CN116094974A - 网络通信参数配置测试用例生成方法、装置及测试方法 - Google Patents

网络通信参数配置测试用例生成方法、装置及测试方法 Download PDF

Info

Publication number
CN116094974A
CN116094974A CN202310084597.1A CN202310084597A CN116094974A CN 116094974 A CN116094974 A CN 116094974A CN 202310084597 A CN202310084597 A CN 202310084597A CN 116094974 A CN116094974 A CN 116094974A
Authority
CN
China
Prior art keywords
parameters
test
parameter
row
matrix
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
Application number
CN202310084597.1A
Other languages
English (en)
Other versions
CN116094974B (zh
Inventor
王婷婷
高朋
双世勇
张国宇
孟伟
彭鸣
孙跃聪
侯裕攀
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.)
Beijing Jinghang Computing Communication Research Institute
Original Assignee
Beijing Jinghang Computing Communication Research Institute
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 Beijing Jinghang Computing Communication Research Institute filed Critical Beijing Jinghang Computing Communication Research Institute
Priority to CN202310084597.1A priority Critical patent/CN116094974B/zh
Publication of CN116094974A publication Critical patent/CN116094974A/zh
Application granted granted Critical
Publication of CN116094974B publication Critical patent/CN116094974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/50—Testing arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/14—Arrangements for monitoring or testing data switching networks using software, i.e. software packages
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明一种网络通信参数配置测试用例生成方法、装置及测试方法，属于网络测试领域，包括：根据业务通信需求，获取测试参数以及对应各参数的测试数据；从测试参数中选定一基准参数，计算其余各参数与基准参数的融合度；基于融合度，对所述各参数进行排序，得到所有参数的有序序列；基于参数的有序序列，获取各参数的测试数据对应的行或列矩阵；基于各参数测试数据对应的行或列矩阵，组合得到所有参数的测试数据对应的多维多行多列矩阵；基于多维多行多列矩阵，获取得到最优测试用例集。本说明书提供的测试用例生成方法在使用蚁群算法前，对测试数据进行矩阵排序，提高算法初期收敛速度，加快搜寻时间，得到最优测试用例集。

Description

网络通信参数配置测试用例生成方法、装置及测试方法
技术领域
本发明涉及网络测试领域，特别涉及一种网络通信参数配置测试用例生成方法、装置及测试方法。
背景技术
蚁群算法是一种用来寻找优化路径的概率型算法，该算法应用于其他组合优化问题，如旅行商问题、指派问题、Job-shop调度问题、图着色问题和网络路由问题等。近几年，也有学者将其应用到接口测试中，将两两参数进行组合得到测试用例集，一般接口测试工作量较大，通过蚁群算法得到最优组合测试用例集。随着信息科技的快速发展，网络通信***也尤其复杂，***通信需要配置各类参数，且参数类型多样化，取值范围随机性强，在对网络类设备进行测试时，需要设计大量组合用例对其网络通信功能进行覆盖，人工测试设计和执行所占用的成本资源非常大，所以急需自动化生成测试用例，且对测试用例进行优化，得到高效率的测试用例集。
基于蚁群算法的测试用例生成具有一定的前提条件，需要准备大量的测试数据，可以是历史测试数据，也可以是重新设计的测试数据。蚁群算法中信息素初值相同，选择下一个节点时倾向于随机选择，虽然随机选择能探索更大的任务空间，有助于找到潜在的全局最优解，但是需要较长时间才能发挥正反馈的作用，导致算法初期收敛速度较慢。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种网络通信参数配置测试用例生成方法、装置及测试方法，用于解决算法初期收敛速度慢，导致测试效率低的问题。
本说明书提供一种网络通信参数配置测试用例生成方法、装置及测试方法，其包括：
