CN113918471A - 测试用例的处理方法、装置及计算机可读存储介质 - Google Patents
测试用例的处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113918471A CN113918471A CN202111402743.8A CN202111402743A CN113918471A CN 113918471 A CN113918471 A CN 113918471A CN 202111402743 A CN202111402743 A CN 202111402743A CN 113918471 A CN113918471 A CN 113918471A
- Authority
- CN
- China
- Prior art keywords
- test case
- evaluated
- characteristic value
- test
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 484
- 238000003672 processing method Methods 0.000 title description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 13
- 239000013589 supplement Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010224 classification analysis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种测试用例的处理方法、装置及计算机可读存储介质，涉及金融科技领域，其中，该方法包括：获取待评估的测试用例，并提取待评估的测试用例的至少一个目标特征值，从而根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果，进而根据分类结果对待评估的测试用例进行评估，得到评估结果，其中，评估结果用于表征待评估的测试用例的完备程度。本发明解决了由于现有技术中采用人工方式对测试用例进行评估，导致的对测试用例评估不准确的技术问题。
Description
技术领域
本发明涉及金融科技领域，具体而言，涉及一种测试用例的处理方法、装置及计算机可读存储介质。
背景技术
测试用例，又称测试案例，是软件测试的基本要素之一，用于协助软件测试人员进行测试任务。
现有技术中，缺乏对测试用例进行自动评价的工具，项目组中的软件测试人员评估测试用例的完备程度时，通常只能通过经验进行评估。但是，随着互联网技术的发展，软件应用程序的复杂度越来越高，对测试用例的要求也越来越高，不仅要有传统的功能类测试用例，更要有性能类以及安全类等类型的测试用例，还需要根据软件应用程序的应用场景不同，适当性地增加安全可信、云原生等专项测试内容的测试用例。在此基础上，通过人工的方式评估测试用例需要软件测试人员具备较高的检查和分析测试用例的能力，而且，在测试用例的分析过程中存在较多的不确定性因素，这些不确定因素会对软件测试人员对测试用例的分析造成干扰，从而使得软件测试人员无法得到准确、细致的评估结果。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种测试用例的处理方法、装置及计算机可读存储介质，以至少解决由于现有技术中采用人工方式对测试用例进行评估，导致的对测试用例评估不准确的技术问题。
根据本发明实施例的一个方面，提供了一种测试用例的处理方法，包括：获取待评估的测试用例，并提取待评估的测试用例的至少一个目标特征值，从而根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果，进而根据分类结果对待评估的测试用例进行评估，得到评估结果，其中，评估结果用于表征待评估的测试用例的完备程度。
进一步地，测试用例的处理方法还包括：基于目标神经网络模型从待评估的测试用例中提取至少一个目标特征值。
进一步地，根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果，包括：根据至少一个目标特征值对待评估的测试用例进行分类，确定待评估的测试用例所对应的至少一个测试用例类型；根据分类结果对待评估的测试用例进行评估，得到评估结果，包括：根据至少一个目标特征值以及至少一个测试用例类型对待评估的测试用例进行评估，得到评估结果。
进一步地，测试用例的处理方法还包括：获取每个测试用例类型所对应的权重系数，并基于每个测试用例类型计算待评估的测试用例的第一评分，从而根据至少一个测试用例类型对应的至少一个权重系数以及至少一个第一评分，确定待评估的测试用例的目标评分，其中，目标评分用于表征待评估的测试用例的评估结果。
进一步地，测试用例的处理方法还包括：获取每个测试用例类型在预设测试用例中对应的至少一个第一特征值，并确定至少一个第一特征值和目标特征值之间相同的特征值作为第二特征值，从而根据第二特征值的数量以及至少一个第一特征值的数量，确定第一评分。
