一种基于大数据分析的软件版本迭代自动化测试方法与流程
本发明涉及大数据智能软件测试,尤其涉及一种基于大数据分析的软件版本迭代自动化测试方法。
背景技术:
1、软件版本迭代是软件开发过程中的核心环节,每次迭代均需通过回归测试验证代码变更是否引入新的缺陷。随着敏捷开发和持续交付模式的普及,软件迭代频率大幅提升,回归测试用例集的规模也持续膨胀。如何在有限的时间和计算资源内高效执行回归测试,成为软件测试领域亟待解决的关键问题。
2、测试用例优先级排序技术是提升回归测试效率的重要手段,其目标是将测试用例按照一定规则排序,使高优先级的测试用例优先执行,从而在有限时间内最大化缺陷检测效率。现有测试用例优先级排序方法主要包括基于代码覆盖率的排序方法和基于历史执行数据的排序方法。基于代码覆盖率的方法以代码全覆盖为目标进行排序,需要获取测试用例在历史版本中的代码覆盖情况,但该方法未充分利用版本迭代过程中积累的缺陷分布信息和代码变更模式。基于历史执行数据的方法依赖测试用例的历史失败率等单一维度信息,对代码模块间的结构依赖关系和缺陷传播路径缺乏建模能力。此外,现有方法大多采用静态规则或固定策略,无法利用每次迭代产生的新数据对排序策略进行动态优化和持续调整。
3、针对上述问题,本发明提出一种基于大数据分析的软件版本迭代自动化测试方法,通过融合代码依赖图结构信息与深度学习模型,实现测试用例优先级的智能化动态排序。
技术实现思路
1、本发明的一个目的在于提出一种基于大数据分析的软件版本迭代自动化测试方法,本发明引入图衍生位置编码机制与稀疏化交叉特征注意力计算模型,对代码模块的多维特征令牌序列执行结构位置编码注入与稀疏注意力加权融合,构建基于ft-transformer架构的连续迭代缺陷风险预测过程,具备预测精度高、计算开销低和模型自适应能力强的优点。
2、根据本发明实施例的一种基于大数据分析的软件版本迭代自动化测试方法,包括如下步骤:
3、采集代码变更记录、历史缺陷报告和测试执行日志,清洗去重填补缺失值;
4、按代码模块提取变更频率、代码行变更量、依赖数量、缺陷密度和用例失败率,构成多维特征向量;
5、多维特征向量输入ft-transformer的令牌化层,令牌化层将多维特征向量中的每个特征数值映射为令牌向量,所有令牌向量构成特征令牌序列;
6、依据代码模块间的调用关系和依赖关系构建代码依赖图;
7、对代码依赖图的拉普拉斯矩阵进行特征分解,将分解所得特征向量作为图衍生位置编码,将位置编码与特征令牌序列中对应位置的令牌相加,得到携带结构位置信息的编码令牌序列;
8、编码令牌序列输入ft-transformer的稀疏化交叉特征注意力层,此注意力层包含可学习稀疏掩码矩阵,计算所有令牌间的注意力分数后依据掩码矩阵保留每个令牌与分数最高的前k个令牌间的分数,输出稀疏注意力结果;
9、稀疏注意力结果经ft-transformer的前馈网络和残差连接后重复堆叠多层,再输入分类器输出各模块的缺陷风险概率;
10、概率高于预设阈值的模块标记为高风险模块,检索高风险模块关联的测试用例并依概率降序排列,生成执行序列。
11、可选的,所述提取变更频率、代码行变更量、依赖数量、缺陷密度和用例失败率具体包括:
12、从代码仓库的提交日志中统计每个代码模块在预设迭代次数内的提交总次数,将提交总次数除以迭代次数得到变更频率;
13、解析每次提交的差异数据,累计每个代码模块的新增代码行数和删除代码行数,将新增代码行数与删除代码行数之和作为代码行变更量;
14、遍历代码模块的导入语句和接口调用关系,统计当前模块直接依赖的外部模块总数作为依赖数量;
15、从缺陷管理系统中获取每个代码模块在预设迭代次数内的缺陷总数,将缺陷总数除以该模块的代码行总数得到缺陷密度;
16、从测试管理系统中获取每个代码模块关联的全部测试用例,统计这些测试用例在预设迭代次数内的执行失败总次数,将执行失败总次数除以执行总次数得到用例失败率。
17、可选的,所述多维特征向量输入令牌化层获得特征令牌序列包括以下步骤:
