测试用例生成方法及目标测试用例生成模型训练方法与流程

本发明涉及测试领域，具体涉及测试用例生成方法及目标测试用例生成模型训练方法。

背景技术：

1、在各行各业的研发生产活动中，无论是硬件产品还是软件产品出厂交付前都要经过测试，只要测试就需要测试用例作为测试过程的依据，测试用例是软件测试中保障测试质量的基石。

2、现有技术中，一种方法是一般由测试人员获取数据，然后根据获取的数据人工生成大量的测试用例。另一种方法是直接利用深度学习模型生成测试用例，由于考虑异常场景和实际情况精度不可能达到100％，就会有测试场景覆盖不全的情况。然而，测试覆盖率又是测试用例最基本且最重要的因素直接影响产品的测试质量。

3、因此，如何在保证覆盖率的基础上，实现测试用例快速生成成为了亟待解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种测试用例生成方法及目标测试用例生成模型训练方法，以解决如何在保证覆盖率的基础上，实现测试用例快速生成成为了亟待解决的问题。

2、第一方面，本发明提供了一种测试用例生成方法，方法包括：

3、获取待测试软件对应的目标脑图测试点，目标脑图测试点中包括待测试软件对应的需要测试的全部测试点；

4、获取待测试软件对应的目标测试需求文档；

5、将目标脑图测试点和目标测试需求文档输入至目标测试用例生成模型，输出待测试软件对应的目标测试用例。

6、本技术实施例提供的测试用例生成方法，获取待测试软件对应的目标脑图测试点，目标脑图测试点中包括待测试软件对应的需要测试的全部测试点，从而可以保证测试用例覆盖全面，避免了由于无法保证测试用例测试覆盖率，从而造成测试场景缺失导致漏测直接影响产品的质量的问题。获取待测试软件对应的目标测试需求文档；将目标脑图测试点和目标测试需求文档输入至目标测试用例生成模型，输出待测试软件对应的目标测试用例。既保证了测试覆盖率又减少了时间投入，能够从根本上解决研发测试阶段测试用例编写人力投入大、耗时长、以及由于异常场景和实际情况测试覆盖不全等问题，实现快速生成目标测试用例，缓解测试人力压力，专注于更高层次的测试任务，进而把更多的时间投入到实际测试工作中，在研发测试阶段提供及时全面的质量保障。

7、在一种可选的实施方式中，将目标脑图测试点和目标测试需求文档输入至目标测试用例生成模型，输出待测试软件对应的目标测试用例，包括：

8、对目标脑图测试点和目标测试需求文档进行关键字提取，获取目标脑图测试点和目标测试需求文档中包括的目标关键字；

9、将目标关键字输入至目标测试用例生成模型，生成目标测试用例。

10、本技术实施例提供的测试用例生成方法，对目标脑图测试点和目标测试需求文档进行关键字提取，获取目标脑图测试点和目标测试需求文档中包括的目标关键字，保证了获取到的目标关键字的准确性。将目标关键字输入至目标测试用例生成模型，生成目标测试用例，保证了生成的目标测试用例准确，且简化了生成目标测试用例的过程，使得目标测试用例生成模型不需要对目标脑图测试点和目标测试需求文档中的全部信息进行特征识别和特征提取，只需要对目标关键字进行特征识别和特征提取，从而节省了生成目标测试用例的时间，提高了效率，且减少了生成目标测试用例所占用的资源。

11、在一种可选的实施方式中，目标测试用例生成模型包括目标场景分类器、目标过程生成器以及目标预测器，将目标关键字输入至目标测试用例生成模型，生成目标测试用例，包括：