根据业务通信需求，获取测试参数以及对应各参数的测试数据；
从所述测试参数中确定一基准参数，计算其余各参数与所述基准参数的融合度；
基于所述融合度，对所述各参数进行排序，得到所有参数的有序序列；
基于所述参数的有序序列，获取各参数的测试数据对应的行或列矩阵；
基于各参数的测试数据对应的行或列矩阵，组合得到所有参数的测试数据对应的多维多行多列矩阵；
基于所述多维多行多列矩阵，获取得到最优测试用例集。
可选地，根据业务通信需求，获取测试参数以及对应各参数的测试数据，包括：
获取测试参数集合，其中，所述参数集合包括参数名称、参数类型、参数取值范围和参数个数；
根据每个测试参数的取值范围，基于等价类划分法和边界值法，获取对应各参数的测试数据。
可选地，从所述测试参数中确定一基准参数，计算其余各参数与所述基准参数的融合度，包括：
确定所述基准参数的融合度为0；
根据所述其余各参数和所述基准参数的关系，计算得到所述其余各参数的融合度；其中，其余各参数的融合度取值包括1、2、3、4四个等级。
可选地，基于所述各参数的融合度，对所述各参数进行排序，得到所有参数的有序序列，包括：
基于冒泡排序法，对所述各参数的融合度排序。
可选地，基于所述参数的有序序列，获取各参数的测试数据对应的行或列矩阵，包括：
将所述基准参数的有序序列设置为列矩阵；
将所述其余各参数的有序序列设置为行矩阵。
可选地，基于各参数测试数据对应的行或列矩阵，组合得到所有参数的测试数据对应的多维多行多列矩阵，包括：
将所述列矩阵分别和第一个行矩阵，按照矩阵相乘原理，组合得到第一个组合矩阵；
将第一个组合矩阵和第二个行矩阵组合得到第二组合矩阵；
将第二个组合矩阵和第三个行矩阵组合得到第三个组合矩阵；直至与所有行矩阵均组合完毕，得到所述多维多行多列矩阵。
可选地，基于所述多维多行多列矩阵，获取得到最优测试用例集，包括：
基于蚁群算法，初始化算法参数，所述算法参数包括蚂蚁数量m、信息素因子α、启发函数因子β、信息素挥发因子ρ和最大迭代次数t；
构建解空间，计算每一个所述参数测试数据的概率
Figure BDA0004068572320000033
k为1至m，计算公式为：
Figure BDA0004068572320000031
其中，i、j分别表示每段路径的起点和终点；τij(t)表示代表t时刻路径(i，j)上信息素的浓度；ηij代表蚂蚁从参数测试数据i移动到参数测试数据j的期望程度，取值为
Figure BDA0004068572320000032
dij代表路径(i，j)之间的距离；allowedk表示未访问过的节点的集合；
更新信息素，信息素叠加和挥发遵循公式为：
τij(t+1)＝τij(t)*(1-ρ)+Δτij(t)，0＜ρ＜1其中，τij(t+1)表示第t+1次循环后用例节点i到用例节点j上的信息素含量；ρ是信息素挥发系数，该系数的范围为(0，1)，当ρ越大时，信息素挥发的越快，信息素的叠加速度会下降；τij(t)*(1－ρ)表示第t次循环后剩余的信息素含量；Δτij(t)为新增信息素含量；
完成一次遍历后更新所有路径的信息素浓度，信息素含量公式为：
Figure BDA0004068572320000041
其中
Figure BDA0004068572320000042
表示第k只蚂蚁在路径(i,j)上留下的信息素含量；
达到最大迭代次数，蚂蚁算法终止，蚂蚁选取信息素含量较多的参数测试数据打上标签，获得所述最优测试用例集。
本说明书提供一种网络通信参数配置测试用例生成装置，包括：获取模块、融合度生成模块、排序模块、矩阵获取模块、最优测试用例筛选模块；
获取模块，用于根据业务通信需求，获取测试参数以及对应各参数的测试数据；
融合度计算模块，用于从所述测试参数中确定一基准参数，计算其余各参数与所述基准参数的融合度；
排序模块，用于基于所述融合度，对所述各参数进行排序，得到所有参数的有序序列；
矩阵获取模块，用于基于所述参数的有序序列，获取各参数的测试数据对应的行或列矩阵，基于各参数的测试数据对应的行或列矩阵，组合得到所有参数的测试数据对应的多维多行多列矩阵；
最优测试用例筛选模块，用于基于所述多维多行多列矩阵，获取得到最优测试用例集。
可选地，所述融合度计算模块，执行下述流程计算得到所述融合度：
确定所述基准参数的融合度为0；
根据所述其余各参数和所述基准参数的关系，计算得到所述其余各参数的融合度；其中，其余各参数的融合度取值包括1、2、3、4四个等级。
本说明书提供一种软件测试方法，在获取得到最优测试用例集后，还包括：
基于业务通信需求，计算测试结果评价基准；
基于所述最优测试用例集，执行测试对象的软件，输出执行结果；
判断所述执行结果和所述测试结果评价基准的符合度；
对所述执行结果进行量化分析；
存储所述测试结果评价基准、所述执行结果、所述量化分析结果。
与现有技术相比，本发明的技术方案至少可以实现如下之一有益效果：
1.实现在网络通信参数配置测试过程中，能够根据参数类型、参数取值范围和参数个数，结合参数融合度，对参数融合度进行冒泡法排序，生成参数的有序序列，将有序参数矩阵通过矩阵相乘的原理生成多维多行多列矩阵，通过筛选，获得最优测试用例集，解决了网络通信测试过程中自动化生成测试用例，并且对测试用例进行优化的问题。
2.本发明涉及多参数组合测试用例生成，网络通信参数配置参数的数量是可变的，通过参数组合转化为矩阵形式，可有效生成所有测试用例，不受参数个数影响，通过每个测试用例的发现的问题情况作为信息素可有效获取最优测试用例集，其中初始数据通过其融合度进行矩阵规划和排序，对测试用例组合的有效性做了一遍筛选，融合度越高，其组合生成的测试用例越有意义，经过该轮筛选，在使用蚁群算法时会加快初期收敛速度；减短测试时间，提高测试效率；与初始数据未优化前使用蚁群算法相比，测试时间为原来时间大约40％，有效提高测试效率。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例网络通信参数配置测试用例生成方法框架示意图；