进一步地，测试用例的处理方法还包括：在根据至少一个目标特征值对待评估的测试用例进行评估，得到评估结果之后，从至少一个第一特征值中获取至少一个第三特征值，其中，至少一个第三特征值为至少一个第一特征值中与目标特征值不同的特征值。根据至少一个第三特征值，从预设测试用例中确定至少一个补充测试用例，其中，至少一个补充测试用例用于扩充待评估的测试用例。
进一步地，测试用例的处理方法还包括：在根据至少一个第三特征值，从预设测试用例中确定至少一个补充测试用例之后，根据至少一个测试用例类型确定至少一个第三特征值的特征值优先级，并根据特征值优先级确定至少一个补充测试用例的测试用例优先级，从而根据测试用例优先级从至少一个补充测试用例中确定目标补充测试用例，并将目标补充测试用例更新至待评估的测试用例中。
根据本发明实施例的另一方面，还提供了一种测试用例的处理装置，包括：获取模块，用于获取待评估的测试用例；提取模块，用于提取待评估的测试用例的至少一个目标特征值；分类模块，用于根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果；评估模块，用于根据分类结果对待评估的测试用例进行评估，得到评估结果，其中，评估结果用于表征待评估的测试用例的完备程度。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的测试用例的处理方法。
根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的测试用例的处理方法。
在本发明实施例中，采用自动化评估测试用例的方式，通过获取待评估的测试用例，并提取待评估的测试用例的至少一个目标特征值，从而根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果，进而根据分类结果对待评估的测试用例进行评估，得到评估结果，其中，评估结果用于表征待评估的测试用例的完备程度。
由上述内容可知，由于本申请的技术方案通过提取测试用例的至少一个目标特征值，并基于至少一个目标特征值对待评估的测试用例进行分类，因此无需采用人工方式即可对测试用例进行分类，避免了人工分类所导致的测试用例遗漏以及分类不准确的问题，实现了提高分类准确度以及分类效率的效果。此外，由于本申请可根据分类结果自动对待评估的测试用例做出评估，因此，在评估过程中，降低了对软件测试人员的评估能力要求，同时避免了人工评估测试案例过程中不稳定性，有利于提高测试用例的评估准确性，实现自动评估得到测试用例的完备程度的效果。
由此可见，通过本申请的技术方案，达到了对测试用例进行自动化分类以及评估的目的，从而实现了提高测试效率，降低测试成本的技术效果，进而解决了由于现有技术中采用人工方式对测试用例进行评估，导致的对测试用例评估不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的测试用例评估工具示意图；
图2是根据本发明实施例的一种可选的测试用例的处理方法的流程图；
图3是根据本发明实施例的一种可选的测试用例的分类方法流程图；
图4是根据本发明实施例的一种可选的测试用例的评估方法流程图；
图5是根据本发明实施例的一种可选的确定补充测试用例的方法流程图；
图6是根据本发明实施例的一种可选的测试用例处理装置示意图；
图7是根据本发明实施例的一种可选的电子设备的示意图。
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、***、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。
另外，还需要注意到的是，本申请的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均为经过用户授权或者经过各方充分授权的信息。
实施例1
根据本发明实施例，提供了一种测试用例的处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
另外，还需要注意到的是，一种测试用例评估工具可作为本发明实施例中的测试用例的处理方法的执行主体，图1是根据本发明实施例的一种可选的测试用例评估工具示意图，如图1所示，测试用例评估工具至少包括：测试用例分类单元101、测试用例评价单元102以及测试用例补充建议单元103。
图2是根据本发明实施例的一种可选的测试用例的处理方法的流程图，如图2所示，该方法包括如下步骤：
步骤S201，获取待评估的测试用例。
在步骤S201中，待评估的测试用例可以是软件测试人员根据软件应用程序新建的测试用例，也可以是从测试用例资产库中直接获取的现有测试用例，或者是在现有测试用例的基础上改进得到的测试用例，其中，测试用例资产库中存放有软件测试人员之前建立以及测试使用过的测试用例。
步骤S202，提取待评估的测试用例的至少一个目标特征值。
在步骤S202中，测试用例评估工具可通过目标神经网络模型提取至少一个目标特征值，目标特征值可以是待评估的测试用例中的关键字，例如，测试用例评估工具可将待评估的测试用例中关于金额、密码以及银行***等关键字作为至少一个目标特征值，当待评估的测试用例中出现这些关键字时，测试用例评估工具可对其进行识别以及提取。另外，目标特征值还可以是待测试用例的各种标识，例如，可用于识别创建对象的创建对象标识、可用于识别测试对象的测试对象标识以及可用于识别应用场景的场景标识等。其中，至少一个目标特征值可用于确定待评估的测试用例所对应的测试用例类型。
