CN117743169A - 自动化测试模型的训练方法、装置、设备和存储介质 - Google Patents
自动化测试模型的训练方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117743169A CN117743169A CN202311766058.2A CN202311766058A CN117743169A CN 117743169 A CN117743169 A CN 117743169A CN 202311766058 A CN202311766058 A CN 202311766058A CN 117743169 A CN117743169 A CN 117743169A
- Authority
- CN
- China
- Prior art keywords
- test
- category
- case
- information
- sub
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 606
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 title claims abstract description 24
- 230000003993 interaction Effects 0.000 claims description 71
- 238000013515 script Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 12
- 238000010998 test method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013522 software testing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 125000003748 selenium group Chemical group *[Se]* 0.000 description 1
- 239000000344 soap Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种自动化测试模型的确定方法、装置、设备和存储介质。本申请涉及人工智能技术领域。该方法包括:获取目标程序对应的多个类别的案例,代码及测试需求信息、以及样本测试案例,并基于类别的案例及代码需求信息,构建类别的子测试案例生成模型;识别类别的测试需求信息对应的测试流程和结果判定信息,并基于类别的测试流程和结果判定信息,在类别的子测试案例生成模型中增添类别的案例测试层,得到类别的子测试模型;基于类别的案例生成覆盖率和样本测试案例,训练得到类别的子目标测试模型;基于各类别之间的关联信息,对各子目标测试模型整合,得到目标程序的目标自动化测试模型。采用本方法能够提升了对目标程序的评测效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种自动化测试模型的训练方法、装置、设备和存储介质。
背景技术
自动化测试是指软件测试的自动化,在预设状态下运行应用程序或系统,预设条件包括正常和异常条件,并评估运行结果的过程。但是往往自动化测试的效率随着客户行为的复杂度的提升而降低,因此如何提升自动化测试的效率是当前的研究重点。
传统自动化测试方式是基于录制回放的方式,对已执行的过程进行检测,从而得到执行结果。但是该方式前期仍需要大量人工介入录制测试案例、并通过人工对测试案例进行测试,从而导致目标程序的测试效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种自动化测试模型的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种自动化测试模型的确定方法。所述方法包括:
获取目标程序对应的多个类别的案例需求信息、每个类别对应的代码需求信息、每个类别的测试需求信息、以及每个类别的样本测试案例,并针对每个类别,基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型;
识别所述类别的测试需求信息对应的测试流程、以及所述类别的测试需求信息对应的结果判定信息,并基于所述类别的测试流程、以及所述类别的结果判定信息,在所述类别的子测试案例生成模型中增添所述类别的案例测试层,得到所述类别的子测试模型;
识别所述类别的子测试模型的案例生成覆盖率,并基于所述案例生成覆盖率、以及所述类别的样本测试案例,训练所述类别的子测试模型,得到所述类别的子目标测试模型;
识别各所述类别之间的关联信息,并基于所述关联信息,将各所述类别的子目标测试模型进行整合处理,得到所述目标程序的目标自动化测试模型。
可选的,在所述类别为交易功能类别时,所述基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型,包括:
识别所述案例需求信息对应的交易流程、用户交互内容、以及交易数据变化信息,得到所述案例需求信息对应的交易需求文档,并基于所述类别的代码需求信息,生成所述交易需求文档对应的需求代码;
基于所述交易需求文档、以及所述交易需求文档对应的需求代码,通过自动内容生成模型,构建所述交易功能类别的子测试案例生成模型。
可选的,在所述类别为交互界面类别时,所述基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型,包括:
识别所述案例需求信息对应的案例交互策略、以及案例交互范围,得到所述案例需求信息对应的界面交互需求文档,并基于所述类别的代码需求信息,确定所述界面交互需求文档对应的代码生成策略;
基于所述界面交互需求文档、以及所述界面交互需求文档对应的代码生成策略,通过自动内容生成模型,构建所述交互界面类别对应的子测试案例生成模型。
可选的,在所述类别为接口性能类别时,所述基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型,包括:
基于所述类别的案例需求信息,筛选所述类别的各接口数据脚本,并基于所述类别的代码需求信息,筛选所述类别的脚本代码;
分别建立每个接口数据脚本与每个脚本代码之间的关联关系,并基于所述关联关系、各所述接口数据脚本、以及各所述脚本代码,通过自动内容生成模型,构建所述接口性能类别对应的子测试案例生成模型。
