一种基于大数据的测试数据生成方法及系统与流程
本发明涉及计算机软件测试,具体涉及一种基于大数据的测试数据生成方法及系统。
背景技术:
1、随着大数据、机器学习与人工智能技术的快速发展,以及5g等数据采集手段的日益普及,数据规模呈爆炸式增长,软件系统及其测试环境也日趋复杂。在此背景下,测试工作应顺应智能化发展趋势,充分利用海量的历史测试数据,通过智能化的分类与学习模拟尽可能多、尽可能全的场景组合,并利用夜间、节假日等业务闲时对程序的扩展性、健壮性以及功能性进行大规模的自动化验证。
2、特别是在大数据和分布式架构背景下,传统的软件测试方法面临严峻挑战。测试数据的准备已成为测试流程中的关键瓶颈,主要表现在以下几个方面:
3、1)测试数据构造效率低下:测试工程师需要依赖领域知识和经验手动构造测试数据,不仅耗时费力,而且难以覆盖海量的场景组合,尤其是各种边界条件和异常场景;
4、2)现有自动化工具缺乏智能性:传统的基于规则或模板的测试数据生成工具缺乏学习与自适应能力,生成的测试数据质量参差不齐,无法针对系统特点进行定向优化,导致测试有效性不足;
5、3)缺乏系统性测试充分性评估:当前缺乏科学方法评估测试数据集是否已充分覆盖所有关键业务规则和状态,测试过程存在一定的盲目性;
6、4)分布式系统测试数据构造困难:在微服务和分布式架构下,构造能够验证跨服务数据一致性和事务完整性的端到端测试数据尤为复杂。
技术实现思路
1、本发明的目的在于克服现有技术的不足,提供一种基于大数据的测试数据生成方法及系统,解决了传统软件测试中,因测试数据构造困难而导致的效率低下、场景覆盖不全、缺陷发现能力不足的问题。
2、本发明的目的是通过以下技术方案来实现的:
3、第一方面,本发明公开了一种基于大数据的测试数据生成方法,包括以下步骤:
4、对业务场景进行原子化分解,将业务场景拆解为由实体-关系-行为三元组表示的原子测试场景单元;
5、构建原子测试场景单元间的依赖性图谱,识别时间依赖、状态依赖和数据依赖关系,并使用图神经网络学习依赖模式;
6、基于原子测试场景单元间的依赖性图谱构建场景可达性矩阵;
7、基于场景可达性矩阵,根据测试目标的覆盖率要求,采用蒙特卡洛树搜索算法生成覆盖测试目标的最短测试场景路径集合;
8、针对每条测试场景路径,根据预训练的机器学习模型,生成对应的测试数据的输入序列和预期输出验证条件;其中,所述机器学习模型的训练和优化过程至少融合了以下机制之一:基于强化学习的生成策略优化机制、基于张量分解的数据关联规则挖掘机制、基于语义约束图的数据一致性保障机制。
9、基于第一方面,使用nlp工具提取业务场景中的关键实体,根据关键实体识别关系与行为,构建原子测试场景单元,每一个原子场景都是由实体-关系-行为三元组表示,其中,所述关键实体表示在待测软件系统的业务场景描述中,能够独立承载数据、状态或业务职能的核心对象或概念元素;
10、在构建原子场景间的依赖性图谱时,响应于发现新的场景组合或缺陷模式时,基于图卷积网络和注意力机制动态调整依赖关系及其权重,更新所述依赖性图谱。
11、基于第一方面,所述机器学习模型采用路径编码器-数据解码器的编码器-解码器架构,其中,所述路径编码器采用图神经网络,将所述测试场景路径编码为路径语义向量;数据解码器采用基于transformer或循环神经网络的序列生成模型,以所述路径语义向量为输入条件,逐个生成该测试场景路径对应的测试数据的输入序列和预期输出数据。
12、基于第一方面,所述基于强化学习的生成策略优化机制包括:
13、定义状态空间、动作空间,并设计融合覆盖奖励、缺陷发现奖励与成本惩罚的多目标奖励函数;
14、采用近端策略优化算法,以最大化长期累计奖励为目标,持续优化数据生成策略。
15、基于第一方面,所述基于张量分解的数据关联规则挖掘机制包括:
16、构建业务实体、数据字段、时间、操作类型及测试结果五个维度的测试数据张量表示;
17、采用cp张量分解算法得到各维度因子向量,分析并识别隐藏的跨维度关联模式;
18、基于所述关联模式生成具有置信度的数据关联规则。
19、基于第一方面,所述基于语义约束图的数据一致性保障机制包括:
20、从业务场景中提取时间顺序、数值计算、逻辑依赖及格式匹配的语义约束,构建语义约束图;
21、通过扩展的弧一致性算法进行约束传播,以使生成的测试数据满足所有语义约束;
22、对生成的测试数据执行时间逻辑、数值关系及业务逻辑三层验证。
23、基于第一方面,还包括步骤,生成用于验证分布式系统数据一致性的测试场景,具体包括:
24、建模分布式事务场景,构造网络分区、并发更新冲突及部分失败异常场景,并生成对应的期望状态,将分布式事务场景和对应的期望状态作为测试场景。
25、基于第一方面,还包括步骤,通过自适应异常注入生成测试数据中的异常测试数据集,具体包括:
26、通过代码静态分析和动态监控识别系统弱点并构建弱点向量,基于弱点向量的匹配度与历史触发率计算异常注入概率,作为单个异常类型的概率分布;
27、基于多个异常类型的概率分布,通过遗传算法获取在同一个测试场景中协同注入的最优组合策略,并将最优组合策略作为异常测试数据集。
28、基于第一方面,还包括步骤:
29、利用优化迭代机制对所述机器学习模型和测试数据生成策略进行迭代优化;所述优化迭代机制包括基于形式化验证的测试数据充分性证明方法,具体包括:使用时序逻辑和计算树逻辑对业务规则进行形式化建模,并验证测试覆盖情况,根据反例路径补充测试数据。
30、第二方面,本发明公开了一种基于大数据的测试数据生成系统,用于执行第一方面所述的一种基于大数据的测试数据生成方法,包括:
31、场景解耦与路径生成模块,用于对业务场景进行原子化分解,构建原子场景间的依赖性图谱,并根据测试目标生成测试场景路径集合;
32、智能数据生成模块,基于机器学习模型,为所述测试场景路径生成对应的测试数据的输入序列和预期输出验证条件;其中,所述机器学习模型的训练和优化过程至少融合了以下机制之一:基于强化学习的生成策略优化机制、基于张量分解的数据关联规则挖掘机制、基于语义约束图的数据一致性保障机制;
33、数据验证与反馈模块,用于执行测试并根据测试结果,对所述机器学习模型和测试数据生成策略进行迭代优化。
34、本发明的有益效果是:
35、1)本发明通过场景原子化与路径规划,能自动生成覆盖海量场景组合的测试数据,使得生成效率与覆盖率大幅提升;
36、2)本发明融合多种机器学习技术,使生成策略能自我优化,聚焦于易出错的场景;能发现隐藏的缺陷关联模式;并保障数据的业务逻辑合理性,缺陷发现率显著提高;
37、3)本发明特别针对分布式系统,能够生成验证数据一致性的测试场景,有效发现分布式环境下的隐蔽缺陷。
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