需要注意到的是，在上述过程中，由于目标特征值可用于表征测试用例类型，因此，在此基础上，通过提取待评估的测试用例的至少一个目标特征值，可获取对待评估的测试用例进行分类的基础信息，从而实现了自动准确地对待评估的测试用例进行分类的效果。
步骤S203，根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果。
在步骤S203中，分类结果可用于表征待评估的测试用例所对应的测试用例类型，其中，一条待评估的测试用例所对应的测试用例类型可以是多个，例如，在分类过程中，当测试用例评估工具发现一条待评估的测试用例中包含有对应第一测试用例类型的目标特征值时，即可将该条待评估的测试用例确定为第一测试用例类型的测试用例，并在测试时使用，同时，当测试用例评估工具还发现该条待评估的测试用例中包含有对应第二测试用例类型的目标特征值时，还可将该条待评估的测试用例确定为第二测试用例类型的测试用例，其中，第一测试用例类型和第二测试用例类型是不同的测试用例类型。
需要注意到的是，现有技术中，对测试用例进行分类，主要由测试人员手工进行，具体过程为，首先在编写测试用例前先人工确认测试用例的分类，然后通过对测试用例标签化或者指定专门的分类字段对测试用例进行标记，但是，随着测试用例越来越复杂，且分类的维度不同，一条测试用例可能会有多个分类，例如，一条测试用例可能既属于按测试对象分的安全类测试用例，又属于按照测试阶段分的功能类测试用例等，面对多样的分类场景，手工分类的方式会存在分类不准确，标准不统一的问题。而通过上述过程，根据至少一个目标特征值对待评估的测试用例进行分类，避免了手工对测试用例进行分类时可能会存在遗漏测试用例以及分类不准确的问题，并且降低了手工维护和编写测试用例的工作量，从而有利于提高测试效率。
步骤S204，根据分类结果对待评估的测试用例进行评估，得到评估结果。
在步骤S204中，评估结果用于表征待评估的测试用例的完备程度，其中，完备程度越高，说明待评估的测试用例的质量越好，从而通过该待评估的测试用例进行测试的效果也会更好。此外，在得到评估结果之后，测试用例评估工具还可根据评估结果生成补充建议，从而帮助软件测试人员对待评估的测试用例进行补充完善，进一步地提高待评估的测试用例的质量。
需要注意到的是，在现有技术中，人工评估测试用例的方法对软件测试人员检查和分析用例的能力要求很高，并且很难达到足够细致以及准确的效果，对于评估过程中发现的问题，软件测试人员手动修改之后还需要进行再次评估，从而会产生额外的管理成本和人工成本。而在本申请中，通过自动化对待评估的测试用例进行评估，避免了现有技术中采用人工方式对测试用例进行评估，所导致的对测试用例评估不准确的问题，从而实现了降低评估成本的效果。
在一种可选的实施例中，测试用例评估工具可基于目标神经网络模型从待评估的测试用例中提取至少一个目标特征值。
可选的，在基于目标神经网络模型从待评估的测试用例中提取至少一个目标特征值之前，测试用例评估工具可根据预设测试用例对初始神经网络模型进行训练，得到目标神经网络模型。其中，预设测试用例可以是测试用例资产库中的公共测试用例，公共测试用例是软件测试人员经过测试检验后的测试用例，通过公共测试用例训练得到的目标神经网络模型具有良好的鲁棒性，可准确识别目标特征值。
可选的，在基于目标神经网络模型从待评估的测试用例中提取至少一个目标特征值之前，测试用例评估工具还可获取预设特征值以及预设特征值对应的预设测试用例类型，并根据预设特征值以及预设测试用例类型，对目标神经网络模型进行调整，从而得到调整后的目标神经网络模型。
在一种可选的实施例中，如图3所示，测试人员根据测试过程要求以及当前的测试技术，预先确定一定数量的预设特征值以及这些预设特征值所对应的测试用例类型，然后测试用例评估工具通过目标神经网络模型对测试资产库中的公共测试用例进行分类分析，并结合预设特征值与预设测试用例类型核对分析结果，当分析结果表示当前分析不够准确时，软件测试人员可补充公共测试用例的数量或者调整测试用例类型以及目标特征值，从而对目标神经网络模型进行反复训练，以便得到调整后的目标神经网络模型。最终调整后的目标神经网络模型构成了测试用例评估工具中的测试用例分类单元，测试用例分类单元可对待评估的测试用例提取至少一个目标特征值，并根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果。例如，测试用例分类单元通过机器学习算法如深度神经网络算法对待评估的测试用例进行分析，抓取待评估的测试用例中的用例描述、测试数据、测试步骤、预期结果等至少一个特征值，并根据至少一个目标特征值对待评估的测试用例进行分类，从而确定待评估的测试用例所对应的至少一个测试用例类型。
需要注意到的是，在上述过程中，通过目标神经网络模型从待评估的测试用例中提取至少一个目标特征值，并根据至少一个目标特征值对待评估的测试用例进行分类，整个过程无需采用人工方式对测试用例进行分类，从而避免了人工分类所导致的测试用例遗漏以及分类不准确的问题，实现了提高分类准确度以及分类效率的效果。