图2为本发明实施例网络通信参数配置测试用例生成方法冒泡排序流程图；
图3为本发明实施例网络通信参数配置测试用例生成方法蚂蚁算法流程图；
图4为网络通信参数配置测试用例生成装置示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明实施例提供了一种网络通信参数配置测试用例生成方法，如图1所示，步骤101、依据业务通信需求，分析网络通信参数个数和参数类型，确定每个参数值的范围，得到参数集合，记作ParamSet{Param1，Param2，……Paramn}(其中n为参数个数)，假设Param1为整型，Param2为字符型，Paramn为布尔型，其中每个参数的类型及取值范围如表1所示。
表1参数类型和取值范围
Figure BDA0004068572320000071
步骤102、通过等价类划分法和边界值法相结合，生成步骤101参数集合中每个参数的测试取值，得到参数测试数据集合，记作PaSouSet{PaSou1，PaSou2，……PaSoun}。等价类划分法是将测试数据划分为有效等价类和无效等价类，保证测试用例具有完整性和代表性，边界值法作为等价类划分法的一种补充，大量的错误发生在输入或输出的边界上，故针对各种边界(有效等价类和无效等价类的边界)情况设计测试用例。其中每个参数的测试数据取值如表2所示。
表2参数测试数据取值
Figure BDA0004068572320000072
Figure BDA0004068572320000081
步骤103、根据业务通信需求，分析各个参数之间的关系，确定参数之间的融合度，记作{Pmixij}。通过分析业务通信需求可得知各个参数之间的紧密关系和融合程度。在网络通信参数配置中作为一条通信信息的唯一标识通常位于第一个参数位置，故以该参数为基准，可以将融合度分为4个等级，融合度从强到弱分为紧密(1)、依赖(2)、相关(3)和偶发(4)。基准参数，融合度值定义为0，不代表融合度等级。
根据业务通信需求，融合度等级定义如下：
1紧密：与基准参数之间设有绑定关系；
2依赖：基准参数为本参数的前提条件；
3相关：与基准参数相互影响，但不为必要条件；
4偶发：部分业务与基准参数有关联。
所有参数的融合度如表3所示。
表3所有参数的融合度分析
Figure BDA0004068572320000082
Figure BDA0004068572320000091
步骤104、依据步骤103中的参数融合度，使用冒泡排序法对步骤103中的所有参数的融合度进行排序。冒泡排序法重复地走访要排序的元素列，按照规定排序规则，例如既定规则为从小到大，如果顺序(不符合从小到大规则)错误就把元素进行交换，重复走访所有元素，直到没有相邻元素需要交换，也就是说该元素列已经排序完成，得到有序序列，记作{OrderSet}；冒泡排序法是一种稳定排序算法，运行简单，空间复杂度较低，是相对稳定的。
如图2所示，冒泡排序流程图，基于融合度，按照从小到大的排序规则，对所有参数的融合度进行冒泡排序，经过排序得到的有序参数集合如表4所示。
表4有序参数集合
Figure BDA0004068572320000092
步骤105、将所有参数根据其测试值分别转换为对应的行矩阵或列矩阵，得到矩阵集合，记作MatSet{Mat1，Mat2……Matn}。
依据矩阵相乘原理，将第一个参数设置为列矩阵，即Mat1[0，1，25，50，51]T，其他参数均设置为行矩阵，即Mat2[0，1，125，254，255]，Mat3[4999，5000，8081]，Mat4[1q2w3e4，1q2w3e4r]，Mat5[A型、B型、C型]……Matn[是，否]。
步骤106、依据步骤105中的矩阵集合，将融合度高的参数单行或单列矩阵按照矩阵相乘的原理，进行组合操作，即执行参数的所有取值穷举组合，得到多维的多行多列矩阵，记作{MulmatSet}。
基准参数为列矩阵，其他参数为行矩阵，进行组合；
基准参数矩阵Mat1，与融合度为1的行矩阵Mat2进行组合得到结果矩阵Mat12。其中，结果矩阵中第i行第j列的元素Mat12(i，j)为Mat1第i行数据与Mat2第j列数据的组合。
Mat1第一个元素依次和Mat2行元素组合得到结果矩阵Mat12的第一行数据；Mat1第二个元素和Mat2行元素组合得到结果矩阵Mat12的第二行数据；依次直至两个矩阵所有数据组合完毕。
得到Mat12后，将Mat12与Mat3组合得到的结果矩阵Mat1,2,3；其中，Mat1,2,3包括m个矩阵，m为Mat3的元素个数；第1个矩阵为Mat12所有元素与Mat3第一个元素依次组合得到的矩阵，第2个矩阵为Mat12所有元素与Mat3第二个元素依次组合得到的矩阵，……，第m个矩阵为Mat12所有元素与Mat3第m个元素依次组合得到的矩阵。
按上述组合规则，将Mat1,2,3与Mat4组合，直至将所有矩阵组合完毕，得到最终结果矩阵Mat1234……N，其中N为矩阵个数。
示例性的，N＝4
Mat1＝[a1,a2,a3,a4]T,Mat2＝[b1,b2,b3,b4]
Mat1和Mat2组合Mat12。
Figure BDA0004068572320000111
Mat12和Mat3按照上述原则继续组合，直至所有参数组合完毕。
依据步骤103得到的融合度，将融合度值为0～2的参数矩阵按照矩阵相乘的原理进行参数组合，融合度越高，参数组合越有意义，其正常和异常组合发现的问题几率就越高，依据历史数据记录参数值组合发现的问题总数，问题总数记作B，参数矩阵组合即：
Figure BDA0004068572320000112
