CN117609062A - 基于ai的自动化测试方法、系统、设备及储存介质 - Google Patents

基于ai的自动化测试方法、系统、设备及储存介质 Download PDF

Info

Publication number
CN117609062A
CN117609062A CN202311636379.0A CN202311636379A CN117609062A CN 117609062 A CN117609062 A CN 117609062A CN 202311636379 A CN202311636379 A CN 202311636379A CN 117609062 A CN117609062 A CN 117609062A
Authority
CN
China
Prior art keywords
interface
data
generating
parameters
call
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
CN202311636379.0A
Other languages
English (en)
Inventor
曹悦
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.)
Elongnet Information Technology Beijing Co Ltd
Original Assignee
Elongnet Information Technology Beijing 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 Elongnet Information Technology Beijing Co Ltd filed Critical Elongnet Information Technology Beijing Co Ltd
Priority to CN202311636379.0A priority Critical patent/CN117609062A/zh
Publication of CN117609062A publication Critical patent/CN117609062A/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
    • G06F11/3688—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/54—Indexing scheme relating to G06F9/54
    • G06F2209/547—Messaging middleware

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种基于AI的自动化测试方法、系统、设备及储存介质，所述方法包括：在被测系统运行的过程中，记录每个接口的参数和配置信息；采集接口数据，并将其传输到消息队列中，生成数据集；基于所述参数和配置信息对所述数据集进行清洗和分类，并根据具体的场景和需求，对所述清洗和分类后的数据集进行筛选和加工；基于所述筛选和加工后的数据集训练AI模型；结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告。通过本公开的处理方案，能够有效地提高了软件质量和稳定性，降低成本，提高开发效率。