在一种可选的实施例中，测试用例评估工具可根据至少一个目标特征值以及至少一个测试用例类型对待评估的测试用例进行评估，得到评估结果。
可选的，图4是根据本发明实施例的一种可选的测试用例的评估方法流程图。如图4所示，软件测试人员可预先设置各种测试用例类型对应的权重系数，然后在测试用例分类单元对待评估的测试用例进行分类分析之后，通过测试用例评价单元，对待评估的测试用例进行评估，其中，测试用例评价单元在评估待评估的测试用例时，可基于至少一个目标特征值以及至少一个测试用例类型完成评估。
可选的，在具体的评估过程中，测试用例评价单元可获取每个测试用例类型所对应的权重系数，并基于每个测试用例类型计算待评估的测试用例的第一评分，从而根据至少一个测试用例类型对应的至少一个权重系数以及至少一个第一评分，确定待评估的测试用例的目标评分，其中，目标评分用于表征待评估的测试用例的评估结果。例如，由软件测试人员在测试用例评估工具上设置每个测试用例类型所对应的权重系数，当一条待评估的测试用例对应有多个测试用例类型时，分别计算每个测试用例类型下该条待评估的测试用例的评分，并记为第一评分，由于有多个测试用例类型，因此，得到的第一评分也有多个。在此基础上，测试用例评价单元基于每个测试用例类型所对应的权重系数，将该条待评估的测试用例涉及的所有第一评分进行加权求和计算，最终所得计算结果即为该条待评估的测试用例的目标评分。另外，多条待评估的测试用例可组成一个测试用例组，对一个测试用例组中所有的待评估的测试用例所对应的目标评分进行算数平均计算或者加权平均计算，即可得到该测试用例组的评价得分。
需要注意到的是，通过采用对不同的测试用例类型设置有不同的权重系数，可提高评估测试用例的灵活性，例如，当前软件应用程序对于安全性要求很高，则软件测试人员可以在测试用例评估工具上提高测试用例安全类型的权重系数，从而实现了灵活适用多种测试场景，提高测试效率的效果。
在一种可选的实施例中，测试用例评价单元在基于每个测试用例类型计算待评估的测试用例的第一评分时，可获取每个测试用例类型在预设测试用例中对应的至少一个第一特征值，并确定至少一个第一特征值和目标特征值之间相同的特征值作为第二特征值，从而根据第二特征值的数量以及至少一个第一特征值的数量，确定第一评分。
可选的，假设测试用例评价单元在计算第一测试用例类型下待评估的测试用例对应的第一评分时，可根据如下公式计算：
其中,
表示的是第一评分，μ表示的是第一测试用例类型在预设测试用例中对应的所有第一特征值，ρ表示的是该待评估的测试用例对应在第一测试用例类型下已包含的目标特征值，(μ∩ρ)表示的是所有特征值与目标特征值之间相同的特征值，即第二特征值，Y(μ∩ρ)表示的是第二特征值的数量，Yμ表示的是第一特征值的数量。例如，第一测试用例类型为安全测试用例类型，安全测试用例类型在预设测试用例中对应有10个第一特征值，而在待评估的测试用例中可用于将此待评估的测试用例确定为安全测试用例类型的目标特征值有4个，通过比对10个第一特征值与4个目标特征值的交集，测试用例评价单元最终确定有2个第二特征值同时属于10个第一特征值与4个目标特征值，因此，第一评分为0.2＝2/10。
容易注意到的是，通过固定的评分公式计算第一评分，可以保证所有的第一评分都是基于相同的标准计算得到的，从而避免了依靠人工经验对测试用例进行评估评分，所存在的评估标准不统一，评估结果准确性差的问题。
在一种可选的实施例中，测试用例评估工具在根据至少一个目标特征值对待评估的测试用例进行评估，得到评估结果之后，可从至少一个第一特征值中获取至少一个第三特征值，其中，至少一个第三特征值为至少一个第一特征值中与目标特征值不同的特征值。测试用例评估工具还可根据至少一个第三特征值，从预设测试用例中确定至少一个补充测试用例，其中，至少一个补充测试用例用于扩充待评估的测试用例。
可选的，测试用例补充建议单元可在生成评价结果后，对每个测试用例组进行分析，与测试资产库中的预设测试用例进行对比，按照每一个测试用例、每一种测试用例类型分别核对目标特征值与第一特征值，确定测试用例组中不包含而预设测试用例中包含的特征值，即第三特征值，从而测试用例补充建议单元可从预设测试用例中选取第三特征值所对应的测试用例作为补充测试用例。
需要注意到的是，通过根据至少一个第三特征值，从预设测试用例中确定至少一个补充测试用例，可在测试用例完备程度不足时，及时的补充测试用例，从而实现丰富测试用例类型，提高测试用例质量的效果。
在一种可选的实施例中，在根据至少一个第三特征值，从预设测试用例中确定至少一个补充测试用例之后，测试用例补充建议单元可根据至少一个测试用例类型确定至少一个第三特征值的特征值优先级，并根据特征值优先级确定至少一个补充测试用例的测试用例优先级，从而根据测试用例优先级从至少一个补充测试用例中确定目标补充测试用例，最终将目标补充测试用例更新至待评估的测试用例中。