Figure BDA0004068572320000113
Figure BDA0004068572320000114
Figure BDA0004068572320000121
依次类推得到Mat1,2,3,4→Mat1,2,3*Mat4[1q2w3e4，1q2w3e4r]→
Figure BDA0004068572320000122
即可得到多行多列的矩阵参数组合数据。
步骤107、由步骤106得到的最终结果矩阵数据作为初始数据，运用现有的蚁群算法得到最优测试用例集，其中算法流程图如图3所示。
如301所示，初始化算法参数，包括蚂蚁数量m、信息素因子α、启发函数因子β、信息素挥发因子ρ、最大迭代次数t。
蚂蚁数量m定义为参数数量；信息素因子α反映蚂蚁运动过程中路径上积累的信息素的量，在指导蚁群搜索中的相对重要程度，根据经验值设置为1；启发函数因子β若设置过大，则收敛速度加快，但是易陷入局部最优，若设置过小，则蚁群易陷入纯粹的随机搜索，很难找到最优解，故设置值为5；信息素挥发因子ρ表示信息素的消失水平，设置值为0.1；最大迭代次数t设置为问题总数的2倍，即2B。
如302-304所示，构建解空间，将各个蚂蚁随即放置在不同的出发地，对于每个蚂蚁k(k属于1到m)，计算下一个待访问测试用例，直至每个蚂蚁都访问完所有测试用例。蚂蚁在构建路径的每一步中，采用现有轮盘赌法选择下一个要访问的用例。选择每一个用例的概率
Figure BDA0004068572320000133
表示公式如式(1)。
Figure BDA0004068572320000131
其中，i、j分别表示每段路径的起点和终点；
τij(t)表示代表t时刻路径(i，j)上信息素的浓度
ηij代表蚂蚁从用例i移动到用例j的期望程度，通常情况下取值为
Figure BDA0004068572320000132
dij代表路径(i，j)之间的距离；
allowedk表示未访问过的节点的集合，s为未访问的用例节点。
蚂蚁移动前会建立禁忌表，当蚂蚁移动到一个用例节点上后，将添加这个用例节点，避免蚂蚁重复在“原地打转”，蚂蚁经过的路径会被记录。
根据当前路径(i，j)上的信息素浓度以及启发式函数便可确定从起点i选择终点j的概率。对公式进行分析可知，两点的距离越短，信息素浓度越大的路径被选择的概率应该越大。
如305所示，更新信息素，蚂蚁移动时释放信息素，蚂蚁重复相同的路径时，该路径上的信息素会进行叠加，而随着时间的增加，信息素会逐渐挥发，其中信息素叠加和挥发遵循公式如式(2)所示。
τij(t+1)＝τij(t)*(1-ρ)+Δτij(t)，0＜ρ＜1  (2)
式(2)中τij(t+1)表示第t+1次循环后用例节点i到用例节点j上的信息素含量；ρ是信息素挥发系数，该系数的范围为(0，1)，当ρ越大时，信息素挥发的越快，信息素的叠加速度会下降；τij(t)*(1－ρ)表示第t次循环后剩余的信息素含量；Δτij(t)为新增信息素含量，其计算方式采取蚁周模型(Ant-Cycle)，即每完成一次遍历后更新所有路径的信息素浓度，具体如式(3)所示。
Figure BDA0004068572320000141
式中
Figure BDA0004068572320000142
表示第k只蚂蚁在路径(i，j)上留下的信息素含量。
如306所示，判断是否达到终止条件，蚁群算法的终止条件则为判断是否达到最大迭代次数。若迭代次数小于最大迭代次数，如307所示，迭代次数加1，清空蚂蚁经过路径的记录表，并返回302；否则终止计算，如308所示，输出最优测试用例。以步骤106举例得到的矩阵数据Mat1,2,3,4作为初始数据，运用蚁群算法得到优化矩阵，为选中信息素含量较多的测试用例打上标签，底色标暗部分为蚂蚁选择较多的用例。
Figure BDA0004068572320000151
即得到最优测试用例集为
Matfinal＝{(0,0,4999,1q2w3e4),(0,1,4999,1q2w3e4),(0,125,4999,1q2w3e4),(0,254,4999,1q2w3e4),(0,255,4999,1q2w3e4),(1,0,4999,1q2w3e4),(1,1,4999,1q2w3e4),(1,255,4999,1q2w3e4),(25,0,4999,1q2w3e4),(25,255,4999,1q2w3e4),(50,0,4999,1q2w3e4),(50,125,4999,1q2w3e4),(50,255,4999,1q2w3e4),(51,0,4999,1q2w3e4),(51,1,4999,1q2w3e4),(51,125,4999,1q2w3e4),(51,254,4999,1q2w3e4),(51,255,4999,1q2w3e4),(0,0,5000,1q2w3e4),(0,1,5000,1q2w3e4),(0,125,5000,1q2w3e4),(0,254,5000,1q2w3e4),(0,255,5000,1q2w3e4),(1,0,5000,1q2w3e4),(1,255,5000,1q2w3e4),(25,0,5000,1q2w3e4),(25,255,5000,1q2w3e4),(50,0,5000,1q2w3e4),(50,254,5000,1q2w3e4),(50,255,5000,1q2w3e4),(51,0,5000,1q2w3e4),(51,1,5000,1q2w3e4),(51,125,5000,1q2w3e4),(51,254,5000,1q2w3e4),(51,255,5000,1q2w3e4),(0,0,8081,1q2w3e4),(0,1,8081,1q2w3e4),(0,125,8081,1q2w3e4),(0,255,8081,1q2w3e4),(1,0,8081,1q2w3