18、将多维特征向量中的每个特征数值分别输入各自独立的线性投影层,每个线性投影层将单个特征数值映射为预设维度的稠密向量,每个特征对应输出一个令牌向量;
19、为每个令牌向量添加可学习的特征类型编码,特征类型编码标识当前令牌所属的特征类别,特征类别包括代码变更类特征、代码结构类特征、历史缺陷类特征和测试执行类特征;
20、将所有添加特征类型编码后的令牌向量按照特征在多维特征向量中的原始排列顺序拼接,形成特征令牌序列。
21、可选的,所述构建代码依赖图具体包括:
22、解析各代码模块的源代码文件,生成抽象语法树;
23、遍历抽象语法树提取各代码模块的依赖关系信息,依赖关系信息包括调用关系、继承关系、实现关系和引用关系;
24、以每个代码模块为节点,以提取的依赖关系信息为有向边,构建有向图作为代码依赖图。
25、可选的,所述将分解所得特征向量作为图衍生位置编码的具体步骤为:
26、构建代码依赖图的邻接矩阵,邻接矩阵的行和列均对应代码依赖图中的节点,当两个节点之间存在依赖边时邻接矩阵中对应位置的元素值为1,不存在依赖边时元素值为0;
27、构建代码依赖图的度矩阵,度矩阵为对角矩阵,对角线上的每个元素值等于对应节点在邻接矩阵中所在行的所有元素值之和;
28、依据邻接矩阵和度矩阵配置图拉普拉斯矩阵,图拉普拉斯矩阵中每一位置处的元素值由度矩阵同一位置处的元素值结合邻接矩阵同一位置处的元素值共同确定;
29、对图拉普拉斯矩阵执行特征分解操作获得全部特征值和每个特征值关联的特征向量,依据特征值从小到大的次序筛选若干个最小非零特征值所对应的特征向量,被筛选的特征向量总数为预设正整数,每个被筛选的特征向量的元素个数等于代码依赖图中的节点总数,每个特征向量中各元素值作为对应节点在相应维度上的编码分量;
30、将筛选出的全部特征向量按照列方向组合形成图衍生位置编码矩阵,此矩阵的行数等于代码依赖图中的节点总数,此矩阵的每一行作为一个代码模块节点的图衍生位置编码向量。
31、可选的,所述将位置编码与特征令牌序列中对应位置的令牌结合,得到携带结构位置信息的编码令牌序列的具体步骤为:
32、从图衍生位置编码矩阵中提取每个代码模块节点对应的位置编码向量,每个位置编码向量的维度等于预设正整数,将每个位置编码向量输入线性投影层转换为与特征令牌序列中令牌向量维度相同的投影向量,线性投影层的权重矩阵行数等于令牌向量维度,列数等于预设正整数;
33、将特征令牌序列中的每个令牌向量与投影向量按照对应位置进行信息融合,令牌向量在特征令牌序列中的位置次序与代码依赖图中节点的位置次序一一对应,位置次序相同的令牌向量和投影向量完成逐元素数值融合;
34、令牌向量与投影向量逐元素数值融合后得到携带结构位置信息的编码令牌序列,编码令牌序列中每个位置上的编码令牌向量的维度与令牌向量维度保持一致。
35、可选的,所述ft-transformer的稀疏化交叉特征注意力层具体包括:
36、为每个注意力头配置独立的可学习稀疏掩码矩阵,每个可学习稀疏掩码矩阵的行数和列数均等于编码令牌序列中令牌总数,可学习稀疏掩码矩阵中的每个元素值在模型训练过程中通过梯度反向传播方式更新,每个元素值的初始取值范围介于0至1之间;
37、可学习稀疏掩码矩阵中的元素值控制编码令牌序列中任意两个位置之间的注意力计算是否激活,元素值高于预设激活阈值的对应位置对激活注意力计算,元素值低于或等于预设激活阈值的对应位置对抑制注意力计算;
38、在模型训练过程中于损失函数中增设掩码正则化项,掩码正则化项为可学习稀疏掩码矩阵中所有元素值的绝对值累计值,掩码正则化项在损失函数中对可学习稀疏掩码矩阵的稀疏程度施加约束。
39、可选的,所述输出稀疏注意力结果的具体步骤为:
40、将编码令牌序列分别输入第一可学习权重矩阵、第二可学习权重矩阵和第三可学习权重矩阵,第一可学习权重矩阵输出查询向量集合,第二可学习权重矩阵输出键向量集合,第三可学习权重矩阵输出值向量集合,编码令牌序列中每个位置对应一个查询向量、一个键向量和一个值向量;
41、将每个位置的查询向量与所有位置的键向量进行点积操作获得原始注意力分数,所有原始注意力分数构成原始注意力分数矩阵;