Description

基于AI的自动化测试方法、系统、设备及储存介质
技术领域
本发明涉及计算机技术领域，特别是涉及一种基于AI的自动化测试方法、系统、设备及储存介质。
背景技术
系统在不断迭代的过程中，为了更好地支撑公司业务发展，对外提供的API接口数量持续攀升。而接口质量是影响业务稳定的基石，当前的测试不得不通过人工维护大量的测试用例和测试数据生成的规则。通过日积月累，管理和维护测试数据本身也耗时且人力密集，因此需要一种更加高效的技术手段来解决这一问题。
并且，当前主流的测试用例的编写是通过开发或测试人员人工编写测试用例，但是受制于人力资源的限制，很难做到全场景的覆盖，且效率很低。
发明内容
有鉴于此，本公开实施例提供一种基于AI的自动化测试方法，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种基于AI的自动化测试方法，所述方法包括以下步骤：
在被测系统运行的过程中，记录每个接口的参数和配置信息；
采集接口数据，并将其传输到消息队列中，生成数据集；
对所述数据集进行清洗和分类，并根据具体的场景和需求，对所述清洗和分类后的数据集进行筛选和加工；
基于所述筛选和加工后的数据集训练AI模型；
结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告。
根据本公开实施例的一种具体实现方式，使用XLOG标准的格式记录每个接口的参数和配置信息。
根据本公开实施例的一种具体实现方式，所述接口数据，包括：
接口的所有入参和出参字段的中文定义名称、英文定义名称、字段的数据类型、是否为必须字段、接口的请求方式，以及请求是否需要授权信息。
根据本公开实施例的一种具体实现方式，所述对所述清洗和分类后的数据集进行筛选和加工，包括：
根据所述接口的参数和配置信息对全量数据进行分类；
在分好类的基础上根据接口响应的状态进行分类整理；
将数据转成AI训练所需的格式。
根据本公开实施例的一种具体实现方式，所述结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告，包括：
所述调度系统根据配置的任务周期，调用自动测试接口；
所述自动测试接口从数据库中获取当前系统所有的业务接口及其详细信息；
依次调用训练好的AI模型的推理接口，获取由AI生成的参数；
发起当前业务接口调用，并完成其结果断言；
将断言结果和运行过程信息存储到数据库；
待所有接口运行完成后，生成整体测试运行报告。
根据本公开实施例的一种具体实现方式，所述详细信息包括：字段名称、请求类型和期望结果。
第二方面，本公开实施例提供了一种基于AI的自动化测试系统，所述系统包括：
采集模块，被配置用于在被测系统运行的过程中，记录每个接口的参数和配置信息；以及，
采集接口数据，并将其传输到消息队列中，生成数据集；
数据处理模块，被配置用于对所述数据集进行清洗和分类，并根据具体的场景和需求，对所述清洗和分类后的数据集进行筛选和加工；
机器学习模块，被配置用于基于所述筛选和加工后的数据集训练AI模型；
输出模块，被配置用于结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告。
根据本公开实施例的一种具体实现方式，所述系统还包括：
模拟调用模块，被配置用于所述调度系统根据配置的任务周期，调用自动测试接口；
所述自动测试接口从数据库中获取当前系统所有的业务接口及其详细信息；
依次调用训练好的AI模型的推理接口，获取由AI生成的参数；
发起当前业务接口调用，并完成其结果断言；
将断言结果和运行过程信息存储到数据库；以及，
待所有接口运行完成后，生成整体测试运行报告。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
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，
所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，使所述至少一个处理器前述第一方面或第一方面的任一实现方式中的任一项所述的基于AI的自动化测试方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行前述第一方面或第一方面的任一实现方式中的基于AI的自动化测试方法。
第五方面，本公开实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于AI的自动化测试方法。
本公开实施例中的基于AI的自动化测试方法，能够有效地提高了软件质量和稳定性，同时还降低了成本，提高了开发效率，为现代软件开发过程带来了革命性的变革。通过使用大数据清洗和训练AI模型，它能够提供更全面的测试覆盖，有助于发现潜在的问题。最重要的是，这一方法加速了软件开发周期。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1为本公开实施例提供的一种基于AI的自动化测试方法流程示意图；
图2为本公开实施例提供的一种基于AI的自动化测试方法时序图；
图3为本公开实施例提供的一种基于AI的自动化测试方案架构图；
图4为本公开实施例提供的一种基于AI的自动化测试系统结构示意图；以及
图5为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其他方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其他结构及/或功能性实施此设备及/或实践此方法。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本发明实施例提供了一种基于AI的自动化测试方法自主学习并完成测试用例的调用，能够降低人工管理和维护成本，并通过训练，让AI具备正向和反向两种测试模式。这一创新性的方法利用AI大模型自主学习测试用例的调用，从而根本性地改变了现有测试流程。AI系统能够在测试环境中模拟各种情境，并自动完成测试用例的执行。这种自动化测试方法不仅能够提高测试效率，还大大降低了人工管理和维护成本。传统的测试用例维护通常需要大量人工干预，以适应不断变化的软件应用和环境，而现在，AI系统能够迅速适应这些变化，减轻了人工干预的需求。