e4),(1,254,8081,1q2w3e4),(25,125,8081,1q2w3e4),(50,0,8081,1q2w3e4),(50,255,8081,1q2w3e4),(51,1,8081,1q2w3e4),(51,125,8081,1q2w3e4),(51,254,8081,1q2w3e4),(51,255,8081,1q2w3e4),(0,0,4999,1q2w3e4r),(0,125,4999,1q2w3e4r),(0,254,4999,1q2w3e4r),(0,255,4999,1q2w3e4r),(1,1,4999,1q2w3e4r),(1,254,4999,1q2w3e4r),(50,0,4999,1q2w3e4r),(50,1,4999,1q2w3e4r),(50,125,4999,1q2w3e4r),(50,255,4999,1q2w3e4r),(51,0,4999,1q2w3e4r),(51,1,4999,1q2w3e4r),(51,254,4999,1q2w3e4r),(51,255,4999,1q2w3e4r),(0,0,5000,1q2w3e4r),(0,1,5000,1q2w3e4r),(0,125,5000,1q2w3e4r),(0,255,5000,1q2w3e4r),(1,0,5000,1q2w3e4r),(1,1,5000,1q2w3e4r),(1,254,5000,1q2w3e4r),(1,255,5000,1q2w3e4r),(50,254,5000,1q2w3e4r),(50,255,5000,1q2w3e4r),(51,0,5000,1q2w3e4r),(51,1,5000,1q2w3e4r),(51,125,5000,1q2w3e4r),(51,254,5000,1q2w3e4r),(51,255,5000,1q2w3e4r),(0,0,8081,1q2w3e4r),(0,1,8081,1q2w3e4r),(0,125,8081,1q2w3e4r),(0,254,8081,1q2w3e4r),(0,255,8081,1q2w3e4r),(1,0,8081,1q2w3e4r),(1,1,8081,1q2w3e4r),(1,254,8081,1q2w3e4r),(1,255,8081,1q2w3e4r),(25,255,8081,1q2w3e4r),(50,255,8081,1q2w3e4r),(51,0,8081,1q2w3e4r),(51,1,8081,1q2w3e4r),(51,125,8081,1q2w3e4r),(51,254,8081,1q2w3e4r),(51,255,8081,1q2w3e4r)}
在上述设计后，能够得到最优测试用例集，发现相应的软件问题，简短测试时间，提高测试效率。与初始数据未优化前使用蚁群算法相比，测试时间为原来时间大约40％，有效提高测试效率。
如图4所示，一种网络通信参数配置测试用例生成装置，该软件测试4包括获取模块401,、融合度计算模块402、排序模块403、矩阵获取模块404、最优测试用例筛选模块405；
获取模块401，用于根据业务通信需求，获取测试参数以及对应各参数的测试数据；
融合度计算模块402，用于从所述测试参数中确定一基准参数，计算其余各参数与所述基准参数的融合度，确定所述基准参数的融合度为0；根据所述其余各参数和所述基准参数的关系，计算得到所述其余各参数的融合度；其中，其余各参数的融合度取值包括1、2、3、4四个等级；
排序模块403，用于基于所述融合度，对所述各参数进行排序，得到所有参数的有序序列；
矩阵获取模块404，用于基于所述参数的有序序列，获取各参数的测试数据对应的行或列矩阵，基于各参数的测试数据对应的行或列矩阵，组合得到所有参数的测试数据对应的多维多行多列矩阵；
最优测试用例筛选模块405，用于基于所述多维多行多列矩阵，获取得到最优测试用例集。
本说明书还提供一种软件测试方法，在获取得到最优测试用例集后，还包括如下步骤：
基于业务通信需求，计算测试结果评价基准；
基于所述最优测试用例集，执行测试对象的软件，输出执行结果；
判断所述测试结果执行结果和所述评价基准的符合度；
对所述执行结果进行量化分析；
存储所述测试结果评价基准、所述执行结果、所述量化分析结果。
本发明说明书中未作详细描述的内容属本领域专业技术人员的公知技术。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种网络通信参数配置测试用例生成方法，其特征在于，包括：
根据业务通信需求，获取测试参数以及对应各参数的测试数据；
从所述测试参数中确定一基准参数，计算其余各参数与所述基准参数的融合度；
基于所述融合度，对所述各参数进行排序，得到所有参数的有序序列；
基于所述参数的有序序列，获取各参数的测试数据对应的行或列矩阵；
基于各参数的测试数据对应的行或列矩阵，组合得到所有参数的测试数据对应的多维多行多列矩阵；
基于所述多维多行多列矩阵，获取得到最优测试用例集。
2.根据权利要求1所述的一种网络通信参数配置测试用例生成方法，其特征在于，根据业务通信需求，获取测试参数以及对应各参数的测试数据，包括：
获取测试参数集合，其中，所述参数集合包括参数名称、参数类型、参数取值范围和参数个数；
根据每个测试参数的取值范围，基于等价类划分法和边界值法，获取对应各参数的测试数据。
3.根据权利要求1所述的一种网络通信参数配置测试用例生成方法，其特征在于，从所述测试参数中确定一基准参数，计算其余各参数与所述基准参数的融合度，包括：
确定所述基准参数的融合度为0；
根据所述其余各参数和所述基准参数的关系，计算得到所述其余各参数的融合度；其中，其余各参数的融合度取值包括1、2、3、4四个等级。
