一种基于预训练模型的测试用例推荐方法、电子设备及存储介质与流程

本发明属于软件测试，具体涉及一种基于预训练模型的测试用例推荐方法、电子设备及存储介质。

背景技术：

1、近年来，伴随着人工智能、工业互联网等高新产业高质量、快速发展，如何在项目周期内生产高质量测试用例对含有专业领域知识的软件系统顺利交付具有关键作用。在软件测试过程中根据软件特有需求和专业知识进行测试用例设计时，需要提前了解专业知识和业务的关系，因此耗费大量人力资源和时间，增加项目整体人力成本。

2、目前测试行业内通常采用通用用例集统一管理的模式，缩短设计用例时间成本，提高测试效率。虽然通用用例集按照业务场景进行分类，依照设计规范对每个用例进行设计和优化，但是每次对用例进行筛选和适应性修改均受限于测试工程师的测试技术和经验，这种方法导致用例设计缺乏针对性，设计效率较低。

技术实现思路

1、本发明要解决的问题是实现测试用例的高效选择、提高测试用例设计效率，提出一种基于预训练模型的测试用例推荐方法、电子设备及存储介质。

2、为实现上述目的，本发明通过以下技术方案实现：

3、一种基于预训练模型的测试用例推荐方法，包括如下步骤：

4、s1、采集功能需求样本和测试策略样本；

5、s2、构建测试策略模型，对测试策略样本进行预处理，将预处理后的测试策略样本输入到测试策略特征预训练模型分支1，提取测试策略特征；

6、s3、构建功能需求信息模型，对功能需求样本进行预处理，将预处理后的功能需求样本输入到测试策略特征预训练模型分支2，提取功能需求信息特征；

7、s4、将步骤s2的测试策略特征预训练模型分支1和步骤s3的测试策略特征预训练模型分支2组成测试策略特征预训练模型，将步骤s2得到预处理后的测试策略样本、步骤s3得到预处理后的功能需求样本输入到测试策略特征预训练模型中提取测试策略特征和功能需求特征，计算每个测试策略特征和功能需求信息特征的匹配程度；

8、s5、根据步骤s4得到的每个测试策略特征和功能需求信息特征的匹配程度，基于匹配值大小排列测试策略信息；

9、s6、构建测试用例预训练模型，将步骤s5得到的基于匹配值排列的测试策略信息及s3中预处理后的功能需求样本输入到测试用例预训练模型中，输出推荐的测试用例的步骤信息。

10、进一步的，步骤s2构建的测试策略模型的计算表达式为：

11、y1＝f1(kmn+bm*1)

12、其中，kmn为m*n的测试策略矩阵，bm*1为领域信息矩阵，f1(x)为测试策略特征预训练模型分支1，y1为测试策略特征向量矩阵；

13、所述测试策略矩阵用于存放等价类划分法、边界值法、错误推测法、场景分析法的方法信息，领域信息矩阵用于存放测试策略对应的专业领域术语。

14、进一步的，步骤s3构建的需求信息模型的计算表达式为：

15、y2＝f2(vpq)

16、其中，vpq为p*q的需求信息矩阵，f2(x)为测试策略特征预训练模型分支2，y2为功能需求信息特征向量矩阵。

17、进一步的，步骤s4的具体实现方法包括如下步骤：

18、s4.1、构建测试策略特征预训练模型，本模型为双通道模型，模型输入包含分支1和分支2部分，每个分支均包括卷积层、池化层、全连接层，所述卷积层连接池化层，池化层连接全连接层；

19、s4.1.1、卷积层采用3*3的矩阵作为卷积核，卷积层特征t(y)的计算表达式为：

20、

21、其中，f为激活函数relu，为卷积操作，bg为卷积核对应的偏置项，x为特征信息，mi为样本信息；

22、s4.1.2、池化层采用最大池化方法得到特征矩阵，池化层特征d(e)的计算表达式为：

23、d(e)＝fmax(xall)

24、其中，fmax为最大池化函数，xall为所有特征信息；

25、s4.1.3、全连接层采用n*1矩阵，将测试策略特征和功能需求信息特征作为输入，使用余弦距离公式表示测试策略特征和功能需求信息特征的匹配关系，得到测试策略概率cos(y1,y2)的计算表达式为：

26、

27、其中，y1为测试策略特征矩阵，y2为功能需求信息特征矩阵；

28、s4.2、将步骤s2得到预处理后的测试策略样本、步骤s3得到预处理后的功能需求样本输入到测试策略特征预训练模型中，提取测试策略特征和功能需求信息特征，计算每个测试策略特征和功能需求信息特征的测试策略概率。

29、进一步的，步骤s5根据步骤s4计算的测试策略概率中，提取测试策略概率最大的前2-5位，得到与功能需求信息匹配的测试策略。

30、进一步的，步骤s6的具体实现方法包括如下步骤：

31、s6.1、构建测试用例预训练模型，采用双seq2seq模型机制，包括模型分支m1和模型分支m2，设置模型分支m1的输入为测试策略，模型分支m2的输入为功能需求样本；

32、s6.2、设置模型分支m1和模型分支m2在encoder过程中均采用lstm网络结构，将步骤s5得到的基于匹配度排列测试策略信息和预处理后的功能需求样本输入到测试用例预训练模型中，利用lstm网络重新计算测试策略信息特征和功能需求信息特征，并基于优化注意力机制的计算方法将两种特征的语义向量整合后得到新的语义向量f(c)，计算表达式为：

33、cu＝ce+cr

34、f(c)＝fsigmoid(w1cu+b1)*ftanh(w2cu+b2)

35、其中，cu为整合后语义向量，ce为模型分支m1产生的测试策略初始语义向量，cr为模型分支m2产生的功能需求信息初始语义向量，fsigmoid为sigmoid函数，ftanh为双曲正切函数，w1和w2为第一权重矩阵、第二权重矩阵，b1和b2为第一偏置项、第二偏置项；

36、s6.3、将步骤s6.2得到的整合后的语义向量输入到模型分支m1中，在decoder解码器中生成融合测试策略信息和功能需求信息的测试用例信息，得到推荐的测试用例步骤信息。

37、电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种基于预训练模型的测试用例推荐方法的步骤。

38、计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于预训练模型的测试用例推荐方法。

39、本发明的有益效果：

40、本发明所述的一种基于预训练模型的测试用例推荐方法，无需引用历史测试用例作为推荐用例的参考，参考并应用国家标准gb/t 38634.4-2020的测试策略，避免不规范的历史测试用例对推荐用例的负面影响，实现了为待测试系统推荐专业的测试用例。

41、进一步地，本发明所设计的模型在测试集上平均损失值为0.373，方差为0.0043，证明模型泛化能力良好，具有良好的稳定性。利用本发明自动推荐测试用例的平均耗时为18秒，生成的测试用例步骤信息准确完整，并且能从多维度抓住测试要点，缩短测试用例设计时间，减少了人力成本。