图1为本公开实施例提供的基于AI的自动化测试方法流程的示意图。
图2为与图1对应的基于AI的自动化测试方法时序图。
如图1所示，在步骤S110处，在被测系统运行的过程中，记录每个接口的参数和配置信息。
在本发明实施例中，使用XLOG标准的格式记录每个接口的参数和配置信息。
更具体地，在被测系统运行的过程中，使用“XLOG”数据标准格式记录每个接口的参数和配置信息。使用“XLOG”标准的格式的好处是可以确保数据安全和信息安全，并且可以达到数据体积的最小化，节省存储资源和网络传输之间带宽资源。
在本发明实施例中，所述接口数据，包括：
1.接口的所有入参和出参字段的中文定义名称、英文定义名称、字段的数据类型、是否为必须字段；
2、接口的请求方式：GET/POST/Thrift等；
3、请求是否需要授权信息。
在本发明实施例中，所述对所述清洗和分类后的数据集进行筛选和加工，包括：根据所述接口的参数和配置信息对全量数据进行分类；在分好类的基础上根据接口响应的状态进行分类整理，用来区分同一个接口的不同的业务场景；将数据转成AI训练所需的格式。
更具体地，接下来转到步骤S120。
在步骤S120处，采集接口数据，并将其传输到消息队列中，生成数据集。
更具体地，数据采集系统能够高效地采集接口数据，并将其传输到“TURBO”消息队列中，为后续的大数据任务消费提供了高效可靠的数据来源。该数据采集系统还具有灵活配置和扩展的能力，以满足不同业务场景下的数据采集和处理需求。
接下来转到步骤S130。
在步骤S130处，对所述数据集进行清洗和分类，并根据具体的场景和需求，对所述清洗和分类后的数据集进行筛选和加工。
更具体地，创建大数据任务利用大数据技术，使用数据挖掘、机器学习等技术手段来帮助自动化清洗和分类，通过有效地清洗和分类，从海量的日志中筛选出具有代表性的信息，才能够构建出高质量、具有代表性的数据集。针对具体的场景和需求，对数据集进行一定的筛选和加工，确保数据集的质量和完整性。
接下来转到步骤S140。
在步骤S140处，基于所述筛选和加工后的数据集训练AI模型。
更具体地，经过数据清洗、分类和处理后，整理好的数据集用于训练AI模型。AI模型的训练使用算力平台，好处是使用成本低，可以更好地链接其他辅助系统，提升整体的计算能力和效率，为AI模型训练提供有力的支持。此外，算力平台还具有高度的安全性能，能够保证数据的安全性和隐私性。
接下来转到步骤S150。
在步骤S150处，结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告。
在本发明实施例中，所述结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告，包括：
所述调度系统根据配置的任务周期，调用自动测试接口；
所述自动测试接口从数据库中获取当前系统所有的业务接口及其详细信息；
依次调用训练好的AI模型的推理接口，获取由AI生成的参数；
发起当前业务接口调用，并完成其结果断言；
将断言结果和运行过程信息存储到数据库；
待所有接口运行完成后，生成整体测试运行报告。
在本发明实施例中，所述详细信息包括：字段名称、请求类型和期望结果。
更具体地，最后结合一个任务调度系统，从训练好的AI模型中生成不同接口的模拟的参数。并完成模拟调用，根据其断言其结果。将结果统一整理后，形成完成的测试报告。其具体步骤为：a)调度系统根据配置的任务周期，调用自动测试接口；b)自动测试接口会从数据库中获取当前系统所有的业务接口及其详细信息，包括字段名称、请求类型、期望结果等；c)获取到所有的业务接口信息后，依次调用AI模型的推理接口，获取由AI生成的参数；d)取到接口参数后，发起当前业务接口调用，并完成其结果断言；e)将断言结果和运行过程信息存储到数据库；f)待所有接口运行完成后，生成整体测试运行报告。
本发明提出的基于AI的自动化测试方法，具有以下优势：
(1)利用AI生成测试用例并完成接口调用，大量降低了人工维护测试用例的成本。
(2)使用真实业务数据进行AI模型训练，其结果更符合业务预期，有效降低人工维护测试用例的准确性问题。
(3)任务调度平台和报表分析平台，可以准确地把控任务触发的时机，并将任务结果推送至对应的开发人员，即时了解当前系统的运行情况。
本发明的创新点在于将真实的业务数据用于特定领域的AI模型训练，解决在测试环节中所遇到的人工编写效率低、成本高等问题。本方案再结合其他模块，形成一体化的解决方案，整体上更加高效、灵活。并且，基于真实业务的AI模型训练，属于特定领域内的实际应用，和开源的AI模型相比更加贴近真实场景，业务契合度更高，是开源AI模型无法达到的。
图3为本公开实施例提供的一种基于AI的自动化测试方案架构图。
在本发明实施例中，还包含一种基于AI的自动化测试系统，该系统有以下几个模块构成：
大数据采集器：该模块主要是把分布在各个业务运行的机器上的日志统一采集到大数据平台统一存储。并按照不同接口分类整理，方便后续AI模型训练。
机器学习模块：主要是利用采集的数据，进行AI大模型的训练，并对训练完的模型进行校验，确保AI生成的用例数据符合业务预期。并将符合预期的模型部署至生产环境，以供其他模块使用。
定时任务模块：该模块主要任务是定时触发用例调度接口，从AI大模型获取对应的模拟数据，完成接口的调用过程，以及执行结果断言。将执行结果写入报表系统，以供业务人员分析使用。
报表系统：对历次AI自动地执行测试用例的脚本的结果存储、分析、展示。
图4示出了本发明提供的基于AI的自动化测试系统400，包括采集模块410、数据处理模块420和机器学习模块430。
采集模块410用于在被测系统运行的过程中，记录每个接口的参数和配置信息；以及，
采集接口数据，并将其传输到消息队列中，生成数据集；