42、将可学习稀疏掩码矩阵作用于原始注意力分数矩阵,可学习稀疏掩码矩阵中每个位置的元素值与原始注意力分数矩阵中同一位置的元素值进行门控操作,掩码元素值高于预设激活阈值的位置保留其原始注意力分数,掩码元素值低于或等于预设激活阈值的注意力分数替换为负一千万;
43、对每个位置的查询向量,从保留的注意力分数中筛选出数值最高的前k个注意力分数,被筛选的注意力分数的数量k等于编码令牌序列中令牌总数的30%至50%,未被筛选的注意力分数替换为负一千万;
44、对每个位置的所有注意力分数执行归一化操作,将归一化后的注意力分数作为权重对值向量集合进行加权融合,输出每个位置对应的稀疏注意力结果向量,所有位置的稀疏注意力结果向量构成稀疏注意力结果。
45、可选的,所述稀疏注意力结果经ft-transformer的前馈网络和残差连接后重复堆叠多层包括以下步骤:
46、稀疏注意力结果输入第一层归一化层输出第一归一化向量,第一归一化向量输入前馈网络层,前馈网络层包含第一线性变换层、激活函数层和第二线性变换层,第一归一化向量依次经过第一线性变换层、激活函数层和第二线性变换层输出前馈输出向量,稀疏注意力结果与前馈输出向量逐元素叠加输出第一残差输出向量;
47、第一残差输出向量输入第二层归一化层输出第二归一化向量,第二归一化向量输入多头自注意力层输出自注意力输出向量,第二归一化向量与自注意力输出向量逐元素叠加输出第二残差输出向量;
48、第二残差输出向量作为下一堆叠层的输入向量,重复执行上述步骤直至达到预设堆叠层数,输出最后一层堆叠层的第二残差输出向量作为最终编码表示。
49、可选的,所述生成执行序列具体包括:
50、依据缺陷风险概率超过预设阈值的模块在预设映射表中检索全部关联测试用例,预设映射表记录每个代码模块与覆盖该模块的全部测试用例之间的对应关系;
51、从缺陷风险概率中获取每个关联测试用例所覆盖的全部超过预设阈值的模块的风险概率值,将覆盖的全部超过预设阈值的模块中数值最高的风险概率值作为该测试用例的匹配风险值;
52、按照匹配风险值从数值高到数值低的次序排列所有关联测试用例,匹配风险值相同的测试用例按照历史执行时长的升序排列,获得测试用例执行序列。
53、本发明的有益效果是:
54、第一,本发明通过在ft-transformer架构中引入图衍生位置编码机制,将代码模块间的调用关系、依赖关系和继承关系以图拉普拉斯矩阵特征分解的方式编码为位置信息,并注入特征令牌序列,使模型能够感知代码模块间的结构依赖关系和缺陷传播路径,克服了现有方法忽略代码结构信息的缺陷,显著提升了缺陷风险预测的准确性和可靠性。
55、第二,本发明通过在ft-transformer的注意力层中配置可学习稀疏掩码矩阵,对令牌间的注意力计算实施动态稀疏化控制,仅保留每个令牌与注意力分数最高的前k个令牌间的注意力交互,将注意力计算复杂度从令牌总数的平方级降低至线性级,在大规模代码模块场景下大幅减少了计算资源和时间开销。
56、第三,本发明通过掩码正则化项对可学习稀疏掩码矩阵的稀疏程度施加约束,使掩码矩阵在训练过程中持续趋向稀疏化,模型能够自适应地识别对缺陷预测贡献最大的关键特征组合,避免冗余特征间的无效注意力计算,在保证预测精度的同时实现模型计算效率的持续优化。
57、第四,本发明将代码变更频率、代码行变更量、依赖数量、缺陷密度和用例失败率等多维特征纳入统一分析框架,结合ft-transformer的特征令牌化机制和深度特征交互建模能力,实现了对代码模块缺陷风险的多维度综合量化评估,避免了单一维度评估的片面性,提高了缺陷预测的全面性和鲁棒性。
58、第五,本发明构建了从数据采集、特征提取、风险预测到测试用例排序的端到端自动化流程,每次迭代的测试执行结果可作为新增训练数据反馈至模型,驱动预测模型持续迭代优化,使测试策略具备自适应进化能力,随着迭代次数的增加,缺陷预测精度和测试资源分配效率持续提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com