具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
本公开提供的行为预测方法、装置、电子设备和存储介质,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
本公开实施例中提供了一种应用程序的测试控制的方法,如图1所示,该方法包括:
步骤S101:响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图。
其中,可以通过构建一个模型来模仿用户的行为操作,从而自动化地驱动针对目标应用程序的整个测试过程。在接收到针对目标应用程序的自动化测试请求后,可以获取模型的输入内容。模型的输入内容包括当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图。
在本公开的一个实施例中,语义分割图的提取过程包括:
(1)获取图像中的至少一种图像元素类型,至少一种图像元素类型包括:文字、图片和按钮中的至少一种元素类型;
(2)按照至少一种图像元素类型对图像进行分割,得到语义分割图。
可以理解的是,语义分割图是将图像按照至少一种图像元素类型进行图像分割后的图像,在实际应用过程中,可以通过基于深度学习的语义分割方法或基于可扩展标记语言XML中控件的解析生成当前访问页面的语义分割图或者生成历史访问页面的语义分割图。
其中,历史操作类型为用户针对历史访问页面的操作类型,比如滑动、点击及长按等操作类型,历史操作位置图表明了用户针对历史访问页面进行操作的位置。
如图2所示,示例性的,图2(a)为原始的访问页面,图2(b)为该访问页面对应的语义分割图,其中,不同深度的区域可以代表不同的语义分割区域,比如文字语义分割区域、图片语义分割区域或者按钮语义分割区域,图2(c)为该访问页面对应的操作位置图,具体可以使用热力图表示,热力图是指一个单通道的二维图像(黑白图),图中展示了对该访问页面的操作位置,即光点位置。
步骤S102:将语义分割图、历史操作类型及历史操作位置图输入预先训练的行为预测模型中,获取行为预测模型预测出的在当前访问页面上的目标操作类型和目标操作位置概率图,目标操作位置概率图用于表征在页面位置上执行目标操作的概率。
可以理解的是,可以通过预先训练的行为预测模型预测用户的行为,即通过将获取的各访问页面的语义分割图、针对每一历史访问页面历史操作类型及历史操作位置图输入预先训练的行为预测模型中,可以预测出在当前访问页面上需要执行的目标操作的操作类型,及在页面位置上执行目标操作的概率。
在本公开的一个实施例中,如图3所示,预先训练的行为预测模型包括级联的3D卷积神经网络层、LSTM长短期记忆神经网络层以及输出层,其中,
(1)3D卷积神经网络层用于提取至少两个连续访问页面的空间信息及各访问页面之间的时序信息。
首先需要说明的是,示例性的,对于模型的输入维度可以是(4,288,160,4),即为(4个不同的XML语义分割区域,页面的高288,页面的宽160,用户连续4个访问页面)。
可以理解的是,3D卷积神经网络中包括但不限于3D卷积、非线性激活函数及下采样层的3D卷积堆叠,可以利用3D卷积堆叠提取语义分割图像中包括的空间信息和时序信息。
其中,空间信息表示在同一页面内各个语义分割区域之间的位置和大小关系,有助于推断在页面中发生操作的位置,可以理解的是,针对页面的操作通常发生在有图像或有文字的位置,通常不会在页面的空白处进行操作;而时序信息是指不同连续页面之间的关联性,有助于从时序上推断页面中采取的操作类型,示例性的,当连续3个历史页面中的操作类型都是位于正中心的上滑,那么基于时序信息的推断,3个历史页面后的页面中的操作类型很有可能也是正中心上滑。
(2)LSTM长短期记忆神经网络层用于学习空间信息中的不同尺度的时序信息。
其中,在使用3D卷积提取空间信息和时序信息后,还可以从不同的尺度连接一个LSTM层,用于加强在不同图像尺度上的时序信息的学习。不同图像尺度的跨层连接有助于分别学习小目标以及全局大目标在时序中的变化。
可以理解的是,当3D卷积堆叠的数目不多时,提取的空间信息和时序信息的维度较小,可以反映语义分割图像中较为细节的信息,比如锁定的各语义分割单元的范围越来越小;而当3D卷积堆叠的数目较多时,提取的空间信息和时序信息的维度较大,可以反映语以分割图像中的全局信息。
(3)输出层用于输出预测的操作类型和操作位置概率图。