可选的,所述基于所述类别的测试流程、以及所述类别的结果判定信息,在所述类别的子测试案例生成模型中增添所述类别的案例测试层,得到所述类别的子测试模型,包括:
基于所述类别的测试流程、以及所述类别的结果判定信息,生成所述类别的案例测试方式信息,并建立所述类型的案例测试方式信息与所述类型的需求文档之间的关联关系;
基于所述关联关系,在所述类型的子测试案例生成模型中,增添所述类型的案例测试方式信息,得到所述类别的子测试模型。
可选的,所述识别所述类别的子测试模型的案例生成覆盖率,包括:
获取所述目标程序在所述类别的全量样本测试案例,并识别每个样本测试案例的测试类型、以及每个样本测试案例的样本测试代码;
基于所述类别的子测试模型,生成所述类别的多个测试案例、以及每个测试案例对应的测试代码,并识别每个测试案例的测试类型;
计算所述样本测试案例的数目与所述测试案例的数目之间的比例,得到第一覆盖率,并计算每个相同测试类型的样本测试案例的样本测试代码、与每个相同测试类型的测试案例的测试代码之间的平均代码相似度,得到第二覆盖率;
基于所述第一覆盖率、以及所述第二覆盖率,确定所述类别的子测试模型的案例生成覆盖率。
可选的,所述基于所述案例生成覆盖率、以及所述类别的样本测试案例,训练所述类别的子测试模型,得到所述类别的子目标测试模型,包括:
在所述案例生成覆盖率低于预设的覆盖率阈值的情况下,筛选不存在相同测试类型的样本测试案例、低于平均代码相似度的代码相似度对应的测试代码、以及低于平均代码相似度的代码相似度对应的样本测试代码,重新训练所述类型的子测试模型的案例生成参数,直到所述案例生成覆盖率高于预设的覆盖率阈值;
将高于预设的覆盖率阈值的案例生成覆盖率对应的子测试模型,作为所述类别的子目标测试模型。
可选的,所述识别各所述类别之间的关联信息,并基于所述关联信息,将各所述类别的子目标测试模型进行整合处理,得到所述目标程序的目标自动化测试模型,包括:
获取目标程序的软件测试流程,并基于所述软件测试流程,识别各所述类别的测试序列,得到各所述类别的关联关系;
按照所述测试序列,确定每个类别的子目标测试模型的执行顺序,并基于所述执行顺序,将各所述类别的子目标测试模型进行连接处理,得到所述目标程序的目标自动化测试模型。
第二方面,本申请还提供了一种自动化测试模型的确定装置。所述装置包括:
获取模块,用于获取目标程序对应的多个类别的案例需求信息、每个类别对应的代码需求信息、每个类别的测试需求信息、以及每个类别的样本测试案例,并针对每个类别,基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型;
添加模块,用于识别所述类别的测试需求信息对应的测试流程、以及所述类别的测试需求信息对应的结果判定信息,并基于所述类别的测试流程、以及所述类别的结果判定信息,在所述类别的子测试案例生成模型中增添所述类别的案例测试层,得到所述类别的子测试模型;
训练模块,用于识别所述类别的子测试模型的案例生成覆盖率,并基于所述案例生成覆盖率、以及所述类别的样本测试案例,训练所述类别的子测试模型,得到所述类别的子目标测试模型;
整合模块,用于识别各所述类别之间的关联信息,并基于所述关联信息,将各所述类别的子目标测试模型进行整合处理,得到所述目标程序的目标自动化测试模型。
可选的,在所述类别为交易功能类别时,所述获取模块,具体用于:
识别所述案例需求信息对应的交易流程、用户交互内容、以及交易数据变化信息,得到所述案例需求信息对应的交易需求文档,并基于所述类别的代码需求信息,生成所述交易需求文档对应的需求代码;
基于所述交易需求文档、以及所述交易需求文档对应的需求代码,通过自动内容生成模型,构建所述交易功能类别的子测试案例生成模型。
可选的,在所述类别为交互界面类别时,所述获取模块,具体用于:
识别所述案例需求信息对应的案例交互策略、以及案例交互范围,得到所述案例需求信息对应的界面交互需求文档,并基于所述类别的代码需求信息,确定所述界面交互需求文档对应的代码生成策略;
基于所述界面交互需求文档、以及所述界面交互需求文档对应的代码生成策略,通过自动内容生成模型,构建所述交互界面类别对应的子测试案例生成模型。
可选的,在所述类别为接口性能类别时,所述获取模块,具体用于:
基于所述类别的案例需求信息,筛选所述类别的各接口数据脚本,并基于所述类别的代码需求信息,筛选所述类别的脚本代码;
分别建立每个接口数据脚本与每个脚本代码之间的关联关系,并基于所述关联关系、各所述接口数据脚本、以及各所述脚本代码,通过自动内容生成模型,构建所述接口性能类别对应的子测试案例生成模型。
可选的,所述添加模块,具体用于:
基于所述类别的测试流程、以及所述类别的结果判定信息,生成所述类别的案例测试方式信息,并建立所述类型的案例测试方式信息与所述类型的需求文档之间的关联关系;
基于所述关联关系,在所述类型的子测试案例生成模型中,增添所述类型的案例测试方式信息,得到所述类别的子测试模型。
可选的,所述训练模块,具体用于:
获取所述目标程序在所述类别的全量样本测试案例,并识别每个样本测试案例的测试类型、以及每个样本测试案例的样本测试代码;
基于所述类别的子测试模型,生成所述类别的多个测试案例、以及每个测试案例对应的测试代码,并识别每个测试案例的测试类型;
计算所述样本测试案例的数目与所述测试案例的数目之间的比例,得到第一覆盖率,并计算每个相同测试类型的样本测试案例的样本测试代码、与每个相同测试类型的测试案例的测试代码之间的平均代码相似度,得到第二覆盖率;
基于所述第一覆盖率、以及所述第二覆盖率,确定所述类别的子测试模型的案例生成覆盖率。
可选的,所述训练模块,具体用于:
在所述案例生成覆盖率低于预设的覆盖率阈值的情况下,筛选不存在相同测试类型的样本测试案例、低于平均代码相似度的代码相似度对应的测试代码、以及低于平均代码相似度的代码相似度对应的样本测试代码,重新训练所述类型的子测试模型的案例生成参数,直到所述案例生成覆盖率高于预设的覆盖率阈值;
将高于预设的覆盖率阈值的案例生成覆盖率对应的子测试模型,作为所述类别的子目标测试模型。
可选的,所述整合模块,具体用于:
获取目标程序的软件测试流程,并基于所述软件测试流程,识别各所述类别的测试序列,得到各所述类别的关联关系;
按照所述测试序列,确定每个类别的子目标测试模型的执行顺序,并基于所述执行顺序,将各所述类别的子目标测试模型进行连接处理,得到所述目标程序的目标自动化测试模型。