4.根据权利要求3所述的一种网络通信参数配置测试用例生成方法，其特征在于，基于所述融合度，对所述各参数进行排序，得到所有参数的有序序列，包括：
基于冒泡排序法，对所述各参数的融合度排序。
5.根据权利要求4所述的一种网络通信参数配置测试用例生成方法，其特征在于，基于所述参数的有序序列，获取各参数的测试数据对应的行或列矩阵，包括：
将所述基准参数的有序序列设置为列矩阵；
将所述其余各参数的有序序列设置为行矩阵。
6.根据权利要求5所述的一种网络通信参数配置测试用例生成方法，其特征在于，基于各参数测试数据对应的行或列矩阵，组合得到所有参数的测试数据对应的多维多行多列矩阵，包括：
将所述列矩阵分别和第一个行矩阵，按照矩阵相乘原理，组合得到第一个组合矩阵；
将第一个组合矩阵和第二个行矩阵组合得到第二个组合矩阵；
将第二个组合矩阵和第三个行矩阵组合得到第三个组合矩阵；直至与所有行矩阵均组合完毕，得到所述多维多行多列矩阵。
7.根据权利要求6所述的一种网络通信参数配置测试用例生成方法，其特征在于，基于所述多维多行多列矩阵，获取得到最优测试用例集，包括：
基于蚁群算法，初始化算法参数，所述算法参数包括蚂蚁数量m、信息素因子α、启发函数因子β、信息素挥发因子ρ和最大迭代次数t；
构建解空间，计算每一个所述参数测试数据的概率
Figure FDA0004068572290000021
k为1至m，计算公式为：
Figure FDA0004068572290000031
其中，i、j分别表示每段路径的起点和终点；τij(t)表示代表t时刻路径(i，j)上信息素的浓度；ηij代表蚂蚁从参数测试数据i移动到参数测试数据j的期望程度，取值为
Figure FDA0004068572290000032
dij代表路径(i，j)之间的距离；allowedk表示未访问过的节点的集合；
更新信息素，信息素叠加和挥发遵循公式为：
τij(t+1)＝τij(t)*(1-ρ)+Δτij(t)，0＜ρ＜1
其中，τij(t+1)表示第t+1次循环后用例节点i到用例节点j上的信息素含量；ρ是信息素挥发系数，该系数的范围为(0，1)，当ρ越大时，信息素挥发的越快，信息素的叠加速度会下降；τij(t)*(1－ρ)表示第t次循环后剩余的信息素含量；Δτij(t)为新增信息素含量；
完成一次遍历后更新所有路径的信息素浓度，信息素含量公式为：
Figure FDA0004068572290000033
其中
Figure FDA0004068572290000034
表示第k只蚂蚁在路径(i,j)上留下的信息素含量；
达到最大迭代次数，蚂蚁算法终止，蚂蚁选取信息素含量较多的参数测试数据打上标签，获得所述最优测试用例集。
8.一种网络通信参数配置测试用例生成装置，其特征在于：包括：
获取模块，用于根据业务通信需求，获取测试参数以及对应各参数的测试数据；
融合度计算模块，用于从所述测试参数中确定一基准参数，计算其余各参数与所述基准参数的融合度；
排序模块，用于基于所述融合度，对所述各参数进行排序，得到所有参数的有序序列；
矩阵获取模块，用于基于所述参数的有序序列，获取各参数的测试数据对应的行或列矩阵，基于各参数的测试数据对应的行或列矩阵，组合得到所有参数的测试数据对应的多维多行多列矩阵；
最优测试用例筛选模块，用于基于所述多维多行多列矩阵，获取得到最优测试用例集。
9.根据权利要求8所述的一种网络通信参数配置测试用例生成装置，其特征在于，所述融合度计算模块，执行下述流程计算得到所述融合度：
确定所述基准参数的融合度为0；
根据所述其余各参数和所述基准参数的关系，计算得到所述其余各参数的融合度；其中，其余各参数的融合度取值包括1、2、3、4四个等级。
10.一种软件测试方法，其特征在于，包括权利要求1-8任一项所述的测试用例生成方法，在获取得到最优测试用例集后，还包括如下步骤：
基于业务通信需求，计算测试结果评价基准；
基于所述最优测试用例集，执行测试对象的软件，输出执行结果；
判断所述执行结果和所述测试结果评价基准的符合度；
对所述执行结果进行量化分析；
存储所述测试结果评价基准、所述执行结果、所述量化分析结果。
CN202310084597.1A 2023-01-28 2023-01-28 网络通信参数配置测试用例生成方法、装置及测试方法 Active CN116094974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310084597.1A CN116094974B (zh) 2023-01-28 2023-01-28 网络通信参数配置测试用例生成方法、装置及测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310084597.1A CN116094974B (zh) 2023-01-28 2023-01-28 网络通信参数配置测试用例生成方法、装置及测试方法

Publications (2)

Publication Number Publication Date
CN116094974A true CN116094974A (zh) 2023-05-09
CN116094974B CN116094974B (zh) 2024-06-25

Family

ID=86213786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310084597.1A Active CN116094974B (zh) 2023-01-28 2023-01-28 网络通信参数配置测试用例生成方法、装置及测试方法

Country Status (1)

Country Link