其中,针对操作类型的输出层包括全连接层及归一化层,可以在全连接层输出在页面上预测的操作类型。具体的,在实际应用过程中,可以根据历史关联页面的历史操作类型和时序信息中包括的不同连续页面之间的关联关系在全连接层预测输出预测的操作类型,并在归一化层输出有效编码,每一有效编码均有其对应的操作类型结果。其中,图3中的TransCNN:1和TransCNN:3分别代表了预测的操作类型直接输出结果,以及经过归一化后的one-hot编码。
其中,操作位置概率图的输出层包括上采样层与归一化层,具体的,将空间信息中包括的在每一页面内各个语义区域之间的位置和大小关系进行上采样,然后经过归一化层,预测输出操作位置概率图。可以理解的是,由于3D卷积堆叠是将图像进行缩小的过程,上采样是将图像进行放大的过程,因此可以经过与3D卷积堆叠的数目相对应的上采样,预测输出操作位置概率图。本公开实施例对于上采样的方式包括但不限于2D反卷积。并且图中最大值点所在的位置,即为操作最有可能发生的位置。其中,图3中的TransCNN和TransCNN:2分别代表了预测的操作位置的直接输出结果,即概率值最大点所在的位置,以及经过归一化后的操作位置概率图。
步骤S103:根据目标操作类型和目标操作位置概率图,控制针对目标应用程序的当前访问页面的测试。
可以理解的是,当获取了针对当前访问页面的操作类型和操作位置概率图后,可以控制针对目标应用程序当前访问页面的测试,具体的,可以在操作位置概率图中概率值最大的位置点执行目标操作类型以完成针对当前访问页面的测试。
本公开通过预先训练的行为预测模型,在接收到针对目标应用程序的自动化测试请求后,将当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图、在历史访问页面上进行操作的操作类型和历史操作位置图输入预先训练的行为预测模型中,预测出在当前访问页面上的目标操作类型和目标操作位置概率图,然后基于当前访问页面的操作类型和操作位置概率图,控制针对目标应用程序的当前访问页面的测试。进而自动化地驱动整个测试流程,提高测试效率。
在本公开的一个实施例中,根据目标操作类型和目标操作位置概率图,控制针对目标应用程序的当前访问页面的测试,包括:
(1)获取目标操作位置概率图中第一概率值对应的第一页面位置。
(2)在目标应用程序的当前访问页面的第一页面位置执行目标操作类型对应的操作。
(3)若针对第一页面位置执行目标操作类型对应的操作失败,在目标应用程序的当前访问页面的第二页面位置执行目标操作类型对应的操作,直至操作执行成功,其中,第二页面位置为目标操作位置概率图中第二概率值对应的位置,第一概率值大于第二概率值。
当获取了针对当前访问页面的操作类型和操作位置概率图后,可以继续获取目标操作位置概率图中第一概率值对应的第一页面位置,其中,第一概率值为目标操作概率值中概率值最大的概率值,第一概率值对应的第一页面位置为最有可能执行测试操作的位置,通过在当前访问页面的第一页面位置执行基于目标操作类型对应的操作,以自动化完成测试。
可以理解的是,若在第一页面位置执行操作失败时,可以在当前访问页面的第二页面位置继续执行该操作,其中,第二页面位置指概率值为目标操作位置概率图次大的概率值对应的位置,如此循环,以保证操作执行成功。
在本公开的一个实施例中,还可以通过预先构建的行为预测模型模拟用户的实际操作行为,从而对应用程序进行大规模自动化测试,且不需要人为的干预。具体的,可以将预先构建的行为预测模型部署在测试服务器,根据第一目标访问页面D及连续的历史访问页面A、B及C的语义分割图、历史访问页面A、B及C的操作类型及操作位置概率图预测在第一目标访问页面D的第一目标操作类型及第一操作位置概率图,然后根据历史访问页面B、C及第一目标页面D的行为数据预测在第二目标访问页面E上的第二目标操作类型及第二操作位置概率图。一直循环直至整个测试结束,通过自动化的交互操作,完成大规模的自动化测试。
在本公开的一个实施例中,如图4所示,将语义分割图、历史操作类型及历史操作位置图输入预先训练的行为预测模型中,获取行为预测模型预测出的在当前访问页面上的目标操作类型和目标操作位置概率图,目标操作位置概率图用于表征在页面位置上执行目标操作的概率,包括:
步骤S401:利用行为预测模型中的3D卷积神经网络提取当前访问页面及每一历史访问页面的第一空间信息,其中,第一空间信息包括每一访问页面中各个语义分割区域之间的位置关系和大小关系。
步骤S402:利用行为预测模型中的3D卷积神经网络提取当前访问页面和各历史访问页面之间的第一时序信息,第一时序信息包括根据访问页面出现时序确定的各访问页面之间的第一关联关系。
其中,3D卷积神经网络中包括但不限于3D卷积、非线性激活函数及下采样层的3D卷积堆叠。可以利用3D卷积神经网络提取当前访问页面及每一历史访问页面的第一空间信息、当前访问页面和各历史访问页面之间的第一时序信息。