第三方面,本申请提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质。其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
第五方面,本申请提供了一种计算机程序产品。所述计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
上述自动化测试模型的确定方法、装置、设备和存储介质,通过获取目标程序的多个类别的案例需求信息、每个类别对应的代码需求信息、每个类别的测试需求信息、以及每个类别的样本测试案例,并针对每个类别,基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型;识别所述类别的测试需求信息对应的测试流程、以及所述类别的测试需求信息对应的结果判定信息,并基于所述类别的测试流程、以及所述类别的结果判定信息,在所述类别的子测试案例生成模型中增添所述类别的案例测试层,得到所述类别的子测试模型;识别所述类别的子测试模型的案例生成覆盖率,并基于所述案例生成覆盖率、以及所述类别的样本测试案例,训练所述类别的子测试模型,得到所述类别的子目标测试模型;识别各所述类别之间的关联信息,并基于所述关联信息,将各所述类别的子目标测试模型进行整合处理,得到所述目标程序的目标自动化测试模型。通过构建每个类别的子测试案例生成模型,实现每个类别的测试案例、以及测试代码自动生成的过程,从而避免人工编写测试案例和测试代码的低效问题,提升了获取测试案例和测试代码的效率,然后,通过在子测试案例模型中添加案例测试层,实现自动分析每个测试案例的测试结果,避免人工对测试案例进行测试分析的过程,提升了测试案例的测试效率,从而综合实现对目标程序的所有类别进行测试案例生成(测试代码生成)、案例测试分析的自动化处理过程,避免了人工对目标程序测试分析的低效问题,提升了对目标程序的评测效率。
附图说明
图1为一个实施例中自动化测试模型的确定方法的流程示意图;
图2为另一个实施例中自动化测试模型的确定方法的流程示意图;
图3为一个实施例中自动化测试模型的确定装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的自动化测试模型的确定方法,可以应用于系统软件测试的应用环境中。可以应用于终端中,也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以包括但不限于是各种个人计算机、笔记本电脑、平板电脑等。该终端通过获取目标程序不同类别的案例需求信息以及代码需求信息,构建每个类别的子测试案例生成模型,从而避免人工编写测试案例代码,从而获取测试案例的过程,提升了获取测试案例的效率,然后,通过测试需求信息对应的测试流程、以及结果判定信息,调整子测试案例生成模型,得到子测试模型,使得该子测试模型能够自动生成测试案例、测试代码,并自动分析每个测试案例的测试结果,避免人工对测试案例测试的过程,提升了案例测试的测试效率,最后,基于各类别之间的关联关系,将各类别的子目标测试模型进行整合处理,得到目标程序的目标自动化测试模型,从而完成该目标程序各个类别的测试案例生成(测试代码生成)、案例测试、以及测试结果分析的自动化处理过程,避免了人工对目标程序测试的低效问题,使得通过目标自动化测试模型对目标程序进行自动化全流程评测处理,综合提升了对目标程序的评测效率。
在一个实施例中,如图1所示,提供了一种自动化测试模型的确定方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S101,获取目标程序对应的多个类别的案例需求信息、每个类别对应的代码需求信息、每个类别的测试需求信息、以及每个类别的样本测试案例,并针对每个类别,基于类别的案例需求信息、以及类别的代码需求信息,构建类别的子测试案例生成模型。
本实施例中,终端响应于用户的测试模型生成操作,识别需要进行测试的目标程序在每个类别的案例需求信息、每个类别的测试需求信息,然后,终端从历史数据库中,获取该目标程序的每个类别的历史测试案例,得到每个类别的样本测试案例。其中,目标程序的类别包括但不限于业务需求文档/功能性软件需求文档类别、交互界面类别、以及接口性能类别等,该类别用于表征该目标程序需要进行测试的测试类别。案例需求信息为每个类别对测试案例的需求信息,该测试案例的需求信息用于表征目标程序对该类别的不同测试方向的测试需求,其中,代码需求信息为该类别的不同测试案例生成的代码格式、以及代码生成策略。测试需求信息包括该类别的测试流程以及该类别的结果判定信息。再后,终端针对每个类别,基于类别的案例需求信息、以及类别的代码需求信息,构建类别的子测试案例生成模型。其中子测试案例生成模型可以但不限于是基于AIGC(Artificial IntelligenceGenerated Content,人工智能模型)生成类模型构建的案例生成模型。该案例生成模型用于生成该类别的测试案例,以及每个测试案例的测试代码。
步骤S102,识别类别的测试需求信息对应的测试流程、以及类别的测试需求信息对应的结果判定信息,并基于类别的测试流程、以及类别的结果判定信息,在类别的子测试案例生成模型中增添类别的案例测试层,得到类别的子测试模型。
本实施例中,终端识别该类别的测试需求信息对应的测试流程、以及该类别的测试需求信息对应的结果判定信息。其中,测试流程为该类比的测试案例对应的测试流程,结果判定信息用于分析该测试案例在测试结束后的测试结果。然后,终端基于类别的测试流程、以及类别的结果判定信息,在该类别的子测试案例生成模型中增添类别的案例测试层,得到该类别的子测试模型。其中案例测试层为案例测试模块,用于对案例生成模型生成的测试案例和测试代码进行测试评价处理,具体的增添过程后续将详细说明。
步骤S103,识别类别的子测试模型的案例生成覆盖率,并基于案例生成覆盖率、以及类别的样本测试案例,训练类别的子测试模型,得到类别的子目标测试模型。
本实施例中,终端识别该类别的子测试模型的案例生成覆盖率。其中,案例生成覆盖率用于表征该子测试模型生成的案例与目标程序在该类别所需的全量测试案例的比例值。然后,终端基于案例生成覆盖率、以及该类别的样本测试案例,训练类别的子测试模型,得到该类别的子目标测试模型。具体的训练过程后续将详细说明。