12、将目标关键字输入至目标测试用例生成模型，目标测试用例生成模型中的目标场景分类器对目标关键字进行场景分类，生成多个目标场景；

13、目标场景分类器提取分类后的各目标场景对应的目标场景分类特征；

14、目标过程生成器根据目标场景分类特征，生成各类目标场景对应的目标步骤序列信息；

15、针对各目标场景，目标预测器对目标场景分类特征和目标步骤序列信息进行特征融合处理，生成目标测试用例。

16、本技术实施例提供的测试用例生成方法，将目标关键字输入至目标测试用例生成模型，目标测试用例生成模型中的目标场景分类器对目标关键字进行场景分类，生成多个目标场景，保证了生成的多个目标场景的准确性，且便于生成各个目标场景对应的目标测试用例。目标场景分类器提取分类后的各目标场景对应的目标场景分类特征，保证了提取得到的目标场景分类特征的准确性。目标过程生成器根据目标场景分类特征，生成各类目标场景对应的目标步骤序列信息，保证了生成的目标步骤序列信息的准确性，且与目标场景分类特征一一对应。然后，针对各目标场景，目标预测器对目标场景分类特征和目标步骤序列信息进行特征融合处理，生成目标测试用例，保证了生成的目标测试用例的准确性。从根本上解决研发测试阶段测试用例编写人力投入大、耗时长、以及由于异常场景和实际情况测试覆盖不全等问题，实现快速生成目标测试用例，缓解测试人力压力。

17、第二方面，本发明提供了一种目标测试用例生成模型训练方法，方法包括：

18、获取待测试软件对应的历史项目文档，历史项目文档中包括待测试软件对应的历史测试需求文档、历史脑图测试点和历史测试用例；

19、对历史测试需求文档、历史脑图测试点和历史测试用例进行数据处理，生成训练数据集；

20、利用训练数据集训练初始测试用例生成网络，生成目标测试用例生成模型；其中，目标测试用例生成模型应用于第一方面或其对应的任一实施方式的测试用例生成方法。

21、本技术实施例提供的目标测试用例生成模型训练方法，获取待测试软件对应的历史项目文档，对历史测试需求文档、历史脑图测试点和历史测试用例进行数据处理，生成训练数据集，保证了生成的训练数据集的准确性。利用训练数据集训练初始测试用例生成网络，生成目标测试用例生成模型，保证了训练得到的目标测试用例生成模型的准确性。进而可以保证利用目标测试用例生成模型生成的目标测试用例的准确性。

22、在一种可选的实施方式中，对历史测试需求文档、历史脑图测试点和历史测试用例进行数据处理，生成训练数据集，包括：

23、利用分词工具对历史测试需求文档和历史脑图测试点进行关键字提取，得到训练关键词集；

24、对历史测试用例进行标签化、步骤化、热读编码处理，得到测试用例标签集；

25、基于训练关键词集和测试用例标签集，生成训练数据集。

26、本技术实施例提供的目标测试用例生成模型训练方法，利用分词工具对历史测试需求文档和历史脑图测试点进行关键字提取，得到训练关键词集，保证了得到的训练关键集的准确性。对历史测试用例进行标签化、步骤化、热读编码处理，得到测试用例标签集，保证了得到的测试用例标签集的准确性。基于训练关键词集和测试用例标签集，生成训练数据集，保证了生成的训练数据集的准确性。进而可以保证训练得到的目标测试用例生成模型的准确性。

27、在一种可选的实施方式中，初始测试用例生成网络包括初始场景分类器、初始过程生成器以及初始预测器，利用训练数据集训练初始测试用例生成网络，生成目标测试用例生成模型，包括：