数据处理模块420用于对所述数据集进行清洗和分类，并根据具体的场景和需求，对所述清洗和分类后的数据集进行筛选和加工；
机器学习模块430用于基于所述筛选和加工后的数据集训练AI模型；
输出模块，被配置用于结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告。
在本发明实施例中，所述系统还包括：
模拟调用模块，被配置用于所述调度系统根据配置的任务周期，调用自动测试接口；
所述自动测试接口从数据库中获取当前系统所有的业务接口及其详细信息；
依次调用训练好的AI模型的推理接口，获取由AI生成的参数；
发起当前业务接口调用，并完成其结果断言；
将断言结果和运行过程信息存储到数据库；以及，
待所有接口运行完成后，生成整体测试运行报告。
参见图5，本公开实施例还提供了一种电子设备50，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于AI的自动化测试方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于AI的自动化测试方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于AI的自动化测试方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备50的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备50，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于AI的自动化测试方法，其特征在于，所述方法包括以下步骤：
在被测系统运行的过程中，记录每个接口的参数和配置信息；
采集接口数据，并将其传输到消息队列中，生成数据集；
基于所述参数和配置信息对所述数据集进行清洗和分类，并根据具体的场景和需求，对所述清洗和分类后的数据集进行筛选和加工；
基于所述筛选和加工后的数据集训练AI模型；
结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告。
2.根据权利要求1所述的基于AI的自动化测试方法，其特征在于，使用XLOG标准的格式记录每个接口的参数和配置信息。
3.根据权利要求1所述的基于AI的自动化测试方法，其特征在于，所述接口数据，包括：
接口的所有入参和出参字段的中文定义名称、英文定义名称、字段的数据类型、是否为必须字段、接口的请求方式，以及请求是否需要授权信息。
4.根据权利要求1所述的基于AI的自动化测试方法，其特征在于，所述对所述清洗和分类后的数据集进行筛选和加工，包括：
根据所述接口的参数和配置信息对全量数据进行分类；
在分好类的基础上根据接口响应的状态进行分类整理；
将数据转成AI训练所需的格式。
5.根据权利要求1所述的基于AI的自动化测试方法，其特征在于，所述结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告，包括：
所述调度系统根据配置的任务周期，调用自动测试接口；
所述自动测试接口从数据库中获取当前系统所有的业务接口及其详细信息；
依次调用训练好的AI模型的推理接口，获取由AI生成的参数；
发起当前业务接口调用，并完成其结果断言；
将断言结果和运行过程信息存储到数据库；
待所有接口运行完成后，生成整体测试运行报告。
6.根据权利要求5所述的基于AI的自动化测试方法，其特征在于，所述详细信息包括：字段名称、请求类型和期望结果。
7.一种基于AI的自动化测试系统，其特征在于，所述系统包括：
采集模块，被配置用于在被测系统运行的过程中，记录每个接口的参数和配置信息；以及，
采集接口数据，并将其传输到消息队列中，生成数据集；
数据处理模块，被配置用于对所述数据集进行清洗和分类，并根据具体的场景和需求，对所述清洗和分类后的数据集进行筛选和加工；
机器学习模块，被配置用于基于所述筛选和加工后的数据集训练AI模型；
输出模块，被配置用于结合任务调度系统，基于训练好的AI模型生成不同接口的模拟的参数，并完成模拟调用，根据调用结果生成测试报告。
8.根据权利要求7所述的基于AI的自动化测试系统，其特征在于，所述系统还包括：
模拟调用模块，被配置用于所述调度系统根据配置的任务周期，调用自动测试接口；
所述自动测试接口从数据库中获取当前系统所有的业务接口及其详细信息；
依次调用训练好的AI模型的推理接口，获取由AI生成的参数；
发起当前业务接口调用，并完成其结果断言；
将断言结果和运行过程信息存储到数据库；以及，
待所有接口运行完成后，生成整体测试运行报告。
9.一种电子设备，其特征在于，该电子设备包括：
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，
所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，使所述至少一个处理器执行如权利要求1至6中的任一项所述的基于AI的自动化测试方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行如权利要求1至6中的任一项所述的基于AI的自动化测试方法。
CN202311636379.0A 2023-12-01 2023-12-01 基于ai的自动化测试方法、系统、设备及储存介质 Pending CN117609062A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311636379.0A CN117609062A (zh) 2023-12-01 2023-12-01 基于ai的自动化测试方法、系统、设备及储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311636379.0A CN117609062A (zh) 2023-12-01 2023-12-01 基于ai的自动化测试方法、系统、设备及储存介质