可选的，图5是根据本发明实施例的一种可选的确定补充测试用例的方法流程图，如图5所示，首先测试用例补充建议单元可对不同的测试用例类型生成对应的优先级，例如，设定安全类测试用例类型的优先级最高，功能类测试用例类型的优先级次之。当存在多个第三特征值可对应安全类测试用例类型以及功能类测试用例类型时，测试用例补充建议单元将与安全类测试用例类型对应的第三特征值的优先级确定为优先级最高的第一优先级，将与功能类测试用例类型对应的第三特征值的优先级确定为优先级低于第一优先级的第二优先级。在测试用例分类单元对待评估的测试用例进行分类分析，以及测试用例评价单元，对待评估的测试用例进行评估之后，测试用例补充建议单元可提供补充测试用例并给出针对补充测试用例的测试用例优先级。例如，由于补充测试用例是根据第三特征值确定得到的，因此，可根据第三特征值的优先级，进一步地确定补充测试用例的测试用例优先级，并生成提示信息，从而软件测试人员可根据测试用例优先级，从补充测试用例中选取目标补充测试用例，并补充至待评估的测试用例中。需要说明的是，测试用例类型的优先级以及第三特征值的特征值优先级可以人工调整。
容易注意到的是，通过根据特征值优先级确定至少一个补充测试用例的测试用例优先级，可根据测试场景的不同，灵活把控测试用例优先级的生成，从而在不同的测试场景下，协助软件测试人员准确的补充测试用例，实现了提高测试效率的效果。
由上述内容可知，由于本申请的技术方案通过提取至少一个目标特征值，并基于至少一个目标特征值对待评估的测试用例进行分类，因此无需再采用人工方式对测试用例进行分类，避免了人工分类所导致的测试用例遗漏以及分类不准确的问题，实现了提高分类准确度以及分类效率的效果，此外，由于本申请可根据分类结果自动对待评估的测试用例做出评估，因此，在评估过程中，相当于降低了对软件测试人员的评估能力要求，同时避免了人工评估测试用例过程中不稳定性，有利于提高测试用例的评估准确性，实现自动评估得到测试用例的完备程度的效果。
由此可见，通过本申请的技术方案，达到了对测试用例进行自动化分类以及评估的目的，从而实现了提高测试效率，降低测试成本的技术效果，进而解决了由于现有技术中采用人工方式对测试用例进行评估，导致的对测试用例评估不准确的技术问题。
实施例2
根据本发明实施例，还提供了一种测试用例的处理装置实施例，其中，图6是根据本发明实施例的一种可选的测试用例处理装置示意图，如图6所示，该处理装置包括：获取模块601、提取模块603、分类模块605以及评估模块607。
其中，获取模块601，用于获取待评估的测试用例；提取模块603，用于提取待评估的测试用例的至少一个目标特征值；分类模块605，用于根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果；评估模块607，用于根据分类结果对待评估的测试用例进行评估，得到评估结果，其中，评估结果用于表征待评估的测试用例的完备程度。
需要说明的是，上述获取模块601、提取模块603、分类模块605以及评估模块607对应于上述实施例中的步骤S201至步骤S204，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
可选的，上述提取模块还包括：第一提取模块，其中，第一提取模块，用于基于目标神经网络模型从待评估的测试用例中提取至少一个目标特征值。
可选的，测试用例的处理装置还包括：确定模块以及第一评估模块。其中，确定模块，用于根据至少一个目标特征值对待评估的测试用例进行分类，确定待评估的测试用例所对应的至少一个测试用例类型；第一评估模块，用于根据至少一个目标特征值以及至少一个测试用例类型对待评估的测试用例进行评估，得到评估结果。
可选的，上述第一评估模块包括：第一获取模块、计算模块以及第一确定模块。其中，第一获取模块，用于获取每个测试用例类型所对应的权重系数；计算模块，用于基于每个测试用例类型计算待评估的测试用例的第一评分；第一确定模块，用于根据至少一个测试用例类型对应的至少一个权重系数以及至少一个第一评分，确定待评估的测试用例的目标评分，其中，目标评分用于表征待评估的测试用例的评估结果。
可选的，上述计算模块包括：第二获取模块、第二确定模块以及第三确定模块。其中，第二获取模块，用于获取每个测试用例类型在预设测试用例中对应的至少一个第一特征值；第二确定模块，用于确定至少一个第一特征值和目标特征值之间相同的特征值作为第二特征值；第三确定模块，用于根据第二特征值的数量以及至少一个第一特征值的数量，确定第一评分。
可选的，测试用例的处理装置还包括：第三获取模块以及第四确定模块。其中，第三获取模块，用于从至少一个第一特征值中获取至少一个第三特征值，其中，至少一个第三特征值为至少一个第一特征值中与目标特征值不同的特征值；第四确定模块，用于根据至少一个第三特征值，从预设测试用例中确定至少一个补充测试用例，其中，至少一个补充测试用例用于扩充待评估的测试用例。
可选的，测试用例的处理装置还包括：第五确定模块、第六确定模块、第七确定模块以及更新模块。其中，第五确定模块，用于根据至少一个测试用例类型确定至少一个第三特征值的特征值优先级；第六确定模块，用于根据特征值优先级确定至少一个补充测试用例的测试用例优先级；第七确定模块，用于根据测试用例优先级从至少一个补充测试用例中确定目标补充测试用例；更新模块，用于将目标补充测试用例更新至待评估的测试用例中。
实施例3