其中,第一空间信息表示在同一页面内各个语义分割区域之间的位置和大小关系,有助于推断在页面中发生操作的位置,可以理解的是,针对页面的操作通常发生在有图像或有文字的位置,通常不会在页面的空白处进行操作。通过提取当前访问页面及每一历史访问页面的第一空间信息,有助于推断在当前访问页面中发生操作的位置。
而第一时序信息是指不同连续页面之间的关联性,有助于从时序上推断页面中采取的操作类型,示例性的,当连续3个历史页面中的操作类型都是位于正中心的上滑,那么基于时序信息的推断,3个历史页面后的页面中的操作类型很有可能也是正中心上滑。通过提取当前访问页面和各历史访问页面之间的第一时序信息,有助于推断当前访问页面中发生的操作类型。
步骤S403:利用行为预测模型中的LSTM长短期记忆网络学习第一空间信息中包括的各访问页面的第二时序信息,第二时序信息包括各访问页面之间不同尺度上的第二关联关系。
其中,在使用3D卷积网络提取第一空间信息和第一时序信息后,还可以从不同的尺度连接一个LSTM层,用于加强在不同图像尺度上的第二时序信息的学习。可以理解的是,当3D卷积堆叠的数目不多时,LSTM长短期记忆网络学习的第二时序信息的维度较小,可以反映语义分割图像中较为细节的信息,比如锁定的各语义分割区域的范围越来越小;而当3D卷积堆叠的数目较多时,提取的空间信息和时序信息的维度较大,可以反映语义分割图像中的全局信息。不同图像尺度的跨层连接有助于分别学习小目标以及全局大目标在时序中的变化。
步骤S404:利用各访问页面之间的第一关联关系,或各访问页面之间不同尺度上的第二关联关系输出在当前访问页面上的目标操作类型。
其中,可以利用各访问页面之间的关联关系,以及各访问页面之间不同尺度之间的关联关系输出在当前访问页面上目标操作类型。在实际应用过程中,可以根据历史访问页面中的历史操作类型和不同尺度上各访问页面之间的关联关系在输出预测目标操作类型。
在本公开的一个实施例中,利用各访问页面之间的第一关联关系或各访问页面之间不同尺度上的第二关联关系输出在当前访问页面上的目标操作类型,包括:
(1)将第一关联关系或第二关联关系输入行为预测模型中的全连接层,输出当前访问页面对应的操作类型编码。
(2)基于操作类型编码确定当前访问页面的目标操作类型。
可以理解的是,在第一关联关系或第二关联关系输入全连接层后,可以输出一位有效编码,并可以将该一位有效编码对应的操作类型确定为当前访问页面的目标操作类型。
其中,每一位有效编码对应一种操作,示例性的,当输出的一位有效编码为[1,0,0,0,0,0,0]时,输出的目标操作类型为点击操作,当输出的一位有效编码为[0,1,0,0,0,0,0]时,输出的目标操作类型为长按操作,当输出的一位有效编码为[0,0,1,0,0,0,0]时,输出的目标操作类型为左滑操作,当输出的一位有效编码为[0,0,0,1,0,0,0]时,输出的目标操作类型为右滑操作,当输出的一位有效编码为[0,0,0,0,1,0,0]时,输出的目标操作类型为上滑操作,当输出的一位有效编码为[0,0,0,0,0,1,0]时,输出的目标操作类型为下滑操作,当输出的一位有效编码为[0,0,0,0,0,0,1]时,输出的目标操作类型为返回操作。
步骤S405:利用当前访问页面及每一历史访问页面中的各个图像分割区域之间的位置关系和大小关系输出在当前访问页面上的目标操作位置概率图。
可以理解的是,将各访问页面中各个图像分割区域之间的位置关系和大小关系进行上采样,然后归一化,输出目标操作位置概率图。其中,由于3D卷积堆叠是将图像进行缩小的过程,上采样是将图像进行放大的过程,因此可以经过与3D卷积堆叠的数目相对应的上采样,预测输出操作位置概率图。本公开实施例对于上采样的方式包括但不限于2D反卷积。并且操作位置概率图中概率值最大点所在的位置,即为操作最有可能发生的位置。
在本公开的一个实施例中,响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图,包括:
响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的三个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图。
可以理解的是,本公开实施例在实际应用过程中发现,基于三个连续历史访问页面的操作情况预测在下一个页面的操作情况,能够在预测效率和预测精准度间寻找到平衡点,在满足预测精准度的情况下尽可能提高预测效率,从而提高对应用程序的测试效率。