Publications (1)

Publication Number Publication Date
CN117609062A true CN117609062A (zh) 2024-02-27

Family

ID=89944085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311636379.0A Pending CN117609062A (zh) 2023-12-01 2023-12-01 基于ai的自动化测试方法、系统、设备及储存介质

Country Status (1)

Country Link
CN (1) CN117609062A (zh)

Similar Documents

Publication Publication Date Title
CN112328419B (zh) 远程过程调用接口的测试用例生成方法、装置、存储介质及电子设备
CN110768872B (zh) 巡检方法、系统、装置、计算机设备和存储介质
CN111177617A (zh) 基于运维管理系统的web直接运维方法、装置及电子设备
CN110096444A (zh) 一种基于excel生成测试用例的管理系统、使用方法及设备
CN109376419B (zh) 一种数据模型的生成方法、装置、电子设备及可读介质
CN110177300B (zh) 程序运行状态的监控方法、装置、电子设备和存储介质
CN109491646B (zh) 一种消息录入方法、装置、电子设备及可读介质
CN111738316A (zh) 零样本学习的图像分类方法、装置及电子设备
CN111897827B (zh) 用于数据仓库的数据更新方法、系统及电子设备
CN113568833A (zh) 测试用例确定方法、装置、计算机设备及可读存储介质
CN110083529B (zh) 自动化测试方法、装置、介质和电子设备
CN113392018B (zh) 流量分发方法、装置、存储介质及电子设备
CN113140109B (zh) 一种路测数据处理方法、装置、计算机设备及存储介质
CN111176707A (zh) 模板化的自动化运维方法、装置及电子设备
CN116225886A (zh) 测试用例生成方法、装置、设备、存储介质及程序产品
CN112291121A (zh) 一种数据处理方法及相关设备
CN111382058B (zh) 一种服务的测试方法、装置，服务器及存储介质
CN111625436A (zh) 保险业务容量的管理方法、装置、电子设备及存储介质
CN111625291A (zh) 数据处理模型自动迭代方法、装置及电子设备
CN117609062A (zh) 基于ai的自动化测试方法、系统、设备及储存介质
CN115473839B (zh) 基于埋点的数据处理方法、装置、设备及存储介质
CN115422052A (zh) 一种车载导航app的测试系统及方法
CN112286808B (zh) 应用程序的测试方法、装置、电子设备及介质
CN115981987A (zh) 测试用例处理方法及设备
CN113434382A (zh) 数据库性能监控方法、装置、电子设备及计算机可读介质

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