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的测试用例的处理方法。
实施例4
根据本发明实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的测试用例的处理方法。其中，图7是根据本发明实施例的一种可选的电子设备的示意图，如图7所示，电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
获取待评估的测试用例，并提取待评估的测试用例的至少一个目标特征值，从而根据至少一个目标特征值对待评估的测试用例进行分类，得到分类结果，进而根据分类结果对待评估的测试用例进行评估，得到评估结果，其中，评估结果用于表征待评估的测试用例的完备程度。
基于目标神经网络模型从待评估的测试用例中提取至少一个目标特征值。
根据至少一个目标特征值对待评估的测试用例进行分类，确定待评估的测试用例所对应的至少一个测试用例类型；根据分类结果对待评估的测试用例进行评估，得到评估结果，包括：根据至少一个目标特征值以及至少一个测试用例类型对待评估的测试用例进行评估，得到评估结果。
获取每个测试用例类型所对应的权重系数，并基于每个测试用例类型计算待评估的测试用例的第一评分，从而根据至少一个测试用例类型对应的至少一个权重系数以及至少一个第一评分，确定待评估的测试用例的目标评分，其中，目标评分用于表征待评估的测试用例的评估结果。
获取每个测试用例类型在预设测试用例中对应的至少一个第一特征值，并确定至少一个第一特征值和目标特征值之间相同的特征值作为第二特征值，从而根据第二特征值的数量以及至少一个第一特征值的数量，确定第一评分。
在根据至少一个目标特征值对待评估的测试用例进行评估，得到评估结果之后，从至少一个第一特征值中获取至少一个第三特征值，其中，至少一个第三特征值为至少一个第一特征值中与目标特征值不同的特征值。根据至少一个第三特征值，从预设测试用例中确定至少一个补充测试用例，其中，至少一个补充测试用例用于扩充待评估的测试用例。
在根据至少一个第三特征值，从预设测试用例中确定至少一个补充测试用例之后，根据至少一个测试用例类型确定至少一个第三特征值的特征值优先级，并根据特征值优先级确定至少一个补充测试用例的测试用例优先级，从而根据测试用例优先级从至少一个补充测试用例中确定目标补充测试用例，并将目标补充测试用例更新至待评估的测试用例中。
本文中的电子设备可以是服务器、手机、平板、计算机等设备。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种测试用例的处理方法，其特征在于，包括：
获取待评估的测试用例；
提取所述待评估的测试用例的至少一个目标特征值；
根据所述至少一个目标特征值对所述待评估的测试用例进行分类，得到分类结果；
根据所述分类结果对所述待评估的测试用例进行评估，得到评估结果，其中，所述评估结果用于表征所述待评估的测试用例的完备程度。
2.根据权利要求1所述的方法，其特征在于，提取所述待评估的测试用例的至少一个目标特征值，包括：
基于目标神经网络模型从所述待评估的测试用例中提取所述至少一个目标特征值。
3.根据权利要求1所述的方法，其特征在于，
根据所述至少一个目标特征值对所述待评估的测试用例进行分类，得到分类结果，包括：根据所述至少一个目标特征值对所述待评估的测试用例进行分类，确定所述待评估的测试用例所对应的至少一个测试用例类型；
根据所述分类结果对所述待评估的测试用例进行评估，得到评估结果，包括：根据所述至少一个目标特征值以及所述至少一个测试用例类型对所述待评估的测试用例进行评估，得到所述评估结果。
4.根据权利要求3所述的方法，其特征在于，根据所述至少一个目标特征值以及所述至少一个测试用例类型对所述待评估的测试用例进行评估，得到所述评估结果，包括：
获取每个测试用例类型所对应的权重系数；
基于所述每个测试用例类型计算所述待评估的测试用例的第一评分；
根据所述至少一个测试用例类型对应的至少一个权重系数以及至少一个第一评分，确定所述待评估的测试用例的目标评分，其中，所述目标评分用于表征所述待评估的测试用例的评估结果。
5.根据权利要求4所述的方法，其特征在于，基于所述每个测试用例类型计算所述待评估的测试用例的第一评分，包括：
获取所述每个测试用例类型在预设测试用例中对应的至少一个第一特征值；
确定所述至少一个第一特征值和所述目标特征值之间相同的特征值作为第二特征值；
根据所述第二特征值的数量以及所述至少一个第一特征值的数量，确定所述第一评分。
6.根据权利要求5所述的方法，其特征在于，在根据所述分类结果对所述待评估的测试用例进行评估，得到评估结果之后，所述方法还包括：
从所述至少一个第一特征值中获取至少一个第三特征值，其中，所述至少一个第三特征值为所述至少一个第一特征值中与所述目标特征值不同的特征值；
根据所述至少一个第三特征值，从所述预设测试用例中确定至少一个补充测试用例，其中，所述至少一个补充测试用例用于扩充所述待评估的测试用例。
7.根据权利要求6所述的方法，其特征在于，在根据所述至少一个第三特征值，从所述预设测试用例中确定至少一个补充测试用例之后，所述方法还包括：
根据所述至少一个测试用例类型确定所述至少一个第三特征值的特征值优先级；