步骤S104,识别各类别之间的关联信息,并基于关联信息,将各类别的子目标测试模型进行整合处理,得到目标程序的目标自动化测试模型。
本实施例中,终端识别各类别之间的关联信息,并基于该关联信息,将各类别的子目标测试模型进行整合处理,得到目标程序的目标自动化测试模型。其中该关联信息为目标程序的各测试类别的测试顺序。
基于上述方案,通过获取目标程序不同类别的案例需求信息以及代码需求信息,构建每个类别的子测试案例生成模型,从而避免人工编写测试案例代码,从而获取测试案例的过程,提升了获取测试案例的效率,然后,通过测试需求信息对应的测试流程、以及结果判定信息,调整子测试案例生成模型,得到子测试模型,使得该子测试模型能够自动生成测试案例、测试代码,并自动分析每个测试案例的测试结果,避免人工对测试案例测试的过程,提升了案例测试的测试效率,最后,基于各类别之间的关联关系,将各类别的子目标测试模型进行整合处理,得到目标程序的目标自动化测试模型,从而完成该目标程序各个类别的测试案例生成(测试代码生成)、案例测试、以及测试结果分析的自动化处理过程,避免了人工对目标程序测试的低效问题,使得通过目标自动化测试模型对目标程序进行自动化全流程评测处理,综合提升了对目标程序的评测效率。
可选的,在类别为交易功能类别时,基于类别的案例需求信息、以及类别的代码需求信息,构建类别的子测试案例生成模型,包括:识别案例需求信息对应的交易流程、用户交互内容、以及交易数据变化信息,得到案例需求信息对应的交易需求文档,并基于类别的代码需求信息,生成交易需求文档对应的需求代码;基于交易需求文档、以及交易需求文档对应的需求代码,通过自动内容生成模型,构建类别的子测试案例生成模型。
本实施例中,终端识别该案例需求信息对应的交易流程、用户交互内容、以及交易数据变化信息,得到案例需求信息对应的交易需求文档。其中,交易功能类别为基于QTC或Ration Robot的功能性测试类别。然后,终端基于该类别的代码需求信息,生成该交易需求文档对应的需求代码。最后,终端基于交易需求文档、以及交易需求文档对应的需求代码,通过自动内容生成模型,构建类别的子测试案例生成模型。其中,该自动内容生成模型为AIGC(Artificial Intelligence Generated Content,人工智能内容生成)模型。
具体的,针对交易功能类别,终端首先需规范化编写可体现交易变化、交易流程等改造内容的标准业务需求文档或功能性软件需求文档,下文统称为需求文档。该需求文档包括整体交易流程、用户交互图、用户交互内容、交易前后数据变化。该整体交易流程包括但不仅限于正向交易流程,上下游交易流程,容错机制,输入限制,输出反馈等;该交易前后数据变化包括正向交易前后对应数据的变化等。其中,需求文档在编写时需保持固定格式。其次,由AIGC习得标准测试方法。包括但不仅限于标准测试中使用的常见如有效等价类、无效等价类、边界值、输入输出因果关系等。第三,通过算法,使AI将习得的需求文档与测试方法形成匹配关系,生成标准制式测试案例。其中对于包含UI交互界面的需求文档,宜配合html格式的页面样式图形。该训练内容可以由各个小型模块化的训练集合。例如软件需求文档为:根据html页面样式,增加账号输入域A。A仅允许输入16位全数字,否则弹窗报错账号输入错误。如输入域A未输入则弹窗报错请输入账号。
目标程序的交易功能类别对应的软件测试类型为输入域A。终端通过识别对输入域A的要求为16位全数字,附加控制包含两种弹窗报错。终端通过算法匹配对于输入域的测试方法包含有效等价类、无效等价类等。终端根据该类别的子测试案例生成模型,生成上述需求文档对应的测试案例,每个测试案例的案例测试方式例如:(1)输入域A样式是否符合html样式,不符合则报错。(2)当在输入域A中输入16位的全数字,可正常输入无报错。(3)当在输入域A中输入15位的全数字,弹窗报错账号输入错误。(4)当在输入域A中尝试输入17位的全数字,弹窗报错账号输入错误,或无法输入第17位。(5)当在输入域A中输入非数字,弹窗报错账号输入错误。(6)当不在输入域A中输入内容,弹窗报错请输入账号。
基于上述方案,通过识别案例需求信息、以及代码需求信息,生成该类别的子测试案例生成模型,提升了生成的子测试案例生成模型的针对性,以及通过该子测试案例生成模型生成该类别的测试案例的精准度。
可选的,在类别为交互界面类别时,基于类别的案例需求信息、以及类别的代码需求信息,构建类别的子测试案例生成模型,包括:识别案例需求信息对应的案例交互策略、以及案例交互范围,得到案例需求信息对应的界面交互需求文档,并基于类别的代码需求信息,确定界面交互需求文档对应的代码生成策略;基于界面交互需求文档、以及界面交互需求文档对应的代码生成策略,通过自动内容生成模型,构建交互界面类别对应的子测试案例生成模型。
本实施例中,终端识别案例需求信息对应的案例交互策略、以及案例交互范围,得到案例需求信息对应的界面交互需求文档。其中,案例交互策略为该交互界面中的各交互模块的交互方式以及交互内容,案例交互范围为每个交互模块的变量范围,例如,输入域A对应的交互界面的变量范围为16个数字的每个数字的范围为(0-9),该输入域A对应的交互方式为数字输入,交互内容为输入的数字内容。然后,终端基于该类别的代码需求信息,确定界面交互需求文档对应的代码生成策略。最后,终端基于界面交互需求文档、以及界面交互需求文档对应的代码生成策略,通过自动内容生成模型,构建交互界面类别对应的子测试案例生成模型。其中页面交互类别为基于selenium或appium的页面类测试类别。
基于上述方案,通过确定案例交互策略、以及案例交互范围,得到界面交互需求文档,然后基于界面交互需求文档、以及代码生成策略,从而构建交互界面类别对应的子测试案例生成模型,提升了生成的子测试案例生成模型的针对性,以及通过该子测试案例生成模型生成该类别的测试案例的精准度。
可选的,在类别为接口性能类别时,基于类别的案例需求信息、以及类别的代码需求信息,构建类别的子测试案例生成模型,包括:基于类别的案例需求信息,识别类别的各接口数据脚本,并基于类别的代码需求信息,识别类别的脚本代码;分别建立每个接口数据脚本与每个脚本代码之间的关联关系,并基于关联关系、各接口数据脚本、以及各脚本代码,通过自动内容生成模型,构建接口性能类别对应的子测试案例生成模型。