具体的,如图5所示,图5(a)~图5(c)为3个连续历史访问页面对应的语义分割图,其中不同深度的区域分别表示文字区域、图片区域及按钮区域等,并且图中的光点表示在该历史访问页面的操作位置,图5(d)为当前访问页面对应的语义分割图,将图5(a)~图5(d)以及图5(a)~图5(c)对应的历史操作类型输入预先训练好的行为预测模型中,输出的结果即为图5(e)中的热力图及一个one-hot编码,其中,图5(e)中热力图是指一个单通道的二维图像(黑白图),图像中的值代表了热力值(在单通道图像中也就是亮度值),该图中的亮点中心最亮,热力值最高,也即概率值最高,该亮点位置即为预测的需要执行操作的位置;one-hot编码表示了在当前访问页面上操作的目标操作类型。通过在该亮点位置处自动执行该目标操作类型的操作,自动完成测试。
本公开实施例提供了一种应用程序的测试控制装置,如图6所示,该应用程序的测试控制装置60可以包括:第一获取模块601、第二获取模块602及控制模块603,其中,
第一获取模块601,用于响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图。
其中,可以通过构建一个模型来模仿用户的行为操作,从而自动化地驱动针对目标应用程序的整个测试过程。在接收到针对目标应用程序的自动化测试请求后,可以获取模型的输入内容。模型的输入内容包括当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图。
第二获取模块602,用于将语义分割图、历史操作类型及历史操作位置图输入预先训练的行为预测模型中,获取行为预测模型预测出的在当前访问页面上的目标操作类型和目标操作位置概率图,目标操作位置概率图用于表征在页面位置上执行目标操作的概率。
可以理解的是,可以通过预先训练的行为预测模型预测用户的行为,即通过将获取的各访问页面的语义分割图、针对每一历史访问页面历史操作类型及历史操作位置图输入预先训练的行为预测模型中,可以预测出在当前访问页面上需要执行的目标操作的操作类型,及在页面位置上执行目标操作的概率。
控制模块603,用于根据目标操作类型和目标操作位置概率图,控制针对目标应用程序的当前访问页面的测试。
可以理解的是,当获取了针对当前访问页面的操作类型和操作位置概率图后,可以控制针对目标应用程序当前访问页面的测试,具体的,可以在操作位置概率图中概率值最大的位置点执行目标操作类型以完成针对当前访问页面的测试。
本公开通过预先训练的行为预测模型,在接收到针对目标应用程序的自动化测试请求后,将当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图、在历史访问页面上进行操作的操作类型和历史操作位置图输入预先训练的行为预测模型中,预测出在当前访问页面上的目标操作类型和目标操作位置概率图,然后基于当前访问页面的操作类型和操作位置概率图,控制针对目标应用程序的当前访问页面的测试。进而自动化地驱动整个测试流程,提高测试效率。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备700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7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。
电子设备包括:存储器以及处理器,其中,这里的处理器可以称为下文所述的处理装置701,存储器可以包括下文中的只读存储器(ROM)702、随机访问存储器(RAM)703以及存储装置708中的至少一项,具体如下所示:
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,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,其包括承载在非暂态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709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701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存储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***、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***、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***、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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
