码器以得到多个训练用户操作代码段语义理解特征向量;将所述多个训练用户操作代码段语义理解特征向量通过所述双向长短期记忆神经网络模型以得到训练初始操作脚本语义理解特征向量;对所述训练初始操作脚本语义理解特征向量进行训练优化以得到优化训练初始操作脚本语义理解特征向量;将所述优化训练初始操作脚本语义理解特征向量通过所述基于AIGC模型的脚本优化器以得到训练优化脚本;计算所述训练优化脚本和所述优化脚本的真实值之间的交叉熵函数值作为损失函数值,以所述损失函数值来对所述包含嵌入层的上下文编码器和所述基于AIGC模型的脚本优化器进行训练。
在本申请的技术方案中,将所述包含捕捉到的操作步骤的初始脚本进行分词处理后通过包含嵌入层的上下文编码器得到所述训练初始操作脚本语义理解特征向量时,实质上是通过文本语义编码过程来提取所述初始脚本的文本语义的文本内容上下文关联的语义特征,这样,再通过基于AIGC模型的脚本优化器,就可以基于作为文本语义解码过程的文本语义特征空间到概率分布空间的空间域映射来获得与训练优化脚本对应的各个文本词的概率分布,从而获得所述训练优化脚本。这里,考虑到所述训练初始操作脚本语义理解特征向量在上下文编码时对于分词内文本语义特征和分词间文本语义特征的同步表达,这会使得所述训练初始操作脚本语义理解特征向量具有整体特征分布的较为显著的不一致和不稳定,从而影响其在解码生成过程中的解码训练的稳定性。
基于此,本申请的申请人在将所述训练初始操作脚本语义理解特征向量通过基于AIGC模型的脚本优化器进行解码训练时,在每次迭代时对所述训练初始操作脚本语义理解特征向量进行训练优化,具体表示为:对所述训练初始操作脚本语义理解特征向量进行训练优化以得到优化训练初始操作脚本语义理解特征向量,包括:以如下优化公式对所述训练初始操作脚本语义理解特征向量进行训练优化以得到所述优化训练初始操作脚本语义理解特征向量;
其中,所述优化公式为:
其中,是所述训练初始操作脚本语义理解特征向量,/>是所述训练初始操作脚本语义理解特征向量/>的第/>个位置的特征值,/>和/>分别是所述训练初始操作脚本语义理解特征向量/>的1范数和2范数,/>是所述训练初始操作脚本语义理解特征向量/>的长度,且是与/>相关的权重超参数,/>是所述优化训练初始操作脚本语义理解特征向量的第/>个位置的特征值。。
这里,通过所述训练初始操作脚本语义理解特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示,来使得所述训练初始操作脚本语义理解特征向量/>的全局特征分布对于局部模式变化具有一定重复性,以在所述训练初始操作脚本语义理解特征向量/>通过基于AIGC模型的脚本优化器进行解码生成时,对于全局特征分布经由分类器的权重矩阵的尺度和旋转变化具有鲁棒性,提升基于AIGC模型的脚本优化器的训练的稳定性。
综上,基于本发明实施例的性能测试脚本可视化生成方法被阐明,其结合基于深度学习的人工智能技术,分析所述多个用户操作代码段中的操作语义特征,以此来智能化地优化和完善脚本。
图5为本发明实施例中提供的一种性能测试脚本可视化生成系统的框图。如图5所示,所述性能测试脚本可视化生成系统200,包括:脚本模板构建模块210,用于构建性能测试场景脚本模板;脚本创建模块220,用于引用所述性能测试场景脚本模板,创建脚本;初始化参数生成模块230,用于生成初始化参数;多个用户操作代码段生成模块240,用于用户操作被测系统,利用录制工具录制用户操作以得到多个用户操作代码段;脚本优化模块250,用于对所述多个用户操作代码段进行处理以得到优化脚本;二次开发模块260,用于拖拽组件二次开发所述优化脚本;以及,调试模块270,用于跟踪日志信息定位错误脚本信息,重复多次调试所述优化脚本,直至完成所述优化脚本。
本领域技术人员可以理解,上述性能测试脚本可视化生成系统中的各个步骤的具体操作已经在上面参考图1到图4的性能测试脚本可视化生成方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的性能测试脚本可视化生成系统200可以实现在各种终端设备中,例如用于性能测试脚本可视化生成的服务器等。在一个示例中,根据本发明实施例的性能测试脚本可视化生成系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该性能测试脚本可视化生成系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该性能测试脚本可视化生成系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该性能测试脚本可视化生成系统200与该终端设备也可以是分立的设备,并且该性能测试脚本可视化生成系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图6为本发明实施例中提供的一种性能测试脚本可视化生成方法的应用场景图。如图6所示,在该应用场景中,首先,利用录制工具录制用户操作(例如,如图6中所示意的C);然后,将用户操作输入至部署有性能测试脚本可视化生成算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于性能测试脚本可视化生成算法对所述用户操作进行处理,以生成所述优化脚本。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种性能测试脚本可视化生成方法,其特征在于,包括:
构建性能测试场景脚本模板;
引用所述性能测试场景脚本模板,创建脚本;
生成初始化参数;
用户操作被测系统,利用录制工具录制用户操作以得到多个用户操作代码段;
对所述多个用户操作代码段进行处理以得到优化脚本;
拖拽组件二次开发所述优化脚本;以及
跟踪日志信息定位错误脚本信息,重复多次调试所述优化脚本,直至完成所述优化脚本。
2. 根据权利要求1所述的性能测试脚本可视化生成方法,其特征在于,对所述多个用户操作代码段进行处理以得到优化脚本,包括:
对所述多个用户操作代码段进行语义分析与理解以得到初始操作脚本语义理解特征向量;以及
基于所述初始操作脚本语义理解特征向量,生成所述优化脚本。
3. 根据权利要求2所述的性能测试脚本可视化生成方法,其特征在于,对所述多个用户操作代码段进行语义分析与理解以得到初始操作脚本语义理解特征向量,包括:
对所述多个用户操作代码段进行语义分析以得到多个用户操作代码段语义理解特征向量;以及
对所述多个用户操作代码段语义理解特征向量通过双向长短期记忆神经网络模型以得到所述初始操作脚本语义理解特征向量。
4.根据权利要求3所述的性能测试脚本可视化生成方法,其特征在于,对所述多个用户操作代码段进行语义分析以得到多个用户操作代码段语义理解特征向量,包括:
将所述多个用户操作代码段进行分词处理后通过包含嵌入层的上下文编码器以得到所述多个用户操作代码段语义理解特征向量。
5.根据权利要求4所述的性能测试脚本可视化生成方法,其特征在于,基于所述初始操作脚本语义理解特征向量,生成所述优化脚本,包括:
将所述初始操作脚本语义理解特征向量通过基于AIGC模型的脚本优化器以得到所述优化脚本。
6.根据权利要求5所述的性能测试脚本可视化生成方法,其特征在于,还包括训练步骤:对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型和所述基于AIGC模型的脚本优化器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括多个训练用户操作代码段,以及,优化脚本的真实值;
将所述多个训练用户操作代码段进行分词处理后通过所述包含嵌入层的上下文编码器以得到多个训练用户操作代码段语义理解特征向量;
将所述多个训练用户操作代码段语义理解特征向量通过所述双向长短期记忆神经网络模型以得到训练初始操作脚本语义理解特征向量;
对所述训练初始操作脚本语义理解特征向量进行训练优化以得到优化训练初始操作脚本语义理解特征向量;
将所述优化训练初始操作脚本语义理解特征向量通过所述基于AIGC模型的脚本优化器以得到训练优化脚本;以及
计算所述训练优化脚本和所述优化脚本的真实值之间的交叉熵函数值作为损失函数值,以所述损失函数值来对所述包含嵌入层的上下文编码器和所述基于AIGC模型的脚本优化器进行训练。
7.根据权利要求6所述的性能测试脚本可视化生成方法,其特征在于,对所述训练初始操作脚本语义理解特征向量进行训练优化以得到优化训练初始操作脚本语义理解特征向量,包括:以如下优化公式对所述训练初始操作脚本语义理解特征向量进行训练优化以得到所述优化训练初始操作脚本语义理解特征向量;
其中,所述优化公式为:
其中,是所述训练初始操作脚本语义理解特征向量,/>是所述训练初始操作脚本语义理解特征向量/>的第/>个位置的特征值,/>和/>分别是所述训练初始操作脚本语义理解特征向量/>的1范数和2范数,/>是所述训练初始操作脚本语义理解特征向量/>的长度,且/>是与/>相关的权重超参数,/>是所述优化训练初始操作脚本语义理解特征向量的第/>个位置的特征值。
8.一种性能测试脚本可视化生成方法,其特征在于,还包括:
构建性能测试场景脚本模板;
引用所述性能测试场景脚本模板,创建脚本;
生成初始化参数;
拖拽组件二次开发所述脚本;以及
跟踪日志信息定位错误脚本信息,重复多次调试所述脚本,直至完成所述脚本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311642479.4A CN117435505B (zh) | 2023-12-04 | 2023-12-04 | 一种性能测试脚本可视化生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311642479.4A CN117435505B (zh) | 2023-12-04 | 2023-12-04 | 一种性能测试脚本可视化生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117435505A true CN117435505A (zh) | 2024-01-23 |
CN117435505B CN117435505B (zh) | 2024-03-15 |
Family
ID=89555401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311642479.4A Active CN117435505B (zh) | 2023-12-04 | 2023-12-04 | 一种性能测试脚本可视化生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435505B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240061762A1 (en) * | 2022-08-19 | 2024-02-22 | Sap Se | On-demand contextual trace log generation |