本实施例中,终端基于该类别的案例需求信息,在结构数据脚本数据库中,筛选该案例需求信息对应的接口数据脚本,并基于该类别的代码需求信息,在脚本代码数据库中,筛选该类别的代码需求信息对应的脚本代码。然后,终端分别建立每个接口数据脚本与每个脚本代码之间的关联关系,并基于该关联关系、各接口数据脚本、以及各脚本代码,训练自动内容生成模型对该接口性能类别的案例生成参数,得到该接口性能类别对应的子测试案例生成模型。其中,接口性能类别为基于jmeter或soapui的接口测试类别,数据脚本为sql(结构化查询语言,Structured Query Language)脚本。
基于上述方案,通过构建脚本代码和数据脚本之间的关联关系,提升了生成的子测试案例生成模型的针对性,以及通过该子测试案例生成模型生成该类别的测试案例的精准度。
可选的,基于类别的测试流程、以及类别的结果判定信息,在类别的子测试案例生成模型中增添类别的案例测试层,得到类别的子测试模型,包括:基于类别的测试流程、以及类别的结果判定信息,生成类别的案例测试方式信息,并建立类型的案例测试方式信息与类型的需求文档之间的关联关系;基于关联关系,在类型的子测试案例生成模型中,增添类型的案例测试方式信息,得到类别的子测试模型。
本实施例中,终端基于该类别的测试流程、以及该类别的结果判定信息,识别每个测试流程对应的结果判定信息,并将每个测试流程与每个测试流程对应的结果判定信息相结合,生成该类别的案例测试方式信息。其中,该测试流程为对该类别的测试案例的测试流程,该结果判定信息为对该测试案例的测试结果进行结果分析的分析流程,该案例测试方式信息为对测试案例先进行测试,然后对测试得到的测试结果进行结果分析,得到该测试案例的判定结果对应的测试方式。然后,终端建立该类型的案例测试方式信息与该类型的需求文档之间的关联关系。然后,终端基于该关联关系,建立该类型的子测试案例生成模型与该类型的案例测试方式信息对应的测试分析程序(即案例测试层)之间的接口调用关系,使得该类型的子测试案例生成模型生成的测试案例直接发送至该类型的案例测试方式信息对应的测试分析程序,得到该类别的子测试模型。
基于上述方案,通过在子测试案例生成模型中,增添该类型的案例测试方式信息,提升了子测试案例生成模型的案例测试分析功能。
可选的,识别类别的子测试模型的案例生成覆盖率,包括:获取目标程序在类别的全量样本测试案例,并识别每个样本测试案例的测试类型、以及每个样本测试案例的样本测试代码;基于类别的子测试模型,生成类别的多个测试案例、以及每个测试案例对应的测试代码,并识别每个测试案例的测试类型;计算样本测试案例的数目与测试案例的数目之间的比例,得到第一覆盖率,并计算每个相同测试类型的样本测试案例的样本测试代码、与每个相同测试类型的测试案例的测试代码之间的平均代码相似度,得到第二覆盖率;基于第一覆盖率、以及第二覆盖率,确定类别的子测试模型的案例生成覆盖率。
本实施例中,终端获取目标程序在类别的全量样本测试案例,并识别每个样本测试案例的测试类型、以及每个样本测试案例的样本测试代码。然后,终端基于该类别的子测试模型,生成该类别的多个测试案例、以及每个测试案例对应的测试代码,并识别每个测试案例的测试类型。其中,测试类型为该测试案例对应的目标程序的软件测试类型,例如,对输入域A进行测试为交易功能类别的软件测试类型。然后,终端计算样本测试案例的数目与测试案例的数目之间的比例,得到第一覆盖率,并计算每个相同测试类型的样本测试案例的样本测试代码、与每个相同测试类型的测试案例的测试代码之间的代码相似度,并将所有代码相似度进行相加并除以相同的测试案例的数目,得到平均代码相似度,终端将该平均代码相似度作为第二覆盖率。最后,终端计算第一覆盖率、以及第二覆盖率的平均值,得到该类别的子测试模型的案例生成覆盖率。
基于上述方案,通过计算测试案例的覆盖率,以及测试代码的平均相似度,从而确定该类别的子测试模型的案例生成覆盖率,提升了识别的案例生成覆盖率的全面性和精准度。
可选的,基于案例生成覆盖率、以及类别的样本测试案例,训练类别的子测试模型,得到类别的子目标测试模型,包括:在案例生成覆盖率低于预设的覆盖率阈值的情况下,筛选不存在相同测试类型的样本测试案例、低于平均代码相似度的测试代码和样本测试代码,重新训练类型的子测试模型的案例生成参数,直到案例生成覆盖率高于预设的覆盖率阈值;将高于预设的覆盖率阈值的案例生成覆盖率对应的子测试模型,作为类别的子目标测试模型。
本实施例中,终端在案例生成覆盖率低于预设的覆盖率阈值的情况下,在各样本测试案例中,筛选不存在相同测试类型的样本测试案例;并在各测试代码和样本测试代码中,筛选低于平均代码相似度的代码相似度对应的测试代码、以及样本测试代码低于平均代码相似度的代码相似度对应的样本测试代码,重新训练类型的子测试模型的案例生成参数。其中,该案例生成参数包括测试案例生成参数,以及测试代码生成参数。然后,直到案例生成覆盖率高于预设的覆盖率阈值时,终端将最后一次迭代的高于预设的覆盖率阈值的案例生成覆盖率对应的子测试模型,作为该类别的子目标测试模型。
基于上述方案,通过案例生成覆盖率训练子测试模型,提升了子测试模型的测试精准度。
可选的,识别各类别之间的关联信息,并基于关联信息,将各类别的子目标测试模型进行整合处理,得到目标程序的目标自动化测试模型,包括:获取目标程序的软件测试流程,并基于软件测试流程,识别各类别的测试序列,得到各类别的关联关系;按照测试序列,确定每个类别的子目标测试模型的执行顺序,并基于执行顺序,将各类别的子目标测试模型进行连接处理,得到目标程序的目标自动化测试模型。
本实施例中,终端获取目标程序的软件测试流程,并基于软件测试流程中该目标程序的每个类别的测试顺序,确定各类别的测试序列。然后,终端将该测试序列作为各类别的关联关系。再后,终端按照各类别的测试序列对应的每个类别的测试位置,确定每个类别的子目标测试模型的测试执行顺序。最后终端将各类别的子目标测试模型按照该测试执行顺序的排序方式进行连接处理,得到目标程序的目标自动化测试模型。
基于上述方案,通过软件测试流程,对各子目标测试模型进行连接处理,得到目标程序的目标自动化测试模型,使得目标自动化测试模型能够对目标程序的所有测试类别整体进行测试案例生成(测试代码生成)、案例测试分析的自动化处理过程,避免了人工对目标程序测试分析的低效问题,从而提升了对目标程序的评测效率。
本申请还提供了一种自动化测试模型的确定示例,如图2所示,具体处理过程包括以下步骤:
步骤S201,获取目标程序对应的多个类别的案例需求信息、每个类别对应的代码需求信息、每个类别的测试需求信息、以及每个类别的样本测试案例。