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:在对目标应用程序进行用户行为的测试过程中,获取当前待测的目标页面对应的历史行为数据,其中,所述历史行为数据包括所述目标页面之前的一个历史页面或所述目标页面之前的至少两个连续历史页面、以及在每一历史页面上的历史操作行为;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:
响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图;
将语义分割图、历史操作类型及历史操作位置图输入预先训练的行为预测模型中,获取行为预测模型预测出的在当前访问页面上的目标操作类型和目标操作位置概率图,目标操作位置概率图用于表征在页面位置上执行目标操作的概率;
根据目标操作类型和目标操作位置概率图,控制针对目标应用程序的当前访问页面的测试。
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但不限于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***、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***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模块或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,模块或单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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***、装置或设备,或者上述内容的任何合适组合。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。
根据本公开的一个或多个实施例,提供了一种应用程序的测试控制方法,包括:
响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图;
将语义分割图、历史操作类型及历史操作位置图输入预先训练的行为预测模型中,获取行为预测模型预测出的在当前访问页面上的目标操作类型和目标操作位置概率图,目标操作位置概率图用于表征在页面位置上执行目标操作的概率;
根据目标操作类型和目标操作位置概率图,控制针对目标应用程序的当前访问页面的测试。
在本公开的一个实施例中,预先训练的行为预测模型包括级联的3D卷积神经网络层、LSTM长短期记忆神经网络层以及输出层;其中,
3D卷积神经网络层用于提取至少两个连续访问页面的空间信息及各访问页面之间的时序信息;
LSTM长短期记忆神经网络层用于学习空间信息中的不同尺度的时序信息;
输出层用于输出预测的操作类型和操作位置概率图。
在本公开的一个实施例中,将语义分割图、历史操作类型及历史操作位置图输入预先训练的行为预测模型中,获取行为预测模型预测出的在当前访问页面上的目标操作类型和目标操作位置概率图,目标操作位置概率图用于表征在页面位置上执行目标操作的概率,包括:
利用行为预测模型中的3D卷积神经网络提取当前访问页面及每一历史访问页面的第一空间信息,其中,第一空间信息包括每一访问页面中各个语义分割区域之间的位置关系和大小关系;
利用行为预测模型中的3D卷积神经网络提取当前访问页面和各历史访问页面之间的第一时序信息,第一时序信息包括根据访问页面出现时序确定的各访问页面之间的第一关联关系;
利用行为预测模型中的LSTM长短期记忆网络学习第一空间信息中包括的各访问页面的第二时序信息,第二时序信息包括各访问页面之间不同尺度上的第二关联关系;
利用各访问页面之间的第一关联关系,或各访问页面之间不同尺度上的第二关联关系输出在当前访问页面上的目标操作类型;
利用当前访问页面及每一历史访问页面中的各个图像分割区域之间的位置关系和大小关系输出在当前访问页面上的目标操作位置概率图。
在本公开的一个实施例中,响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图,包括:
响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的三个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图。