CN117707986A (zh) * | 2024-02-05 | 2024-03-15 | 钦原科技有限公司 | 用于移动终端的软件功耗测试方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140281721A1 (en) * | 2013-03-14 | 2014-09-18 | Sap Ag | Automatic generation of test scripts |
CN115905023A (zh) * | 2022-12-31 | 2023-04-04 | 成都易迪森科技有限公司 | 集成测试平台、测试方法和测试终端、存储介质及设备 |
CN116401349A (zh) * | 2023-03-27 | 2023-07-07 | 中国第一汽车股份有限公司 | 一种多模态回复生成的方法、装置、电子设备及存储介质 |
CN116596347A (zh) * | 2023-07-17 | 2023-08-15 | 泰山职业技术学院 | 基于云平台的多学科交互教学系统及教学方法 |
CN116701325A (zh) * | 2023-08-03 | 2023-09-05 | 吉贝克信息技术(北京)有限公司 | 基于二进制文件缓存加载xbrl分类标准的方法 |
CN116841865A (zh) * | 2023-05-25 | 2023-10-03 | 北京达佳互联信息技术有限公司 | 可视化测试方法、装置、电子设备及存储介质 |
CN116932723A (zh) * | 2023-07-28 | 2023-10-24 | 世优(北京)科技有限公司 | 基于自然语言处理的人机交互系统及其方法 |
CN116991396A (zh) * | 2023-08-23 | 2023-11-03 | 杭州朗视视频技术有限公司 | 基于场景的自定义流程和自定义模板双引擎系统及方法 |
CN117112438A (zh) * | 2023-09-11 | 2023-11-24 | 杭州鑫策科技有限公司 | 一种性能测试数据构造方法和装置 |
-
2023
- 2023-12-04 CN CN202311642479.4A patent/CN117435505B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140281721A1 (en) * | 2013-03-14 | 2014-09-18 | Sap Ag | Automatic generation of test scripts |
CN115905023A (zh) * | 2022-12-31 | 2023-04-04 | 成都易迪森科技有限公司 | 集成测试平台、测试方法和测试终端、存储介质及设备 |
CN116401349A (zh) * | 2023-03-27 | 2023-07-07 | 中国第一汽车股份有限公司 | 一种多模态回复生成的方法、装置、电子设备及存储介质 |
CN116841865A (zh) * | 2023-05-25 | 2023-10-03 | 北京达佳互联信息技术有限公司 | 可视化测试方法、装置、电子设备及存储介质 |
CN116596347A (zh) * | 2023-07-17 | 2023-08-15 | 泰山职业技术学院 | 基于云平台的多学科交互教学系统及教学方法 |
CN116932723A (zh) * | 2023-07-28 | 2023-10-24 | 世优(北京)科技有限公司 | 基于自然语言处理的人机交互系统及其方法 |
CN116701325A (zh) * | 2023-08-03 | 2023-09-05 | 吉贝克信息技术(北京)有限公司 | 基于二进制文件缓存加载xbrl分类标准的方法 |
CN116991396A (zh) * | 2023-08-23 | 2023-11-03 | 杭州朗视视频技术有限公司 | 基于场景的自定义流程和自定义模板双引擎系统及方法 |
CN117112438A (zh) * | 2023-09-11 | 2023-11-24 | 杭州鑫策科技有限公司 | 一种性能测试数据构造方法和装置 |
Non-Patent Citations (4)
Title |
---|
TURING: "深度学习炼丹-超参数设定和模型训练", pages 1 - 24, Retrieved from the Internet <URL:《https://zhuanlan.zhihu.com/p/623650279》> * |
余钊: "基于Attention机制的短文本相似度计算", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》, no. 02, 15 February 2021 (2021-02-15), pages 123 - 342 * |