步骤S202,在类别为交易功能类别时,识别案例需求信息对应的交易流程、用户交互内容、以及交易数据变化信息,得到案例需求信息对应的交易需求文档,并基于类别的代码需求信息,生成交易需求文档对应的需求代码。
步骤S203,基于交易需求文档、以及交易需求文档对应的需求代码,通过自动内容生成模型,构建交易功能类别的子测试案例生成模型。
步骤S204,在类别为交互界面类别时,识别案例需求信息对应的案例交互策略、以及案例交互范围,得到案例需求信息对应的界面交互需求文档,并基于类别的代码需求信息,确定界面交互需求文档对应的代码生成策略。
步骤S205,基于界面交互需求文档、以及界面交互需求文档对应的代码生成策略,通过自动内容生成模型,构建交互界面类别对应的子测试案例生成模型。
步骤S206,在类别为接口性能类别时,基于类别的案例需求信息,筛选类别的各接口数据脚本,并基于类别的代码需求信息,筛选类别的脚本代码。
步骤S207,分别建立每个接口数据脚本与每个脚本代码之间的关联关系,并基于关联关系、各接口数据脚本、以及各脚本代码,通过自动内容生成模型,构建接口性能类别对应的子测试案例生成模型。
步骤S208,识别类别的测试需求信息对应的测试流程、以及类别的测试需求信息对应的结果判定信息。
步骤S209,基于类别的测试流程、以及类别的结果判定信息,生成类别的案例测试方式信息,并建立类型的案例测试方式信息与类型的需求文档之间的关联关系。
步骤S210,基于关联关系,在类型的子测试案例生成模型中,增添类型的案例测试方式信息,得到类别的子测试模型。
步骤S211,获取目标程序在类别的全量样本测试案例,并识别每个样本测试案例的测试类型、以及每个样本测试案例的样本测试代码。
步骤S212,基于类别的子测试模型,生成类别的多个测试案例、以及每个测试案例对应的测试代码,并识别每个测试案例的测试类型。
步骤S213,计算样本测试案例的数目与测试案例的数目之间的比例,得到第一覆盖率,并计算每个相同测试类型的样本测试案例的样本测试代码、与每个相同测试类型的测试案例的测试代码之间的平均代码相似度,得到第二覆盖率。
步骤S214,基于第一覆盖率、以及第二覆盖率,确定类别的子测试模型的案例生成覆盖率。
步骤S215,在案例生成覆盖率低于预设的覆盖率阈值的情况下,筛选不存在相同测试类型的样本测试案例、低于平均代码相似度的代码相似度对应的测试代码、以及低于平均代码相似度的代码相似度对应的样本测试代码,重新训练类型的子测试模型的案例生成参数,直到案例生成覆盖率高于预设的覆盖率阈值。
步骤S216,将高于预设的覆盖率阈值的案例生成覆盖率对应的子测试模型,作为类别的子目标测试模型。
步骤S217,获取目标程序的软件测试流程,并基于软件测试流程,识别各类别的测试序列,得到各类别的关联关系。
步骤S218,按照测试序列,确定每个类别的子目标测试模型的执行顺序,并基于执行顺序,将各类别的子目标测试模型进行连接处理,得到目标程序的目标自动化测试模型。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的自动化测试模型的确定方法的自动化测试模型的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个自动化测试模型的确定装置实施例中的具体限定可以参见上文中对于自动化测试模型的确定方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种自动化测试模型的确定装置,包括:获取模块310、添加模块320、训练模块330和整合模块340,其中:
获取模块310,用于获取目标程序对应的多个类别的案例需求信息、每个类别对应的代码需求信息、每个类别的测试需求信息、以及每个类别的样本测试案例,并针对每个类别,基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型;
添加模块320,用于识别所述类别的测试需求信息对应的测试流程、以及所述类别的测试需求信息对应的结果判定信息,并基于所述类别的测试流程、以及所述类别的结果判定信息,在所述类别的子测试案例生成模型中增添所述类别的案例测试层,得到所述类别的子测试模型;
训练模块330,用于识别所述类别的子测试模型的案例生成覆盖率,并基于所述案例生成覆盖率、以及所述类别的样本测试案例,训练所述类别的子测试模型,得到所述类别的子目标测试模型;
整合模块340,用于识别各所述类别之间的关联信息,并基于所述关联信息,将各所述类别的子目标测试模型进行整合处理,得到所述目标程序的目标自动化测试模型。
可选的,在所述类别为交易功能类别时,所述获取模块310,具体用于:
识别所述案例需求信息对应的交易流程、用户交互内容、以及交易数据变化信息,得到所述案例需求信息对应的交易需求文档,并基于所述类别的代码需求信息,生成所述交易需求文档对应的需求代码;
基于所述交易需求文档、以及所述交易需求文档对应的需求代码,通过自动内容生成模型,构建所述交易功能类别的子测试案例生成模型。
可选的,在所述类别为交互界面类别时,所述获取模块310,具体用于:
识别所述案例需求信息对应的案例交互策略、以及案例交互范围,得到所述案例需求信息对应的界面交互需求文档,并基于所述类别的代码需求信息,确定所述界面交互需求文档对应的代码生成策略;
基于所述界面交互需求文档、以及所述界面交互需求文档对应的代码生成策略,通过自动内容生成模型,构建所述交互界面类别对应的子测试案例生成模型。
可选的,在所述类别为接口性能类别时,所述获取模块310,具体用于:
基于所述类别的案例需求信息,筛选所述类别的各接口数据脚本,并基于所述类别的代码需求信息,筛选所述类别的脚本代码;
分别建立每个接口数据脚本与每个脚本代码之间的关联关系,并基于所述关联关系、各所述接口数据脚本、以及各所述脚本代码,通过自动内容生成模型,构建所述接口性能类别对应的子测试案例生成模型。
可选的,所述添加模块320,具体用于:
基于所述类别的测试流程、以及所述类别的结果判定信息,生成所述类别的案例测试方式信息,并建立所述类型的案例测试方式信息与所述类型的需求文档之间的关联关系;
基于所述关联关系,在所述类型的子测试案例生成模型中,增添所述类型的案例测试方式信息,得到所述类别的子测试模型。
可选的,所述训练模块330,具体用于:
获取所述目标程序在所述类别的全量样本测试案例,并识别每个样本测试案例的测试类型、以及每个样本测试案例的样本测试代码;
基于所述类别的子测试模型,生成所述类别的多个测试案例、以及每个测试案例对应的测试代码,并识别每个测试案例的测试类型;