根据所述特征值优先级确定所述至少一个补充测试用例的测试用例优先级；
根据所述测试用例优先级从所述至少一个补充测试用例中确定目标补充测试用例；
将所述目标补充测试用例更新至所述待评估的测试用例中。
8.一种测试用例的处理装置，其特征在于，包括：
获取模块，用于获取待评估的测试用例；
提取模块，用于提取所述待评估的测试用例的至少一个目标特征值；
分类模块，用于根据所述至少一个目标特征值对所述待评估的测试用例进行分类，得到分类结果；
评估模块，用于根据所述分类结果对所述待评估的测试用例进行评估，得到评估结果，其中，所述评估结果用于表征所述待评估的测试用例的完备程度。
9.一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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的测试用例的处理方法。
10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至7任一项中所述的测试用例的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402743.8A CN113918471A (zh) | 2021-11-19 | 2021-11-19 | 测试用例的处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402743.8A CN113918471A (zh) | 2021-11-19 | 2021-11-19 | 测试用例的处理方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113918471A true CN113918471A (zh) | 2022-01-11 |
Family
ID=79247889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111402743.8A Pending CN113918471A (zh) | 2021-11-19 | 2021-11-19 | 测试用例的处理方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113918471A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115145812A (zh) * | 2022-06-28 | 2022-10-04 | 北京百度网讯科技有限公司 | 测试用例生成方法、装置、电子设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302723A (zh) * | 2015-11-06 | 2016-02-03 | 北京京东尚科信息技术有限公司 | 测试用例评估方法和装置 |
| CN107229559A (zh) * | 2016-03-23 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 针对业务***的测试完整度的检测方法和装置 |
| CN110321285A (zh) * | 2019-06-18 | 2019-10-11 | 深圳壹账通智能科技有限公司 | 测试用例处理方法及相关设备 |
| US20190377736A1 (en) * | 2018-06-12 | 2019-12-12 | Syntel, Inc. | System and method for identifying optimal test cases for software development |
| CN110806969A (zh) * | 2019-09-18 | 2020-02-18 | 北京你财富计算机科技有限公司 | 一种测试用例完整度评估方法、装置及电子设备 |
| CN111639034A (zh) * | 2020-06-03 | 2020-09-08 | 深圳前海微众银行股份有限公司 | 测试方法、装置、设备及计算机存储介质 |
| CN112988567A (zh) * | 2021-01-26 | 2021-06-18 | 广州番禺职业技术学院 | 一种众包测试自动化评估方法及装置 |
| CN113312261A (zh) * | 2021-05-31 | 2021-08-27 | 北京鸿腾智能科技有限公司 | 测试用例筛选方法、设备、存储介质及装置 |
-
2021
- 2021-11-19 CN CN202111402743.8A patent/CN113918471A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302723A (zh) * | 2015-11-06 | 2016-02-03 | 北京京东尚科信息技术有限公司 | 测试用例评估方法和装置 |
| CN107229559A (zh) * | 2016-03-23 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 针对业务***的测试完整度的检测方法和装置 |