CN (1) CN116094974B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412819A (zh) * 2013-08-28 2013-11-27 北京信息科技大学 一种基于关联度分析的文档转换器测试方法及装置
CN106776311A (zh) * 2016-12-09 2017-05-31 华北计算技术研究所 一种软件接口测试用例的自动生成方法
CN107766245A (zh) * 2017-10-18 2018-03-06 浙江理工大学 基于ott策略的可变力度组合测试用例优先级在线排序方法
US20190121333A1 (en) * 2016-05-09 2019-04-25 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection in an industrial environment with haptic feedback and data communication and bandwidth control
US20190339684A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN110765700A (zh) * 2019-10-21 2020-02-07 国家电网公司华中分部 基于量子蚁群优化rbf网络的特高压输电线损预测方法
CN111444096A (zh) * 2020-03-25 2020-07-24 北京市信息技术研究所 一种接口测试用例生成方法及装置
WO2020232879A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 风险传导关联图谱优化方法、装置、计算机设备和存储介质
CN112416761A (zh) * 2020-11-11 2021-02-26 北京京航计算通讯研究所 一种基于广度优先搜索的测试用例生成方法及装置
CN112445702A (zh) * 2020-11-09 2021-03-05 北京思特奇信息技术股份有限公司 基于蚁群算法的自动化测试方法和***
CN112733995A (zh) * 2021-01-07 2021-04-30 中国工商银行股份有限公司 训练神经网络的方法、行为检测方法及行为检测装置
US20210273686A1 (en) * 2018-06-27 2021-09-02 Telefonaktiebolaget Lm Ericsson (Publ) Method and Apparatus for Beamforming Control in a Wireless Communication Network
CN113419947A (zh) * 2021-06-02 2021-09-21 山东科技大学 一种基于改进蚁群算法的回归测试用例优先级排序方法
CN114285086A (zh) * 2021-11-25 2022-04-05 国网河南省电力公司电力科学研究院 基于改进蚁群算法的电化学储能电站能量调度方法及***
WO2022083275A1 (zh) * 2020-10-21 2022-04-28 浪潮天元通信信息***有限公司 一种基于蚁群算法的天线权值优化方法及装置
CN115248781A (zh) * 2022-09-22 2022-10-28 西南科技大学 一种组合测试用例生成方法、装置、设备及可读存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412819A (zh) * 2013-08-28 2013-11-27 北京信息科技大学 一种基于关联度分析的文档转换器测试方法及装置
US20190121333A1 (en) * 2016-05-09 2019-04-25 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection in an industrial environment with haptic feedback and data communication and bandwidth control
US20190339684A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN106776311A (zh) * 2016-12-09 2017-05-31 华北计算技术研究所 一种软件接口测试用例的自动生成方法
CN107766245A (zh) * 2017-10-18 2018-03-06 浙江理工大学 基于ott策略的可变力度组合测试用例优先级在线排序方法
US20210273686A1 (en) * 2018-06-27 2021-09-02 Telefonaktiebolaget Lm Ericsson (Publ) Method and Apparatus for Beamforming Control in a Wireless Communication Network
WO2020232879A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 风险传导关联图谱优化方法、装置、计算机设备和存储介质
CN110765700A (zh) * 2019-10-21 2020-02-07 国家电网公司华中分部 基于量子蚁群优化rbf网络的特高压输电线损预测方法
CN111444096A (zh) * 2020-03-25 2020-07-24 北京市信息技术研究所 一种接口测试用例生成方法及装置
WO2022083275A1 (zh) * 2020-10-21 2022-04-28 浪潮天元通信信息***有限公司 一种基于蚁群算法的天线权值优化方法及装置