28、将训练数据集输入至初始测试用例生成网络；

29、初始测试用例生成网络中的初始场景分类器，对训练数据集进行场景分类，分为多个训练场景；

30、初始场景分类器提取分类后的各训练场景对应的训练场景分类特征；

31、初始过程生成器从训练数据集中提取历史测试用例对应的训练步骤序列信息；

32、初始预测器对训练场景分类特征和训练步骤序列信息进行特征融合，生成预测训练用例；

33、计算预测训练用例和历史测试用例之间的损失函数，根据损失函数分别更新初始场景分类器、初始过程生成器以及初始预测器中的模型参数，生成目标测试用例生成模型。

34、本技术实施例提供的目标测试用例生成模型训练方法，将训练数据集输入至初始测试用例生成网络，初始测试用例生成网络中的初始场景分类器，对训练数据集进行场景分类，分为多个训练场景，保证了生成的训练场景的准确性。初始场景分类器提取分类后的各训练场景对应的训练场景分类特征，保证了生成的训练场景分类特征的准确性。初始过程生成器从训练数据集中提取历史测试用例对应的训练步骤序列信息；初始预测器对训练场景分类特征和训练步骤序列信息进行特征融合，生成预测训练用例，保证了生成的预测训练用例的准确性。计算预测训练用例和历史测试用例之间的损失函数，根据损失函数分别更新初始场景分类器、初始过程生成器以及初始预测器中的模型参数，生成目标测试用例生成模型，保证了生成的目标测试用例生成模型的准确性。进而可以保证训练得到的目标测试用例生成模型的准确性。

35、在一种可选的实施方式中，初始过程生成器从训练数据集中提取历史测试用例对应的训练步骤序列信息，包括：

36、初始过程生成器对训练数据集进行特征提取，提取历史测试用例对应的当前序特征；

37、将历史测试用例对应的当前序特征和历史测试用例对应的前序记忆特征进行特征融合，得到历史测试用例对应的当前序的时序信息；

38、将历史测试用例对应的当前序的时序信息保存至初始过程生成器的记忆单元；

39、如此循环，直至得到历史测试用例对应的全部序的时序信息；

40、根据全部序的时序信息，生成历史测试用例的时序特征；

41、根据时序特征，生成历史测试用例对应的训练步骤序列信息。

42、本技术实施例提供的目标测试用例生成模型训练方法，初始过程生成器对训练数据集进行特征提取，提取历史测试用例对应的当前序特征，保证了提取的历史测试用例对应的当前序特征的准确性。将历史测试用例对应的当前序特征和历史测试用例对应的前序记忆特征进行特征融合，得到历史测试用例对应的当前序的时序信息，保证了生成的当前序的时序信息的准确性。将历史测试用例对应的当前序的时序信息保存至初始过程生成器的记忆单元；如此循环，直至得到历史测试用例对应的全部序的时序信息；根据全部序的时序信息，生成历史测试用例的时序特征，保证了生成的历史测试用例的时序特征的准确性。根据时序特征，生成历史测试用例对应的训练步骤序列信息，保证了生成的训练步骤序列信息的准确性。

43、在一种可选的实施方式中，计算预测训练用例和历史测试用例之间的损失函数，根据损失函数更新分别更新初始场景分类器、初始过程生成器以及初始预测器中的模型参数，生成目标测试用例生成模型，包括：

44、计算预测训练用例和历史测试用例之间的损失函数，根据损失函数分别更新初始场景分类器、初始过程生成器以及初始预测器中的模型参数，生成候选测试用例生成模型，

45、根据历史测试用例，对预测测试用例进行修正，生成修正测试用例；

46、根据修正测试用例，生成修正数据集；

47、将修正数据集输入至候选测试用例生成模型，对候选测试用例生成模型进行调整，生成目标测试用例生成模型。

48、本技术实施例提供的目标测试用例生成模型训练方法，计算预测训练用例和历史测试用例之间的损失函数，保证了计算得到的损失函数的准确性。根据损失函数分别更新初始场景分类器、初始过程生成器以及初始预测器中的模型参数，生成候选测试用例生成模型，保证了生成的候选测试用例生成模型的准确性。根据历史测试用例，对预测测试用例进行修正，生成修正测试用例，保证了生成的修正测试用例的准确性。根据修正测试用例，生成修正数据集；将修正数据集输入至候选测试用例生成模型，对候选测试用例生成模型进行调整，生成目标测试用例生成模型，提高了目标测试用例生成模型的精度。

49、第三方面，本发明提供了一种电子设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的测试用例生成方法以及上述第二方面或其对应的任一实施方式的目标测试用例生成模型训练方法。

50、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的测试用例生成方法以及上述第二方面或其对应的任一实施方式的目标测试用例生成模型训练方法。