拇指笔记: "【动手学深度学习笔记】之通过权重衰减法解决过拟合问题", pages 1 - 4, Retrieved from the Internet <URL:《https://cloud.tencent.com/developer/article/1682829》> * |
高锐: "基于大数据和机器学习的AI导演电影风格迁移方法", 《中国传媒大学学报(自然科学版)》, vol. 30, no. 05, 20 October 2023 (2023-10-20), pages 36 - 42 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240061762A1 (en) * | 2022-08-19 | 2024-02-22 | Sap Se | On-demand contextual trace log generation |
CN117707986A (zh) * | 2024-02-05 | 2024-03-15 | 钦原科技有限公司 | 用于移动终端的软件功耗测试方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117435505B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046087B (zh) | 非接触式测试平台 | |
CN117435505B (zh) | 一种性能测试脚本可视化生成方法 | |
US20210279577A1 (en) | Testing of Computing Processes Using Artificial Intelligence | |
CN111160569A (zh) | 基于机器学习模型的应用开发方法、装置及电子设备 | |
CN113255614A (zh) | 一种基于视频分析的rpa流程自动生成方法与系统 | |
CN103164328A (zh) | 一种业务功能的回归测试方法、装置及系统 | |
Santhanam | Quality management of machine learning systems | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN115271637A (zh) | 基于智能合约和人工智能的审批系统及方法 | |
US11615016B2 (en) | System and method for executing a test case | |
Bourrasset et al. | Requirements for an enterprise AI benchmark | |
US20240086165A1 (en) | Systems and methods for building and deploying machine learning applications | |
Nguyen-Duc et al. | Continuous experimentation on artificial intelligence software: a research agenda | |
Tanaka et al. | Selenium based testing systems for analytical data generation of website user behavior | |
US20230098596A1 (en) | Contextual Data Generation for Application Testing in Mixed Reality Simulations | |
Khan | Deep learning system and it’s automatic testing: an approach | |
CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
Zhang et al. | ReSPlay: Improving Cross-Platform Record-and-Replay with GUI Sequence Matching | |
US11119898B1 (en) | Automatic code coverage file recommendation | |
CN113157556A (zh) | 一种基于选择主成分识别的行业建筑软件缺陷管理方法 | |
Hoang et al. | Quantum Software Analytics: Opportunities and Challenges | |
CN112817863A (zh) | 一种基于ai深度学习的ai辅助自动化测试方法及系统 | |
Dias et al. | TestLab: An Intelligent Automated Software Testing Framework | |
Han et al. | A review on financial robot process auto-mining based on reinforcement learning | |
Patel et al. | Preliminary Scaling Characterization of TPCx-AI |
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 |