CN112445702A (zh) * 2020-11-09 2021-03-05 北京思特奇信息技术股份有限公司 基于蚁群算法的自动化测试方法和***
CN112416761A (zh) * 2020-11-11 2021-02-26 北京京航计算通讯研究所 一种基于广度优先搜索的测试用例生成方法及装置
CN112733995A (zh) * 2021-01-07 2021-04-30 中国工商银行股份有限公司 训练神经网络的方法、行为检测方法及行为检测装置
CN113419947A (zh) * 2021-06-02 2021-09-21 山东科技大学 一种基于改进蚁群算法的回归测试用例优先级排序方法
CN114285086A (zh) * 2021-11-25 2022-04-05 国网河南省电力公司电力科学研究院 基于改进蚁群算法的电化学储能电站能量调度方法及***
CN115248781A (zh) * 2022-09-22 2022-10-28 西南科技大学 一种组合测试用例生成方法、装置、设备及可读存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
KAIKAI_SK: "聚类分析技术在软件测试中的应用", Retrieved from the Internet <URL:https://blog.csdn.net/kaikai_sk/article/details/79051479> *
KO-WEI HUANG ET.AL: "Memetic Particle Gravitation Optimization Algorithm for Solving Clustering Problems", IEEE, 20 June 2019 (2019-06-20) *
ZHENZHEN YAN ET.AL: "Integration schedule of agile satellite based on improved ant colony algorithm", IEEE CONFERENCE ANTHOLOGY, 10 April 2014 (2014-04-10) *
张伟: "无人机航空软件测试用例自动生成方法研究与实现", 中国优秀硕士学位论文全文数据库, 15 August 2018 (2018-08-15) *
徐海霞: "基于元启发式算法的测试用例生成与排序研究", 中国优秀硕士学位论文全文数据库, 15 June 2019 (2019-06-15) *
陈翔 等: "组合测试研究进展", 计算机科学, 31 March 2010 (2010-03-31) *

Also Published As

Publication number Publication date
CN116094974B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN105718490A (zh) 一种用于更新分类模型的方法及装置
CN110334732A (zh) 一种基于机器学习的空气质量预报方法和装置
CN104579854A (zh) 众包测试方法
CN110020144A (zh) 一种推荐模型建立方法及其设备、存储介质、服务器
US8024336B2 (en) System and method for development of search success metrics
CN110096512A (zh) 题库建立方法、装置、学习设备及存储介质
CN117556369B (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及***
CN114648156A (zh) 一种基于卷积神经网络的时间序列负荷预测方法
CN115858168A (zh) 一种基于重要性排序的地球应用模型编排***及其方法
CN110222824B (zh) 智能算法模型自主生成及进化方法、***、装置
CN111444635B (zh) 一种基于xml语言的***动力学仿真建模方法及***
CN116094974B (zh) 网络通信参数配置测试用例生成方法、装置及测试方法
Blenn et al. Crawling and detecting community structure in online social networks using local information
Wilkins et al. A FACT-based approach: Making machine learning collective autotuning feasible on exascale systems
CN102567425B (zh) 一种数据的处理方法和设备
CN112650931B (zh) 一种内容推荐方法
CN113221540A (zh) 一种知识点识别的方法、装置、设备和存储介质
CN112819527A (zh) 一种用户分群处理方法及装置
CN114328169A (zh) 一种动态页面的测试方法及其***
CN112926611A (zh) 特征提取方法、装置及计算机可读存储介质
CN111382263A (zh) 数据处理方法、装置和***
CN109710876B (zh) 一种信息推荐方法及装置、计算机可读存储介质
CN117350549B (zh) 计及出力相关性的配电网电压风险识别方法、装置及设备
WO2024067039A1 (zh) 应用程序的拨测方法、电子设备、计算机可读介质
CN116567454B (zh) 基于物联网的设备全生命周期运行监测方法及***

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