在本公开的一个实施例中,根据目标操作类型和目标操作位置概率图,控制针对目标应用程序的当前访问页面的测试,包括:
获取目标操作位置概率图中第一概率值对应的第一页面位置;
在目标应用程序的当前访问页面的第一页面位置执行目标操作类型对应的操作;
若针对第一页面位置执行目标操作类型对应的操作失败,在目标应用程序的当前访问页面的第二页面位置执行目标操作类型对应的操作,直至操作执行成功,其中,第二页面位置为目标操作位置概率图中第二概率值对应的位置,第一概率值大于第二概率值。
在本公开的一个实施例中,语义分割图的提取过程包括:
获取图像中的至少一种图像元素类型,至少一种图像元素类型包括:文字、图片和按钮中的至少一种元素类型;
按照至少一种图像元素类型对图像进行分割,得到语义分割图。
根据本公开的一个或多个实施例,提供了一种应用程序的测试控制装置,包括:
第一获取模块,用于响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的至少两个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图;
第二获取模块,用于将语义分割图、历史操作类型及历史操作位置图输入预先训练的行为预测模型中,获取行为预测模型预测出的在当前访问页面上的目标操作类型和目标操作位置概率图,目标操作位置概率图用于表征在页面位置上执行目标操作的概率;
控制模块,用于根据目标操作类型和目标操作位置概率图,控制针对目标应用程序的当前访问页面的测试。
在本公开的一个实施例中,预先训练的行为预测模型包括级联的3D卷积神经网络层、LSTM长短期记忆神经网络层以及输出层;其中,
3D卷积神经网络层用于提取至少两个连续访问页面的空间信息及各访问页面之间的时序信息;
LSTM长短期记忆神经网络层用于学习空间信息中的不同尺度的时序信息;
输出层用于输出预测的操作类型和操作位置概率图。
在本公开的一个实施例中,第二获取模块,包括:
第一提取子模块,用于利用行为预测模型中的3D卷积神经网络提取当前访问页面及每一历史访问页面的第一空间信息,其中,第一空间信息包括每一访问页面中各个语义分割区域之间的位置关系和大小关系;
第二提取子模块,用于利用行为预测模型中的3D卷积神经网络提取当前访问页面和各历史访问页面之间的第一时序信息,第一时序信息包括根据访问页面出现时序确定的各访问页面之间的第一关联关系;
学习子模块,用于利用行为预测模型中的LSTM长短期记忆网络学习第一空间信息中包括的各访问页面的第二时序信息,第二时序信息包括各访问页面之间不同尺度上的第二关联关系;
第一输出子模块,用于利用各访问页面之间的第一关联关系,或各访问页面之间不同尺度上的第二关联关系输出在当前访问页面上的目标操作类型;
第二输出子模块,用于利用当前访问页面及每一历史访问页面中的各个图像分割区域之间的位置关系和大小关系输出在当前访问页面上的目标操作位置概率图。
在本公开的一个实施例中,第一获取模块,包括:
第一获取子模块,用于响应于针对目标应用程序的自动化测试请求,获取当前访问页面及与当前访问页面相关联的三个连续历史访问页面的语义分割图及每一历史访问页面对应的历史操作类型及历史操作位置图。
在本公开的一个实施例中,控制模块,包括:
获取子模块,用于获取目标操作位置概率图中第一概率值对应的第一页面位置;
第一执行子模块,用于在目标应用程序的当前访问页面的第一页面位置执行目标操作类型对应的操作;
第二执行子模块,用于若针对第一页面位置执行目标操作类型对应的操作失败,在目标应用程序的当前访问页面的第二页面位置执行目标操作类型对应的操作,直至操作执行成功,其中,第二页面位置为目标操作位置概率图中第二概率值对应的位置,第一概率值大于第二概率值。
在本公开的一个实施例中,语义分割图的提取过程包括:
获取图像中的至少一种图像元素类型,至少一种图像元素类型包括:文字、图片和按钮中的至少一种元素类型;
按照至少一种图像元素类型对图像进行分割,得到语义分割图。
根据本公开的一个或多个实施例,提供了一种电子设备,包括一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于执行本公开的应用程序的测试控制方法。
根据本公开的一个或多个实施例,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开的应用程序的测试控制方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。