| US20190377736A1 (en) * | 2018-06-12 | 2019-12-12 | Syntel, Inc. | System and method for identifying optimal test cases for software development |
| CN110321285A (zh) * | 2019-06-18 | 2019-10-11 | 深圳壹账通智能科技有限公司 | 测试用例处理方法及相关设备 |
| CN110806969A (zh) * | 2019-09-18 | 2020-02-18 | 北京你财富计算机科技有限公司 | 一种测试用例完整度评估方法、装置及电子设备 |
| CN111639034A (zh) * | 2020-06-03 | 2020-09-08 | 深圳前海微众银行股份有限公司 | 测试方法、装置、设备及计算机存储介质 |
| CN112988567A (zh) * | 2021-01-26 | 2021-06-18 | 广州番禺职业技术学院 | 一种众包测试自动化评估方法及装置 |
| CN113312261A (zh) * | 2021-05-31 | 2021-08-27 | 北京鸿腾智能科技有限公司 | 测试用例筛选方法、设备、存储介质及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115145812A (zh) * | 2022-06-28 | 2022-10-04 | 北京百度网讯科技有限公司 | 测试用例生成方法、装置、电子设备和存储介质 |
| CN115145812B (zh) * | 2022-06-28 | 2023-08-01 | 北京百度网讯科技有限公司 | 测试用例生成方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609493B (zh) | 优化人脸图片质量评价模型的方法及装置 | |
| CN109583468B (zh) | 训练样本获取方法，样本预测方法及对应装置 | |
| CN112329816A (zh) | 数据分类方法、装置、电子设备和可读存储介质 | |
| CN109685104B (zh) | 一种识别模型的确定方法和装置 | |
| CN112685324B (zh) | 一种生成测试方案的方法及*** | |
| CN110458600A (zh) | 画像模型训练方法、装置、计算机设备及存储介质 | |
| Perera et al. | Analyzing bias in diffusion-based face generation models | |
| WO2021174699A1 (zh) | 用户筛选方法、装置、设备及存储介质 | |
| CN112116592A (zh) | 图像检测方法、图像检测模型的训练方法、装置和介质 | |
| CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
| CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
| CN113918471A (zh) | 测试用例的处理方法、装置及计算机可读存储介质 | |
| JP2021018466A (ja) | ルール抽出装置、情報処理装置、ルール抽出方法及びルール抽出プログラム | |
| CN110490056A (zh) | 对包含算式的图像进行处理的方法和装置 | |
| CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
| CN106874286B (zh) | 一种筛选用户特征的方法及装置 | |
| Kusa et al. | Vombat: A tool for visualising evaluation measure behaviour in high-recall search tasks | |
| CN112132239B (zh) | 一种训练方法、装置、设备和存储介质 | |
| CN113177603B (zh) | 分类模型的训练方法、视频分类方法及相关设备 | |
| CN112434547B (zh) | 一种用户身份稽核方法和设备 | |
| CN113569957A (zh) | 一种业务对象的对象类型识别方法、装置及存储介质 | |
| JP2014206382A (ja) | 目標類識別装置 | |
| CN115907971B (zh) | 适用于个人信用评估***的数据处理方法及装置 | |
| CN111009287B (zh) | SLiMs预测模型的生成方法、装置、设备和存储介质 | |
| KR20190104745A (ko) | 이슈 관심도 기반의 뉴스 가치 평가 장치 및 방법, 이를 기록한 기록매체 |
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 |