[发明专利]测试用例管理方法、装置、计算机设备和存储介质在审
申请号: | 201910795116.1 | 申请日: | 2019-08-27 |
公开(公告)号: | CN110716857A | 公开(公告)日: | 2020-01-21 |
发明(设计)人: | 张瑞宁 | 申请(专利权)人: | 平安普惠企业管理有限公司 |
主分类号: | G06F11/36 | 分类号: | G06F11/36 |
代理公司: | 11321 北京市京大律师事务所 | 代理人: | 刘挽澜 |
地址: | 518027 广东省深圳市前海深港合作区前*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 测试 测试计划 测试用例库 特征参数 取出 计算机设备 可用性识别 存储介质 错误标识 错误结果 申请 返回 管理 赋予 | ||
1.一种测试用例管理方法,其特征在于,包括:
获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例;
在测试系统的测试端口中执行所述测试用例,得到测试结果,从所述测试结果中抽取出执行失败的问题数据;
赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用;
计算所述测试用例库中不带有错误标号的测试用例与所述带有错误标号的测试用例之间的关联度;
抽取出关联度大于关联度阈值的测试用例,赋予所述关联度大于关联度阈值的测试用例以所述错误标号。
2.根据权利要求1所述的测试用例管理方法,其特征在于,所述获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例,包括:
获取待执行测试策略的计划文本,将所述计划文本划分为数个子文本块;
将所述子文本块入参到深度学习模型中进行特征词提取;
将提取出的特征词进行词向量转换后,得到所述特征参数;
根据所述特征参数,从所述测试用例库中抽取出所有带有所述特征参数的测试用例作为所述待执行测试策略的测试用例。
3.根据权利要求1所述的测试用例管理方法,其特征在于,所述从所述测试结果中抽取出执行失败的问题数据,包括:
若所述测试结果为空,则所述测试结果对应的数据为执行失败的问题数据;否则,对所述测试结果进行取值范围分析,若取值范围在所述预设区间范围以外,则所述测试结果对应的数据为执行失败的问题数据。
4.根据权利要求1所述的测试用例管理方法,其特征在于,所述赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用,包括:
获取所述问题数据的错误类型标签,将所述错误类型标签作为错误主标号;
获取所述测试端口的编号,以所述测试端口的编号作为错误副标号;
拼接所述错误主标号和所述错误副标号后得到所述问题数据对应的测试用例的错误标号;
获取带有错误标号的测试用例在所述测试用例库中的原位置,将所述带有错误标号的测试用例返回到所述原位置。
5.根据权利要求2所述的测试用例管理方法,其特征在于,所述将所述子文本块入参到深度学习模型中进行特征词提取,包括:
将所述子文本块入参到深度学习模型后,得到矩阵化的文本子块;
获取文本子块矩阵对应的编码向量,通过双向长短时记忆网络模型,对所述编码向量进行语义编码,得到文本子块中的每一个词的语义向量,所述编码向量it=tanh(W1+Wi+bi),式中tanh()为双曲正切函数,W1为第1个权重矩阵,Wi为第i个权重矩阵,bi为偏置项取值范围为0.05~0.10;
计算各所述编码向量的特征值,抽取出特征值为“1”的编码向量所对应的词语作为所述特征词。
6.一种测试用例管理装置,其特征在于,包括以下模块:
测试用例选取模块,设置为获取待执行测试策略,提取所述待执行测试策略中的特征参数,根据所述特征参数,从测试用例库中抽取出预执行所述待执行测试策略的测试用例;
执行结果生成模块,设置获在测试系统的测试端口中执行所述测试用例,得到测试结果,从所述测试结果中抽取出执行失败的问题数据;
测试用例标记模块,设置为赋予所述问题数据以错误标号,将带有错误标号的测试用例返回到所述测试用例库中,所述错误标号用于指示所述带有错误标号的测试用例被调用时禁止被复用;计算所述测试用例库中不带有错误标号的测试用例与所述带有错误标号的测试用例之间的关联度;抽取出关联度大于关联度阈值的测试用例,赋予所述关联度大于关联度阈值的测试用例以所述错误标号。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于平安普惠企业管理有限公司,未经平安普惠企业管理有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910795116.1/1.html,转载请声明来源钻瓜专利网。