计算所述样本测试案例的数目与所述测试案例的数目之间的比例,得到第一覆盖率,并计算每个相同测试类型的样本测试案例的样本测试代码、与每个相同测试类型的测试案例的测试代码之间的平均代码相似度,得到第二覆盖率;
基于所述第一覆盖率、以及所述第二覆盖率,确定所述类别的子测试模型的案例生成覆盖率。
可选的,所述训练模块330,具体用于:
在所述案例生成覆盖率低于预设的覆盖率阈值的情况下,筛选不存在相同测试类型的样本测试案例、低于平均代码相似度的代码相似度对应的测试代码、以及低于平均代码相似度的代码相似度对应的样本测试代码,重新训练所述类型的子测试模型的案例生成参数,直到所述案例生成覆盖率高于预设的覆盖率阈值;
将高于预设的覆盖率阈值的案例生成覆盖率对应的子测试模型,作为所述类别的子目标测试模型。
可选的,所述整合模块340,具体用于:
获取目标程序的软件测试流程,并基于所述软件测试流程,识别各所述类别的测试序列,得到各所述类别的关联关系;
按照所述测试序列,确定每个类别的子目标测试模型的执行顺序,并基于所述执行顺序,将各所述类别的子目标测试模型进行连接处理,得到所述目标程序的目标自动化测试模型。
上述自动化测试模型的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种自动化测试模型的确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现第一方面中任一项所述的方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种自动化测试模型的确定方法,其特征在于,所述方法包括:
获取目标程序对应的多个类别的案例需求信息、每个类别对应的代码需求信息、每个类别的测试需求信息、以及每个类别的样本测试案例,并针对每个类别,基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型;
识别所述类别的测试需求信息对应的测试流程、以及所述类别的测试需求信息对应的结果判定信息,并基于所述类别的测试流程、以及所述类别的结果判定信息,在所述类别的子测试案例生成模型中增添所述类别的案例测试层,得到所述类别的子测试模型;
识别所述类别的子测试模型的案例生成覆盖率,并基于所述案例生成覆盖率、以及所述类别的样本测试案例,训练所述类别的子测试模型,得到所述类别的子目标测试模型;
识别各所述类别之间的关联信息,并基于所述关联信息,将各所述类别的子目标测试模型进行整合处理,得到所述目标程序的目标自动化测试模型。
2.根据权利要求1所述的方法,其特征在于,在所述类别为交易功能类别时,所述基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型,包括:
识别所述案例需求信息对应的交易流程、用户交互内容、以及交易数据变化信息,得到所述案例需求信息对应的交易需求文档,并基于所述类别的代码需求信息,生成所述交易需求文档对应的需求代码;
基于所述交易需求文档、以及所述交易需求文档对应的需求代码,通过自动内容生成模型,构建所述交易功能类别的子测试案例生成模型。
3.根据权利要求1所述的方法,其特征在于,在所述类别为交互界面类别时,所述基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型,包括:
识别所述案例需求信息对应的案例交互策略、以及案例交互范围,得到所述案例需求信息对应的界面交互需求文档,并基于所述类别的代码需求信息,确定所述界面交互需求文档对应的代码生成策略;
基于所述界面交互需求文档、以及所述界面交互需求文档对应的代码生成策略,通过自动内容生成模型,构建所述交互界面类别对应的子测试案例生成模型。
4.根据权利要求2所述的方法,其特征在于,在所述类别为接口性能类别时,所述基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型,包括:
基于所述类别的案例需求信息,筛选所述类别的各接口数据脚本,并基于所述类别的代码需求信息,筛选所述类别的脚本代码;
分别建立每个接口数据脚本与每个脚本代码之间的关联关系,并基于所述关联关系、各所述接口数据脚本、以及各所述脚本代码,通过自动内容生成模型,构建所述接口性能类别对应的子测试案例生成模型。
5.根据权利要求3所述的方法,其特征在于,所述基于所述类别的测试流程、以及所述类别的结果判定信息,在所述类别的子测试案例生成模型中增添所述类别的案例测试层,得到所述类别的子测试模型,包括:
基于所述类别的测试流程、以及所述类别的结果判定信息,生成所述类别的案例测试方式信息,并建立所述类型的案例测试方式信息与所述类型的需求文档之间的关联关系;
基于所述关联关系,在所述类型的子测试案例生成模型中,增添所述类型的案例测试方式信息,得到所述类别的子测试模型。
6.根据权利要求1所述的方法,其特征在于,所述识别所述类别的子测试模型的案例生成覆盖率,包括:
获取所述目标程序在所述类别的全量样本测试案例,并识别每个样本测试案例的测试类型、以及每个样本测试案例的样本测试代码;
基于所述类别的子测试模型,生成所述类别的多个测试案例、以及每个测试案例对应的测试代码,并识别每个测试案例的测试类型;
计算所述样本测试案例的数目与所述测试案例的数目之间的比例,得到第一覆盖率,并计算每个相同测试类型的样本测试案例的样本测试代码、与每个相同测试类型的测试案例的测试代码之间的平均代码相似度,得到第二覆盖率;
基于所述第一覆盖率、以及所述第二覆盖率,确定所述类别的子测试模型的案例生成覆盖率。
7.根据权利要求6所述的方法,其特征在于,所述基于所述案例生成覆盖率、以及所述类别的样本测试案例,训练所述类别的子测试模型,得到所述类别的子目标测试模型,包括:
在所述案例生成覆盖率低于预设的覆盖率阈值的情况下,筛选不存在相同测试类型的样本测试案例、低于平均代码相似度的代码相似度对应的测试代码、以及低于平均代码相似度的代码相似度对应的样本测试代码,重新训练所述类型的子测试模型的案例生成参数,直到所述案例生成覆盖率高于预设的覆盖率阈值;
将高于预设的覆盖率阈值的案例生成覆盖率对应的子测试模型,作为所述类别的子目标测试模型。
8.根据权利要求1所述的方法,其特征在于,所述识别各所述类别之间的关联信息,并基于所述关联信息,将各所述类别的子目标测试模型进行整合处理,得到所述目标程序的目标自动化测试模型,包括:
获取目标程序的软件测试流程,并基于所述软件测试流程,识别各所述类别的测试序列,得到各所述类别的关联关系;
按照所述测试序列,确定每个类别的子目标测试模型的执行顺序,并基于所述执行顺序,将各所述类别的子目标测试模型进行连接处理,得到所述目标程序的目标自动化测试模型。
9.一种自动化测试模型的确定装置,其特征在于,所述装置包括:
获取模块,用于获取目标程序对应的多个类别的案例需求信息、每个类别对应的代码需求信息、每个类别的测试需求信息、以及每个类别的样本测试案例,并针对每个类别,基于所述类别的案例需求信息、以及所述类别的代码需求信息,构建所述类别的子测试案例生成模型;
添加模块,用于识别所述类别的测试需求信息对应的测试流程、以及所述类别的测试需求信息对应的结果判定信息,并基于所述类别的测试流程、以及所述类别的结果判定信息,在所述类别的子测试案例生成模型中增添所述类别的案例测试层,得到所述类别的子测试模型;
训练模块,用于识别所述类别的子测试模型的案例生成覆盖率,并基于所述案例生成覆盖率、以及所述类别的样本测试案例,训练所述类别的子测试模型,得到所述类别的子目标测试模型;
整合模块,用于识别各所述类别之间的关联信息,并基于所述关联信息,将各所述类别的子目标测试模型进行整合处理,得到所述目标程序的目标自动化测试模型。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一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,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766058.2A CN117743169A (zh) | 2023-12-20 | 2023-12-20 | 自动化测试模型的训练方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766058.2A CN117743169A (zh) | 2023-12-20 | 2023-12-20 | 自动化测试模型的训练方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117743169A true CN117743169A (zh) | 2024-03-22 |
Family
ID=90277279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311766058.2A Pending CN117743169A (zh) | 2023-12-20 | 2023-12-20 | 自动化测试模型的训练方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117743169A (zh) |
-
2023
- 2023-12-20 CN CN202311766058.2A patent/CN117743169A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021012894A1 (zh) | 获取神经网络测试报告的方法、装置、设备和存储介质 | |
CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
US20230004979A1 (en) | Abnormal behavior detection method and apparatus, electronic device, and computer-readable storage medium | |
CN111125529A (zh) | 产品匹配方法、装置、计算机设备及存储介质 | |
CN112508456A (zh) | 食品安全风险评估方法、系统、计算机设备及存储介质 | |
CN116414815A (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN114781532A (zh) | 机器学习模型的评估方法、装置、计算机设备及介质 | |
CN115795928B (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
CN116911867A (zh) | 问题处理方法、装置、计算机设备和存储介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN114238062B (zh) | 板卡烧录装置性能分析方法、装置、设备及可读存储介质 | |
CN117743169A (zh) | 自动化测试模型的训练方法、装置、设备和存储介质 | |
CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN114372867A (zh) | 用户信用度的验证评估方法、装置和计算机设备 | |
US20240104436A1 (en) | Chained feature synthesis and dimensional reduction | |
US20240104421A1 (en) | Correlation-based dimensional reduction of synthesized features | |
CN116578583B (zh) | 异常语句识别方法、装置、设备、存储介质 | |
CN117435478A (zh) | 程序逻辑功能检测方法、装置、计算机设备和存储介质 | |
CN116541248A (zh) | 异常识别方法、装置、计算机设备和存储介质 | |
CN118132448A (zh) | 测试用例处理方法、装置、计算机设备和存储介质 | |
CN118171953A (zh) | 目标企业筛选方法、装置、计算机设备和存储介质 | |
CN116795705A (zh) | 异常节点的确定方法、装置和计算机设备 | |
CN116909876A (zh) | 调试方法、装置、计算机设备、存储介质和程序产品 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 |
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 |