接口测试方法、装置、设备及计算机可读存储介质与流程

1.本技术涉及接口检测技术领域，尤其涉及一种接口测试方法、装置、设备及计算机可读存储介质。


背景技术：

2.随着科技的发展，为了信息的保密性和安全性，信息安全逐渐融入到应用系统中，应用安全测试逐渐成为应用系统开发过程以及应用过程中不可或缺的一部分，为了保证应用系统的正常运行，对应用程序接口(application programming interface，api)的测试尤为重要。
3.目前，api的测试都是测试人员结合测试工具(例如，fiddler和burpsuitepro)对每个api进行安全测试，但是，由于测试工具在使用过程中缺乏灵活性，在一些测试场景还是需要测试人员大量的通过手动配置完成各个api的渗透测试扫描工作，使得安全测试工作需要一定的专业知识，业务测试人员无法去实施，因此，现有的api测试需要大量的人力和物力，使得测试效率低下。因此，如何高效准确的对api进行测试是目前亟待解决的问题。


技术实现要素：

4.本技术的主要目的在于提供一种接口测试方法、装置、设备及计算机可读存储介质，旨在提高对接口测试的准确和效率。
5.第一方面，本技术提供一种接口测试方法，包括：
6.获取待测试接口的接口信息，并将所述接口信息输入至预设的测试标签分类模型，得到所述待测试接口的目标测试标签；
7.从所述接口信息中提取所述目标测试标签对应的入参信息，并获取所述入参信息对应的入参分析结果；
8.根据所述目标测试标签和所述入参分析结果，生成接口测试脚本，并通过所述待测试接口运行所述接口测试脚本，以对所述待测试接口进行测试，得到所述待测试接口的测试结果。
9.第二方面，本技术还提供一种接口测试装置，所述接口测试装置包括：
10.获取模块，用于获取待测试接口的接口信息；
11.生成模块，用于将所述接口信息输入至预设的测试标签分类模型，得到所述待测试接口的目标测试标签；
12.提取模块，用于从所述接口信息中提取所述目标测试标签对应的入参信息；
13.所述获取模块，还用于获取所述入参信息对应的入参分析结果；
14.所述生成模块，还用于根据所述目标测试标签和所述入参分析结果，生成接口测试脚本；
15.所述测试模块，用于通过所述待测试接口运行所述接口测试脚本，以对所述待测试接口进行测试，得到所述待测试接口的测试结果。
16.第三方面，本技术还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的接口测试方法的步骤。
17.第四方面，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的接口测试方法的步骤。
18.本技术提供一种接口测试方法、装置、设备及计算机可读存储介质，本技术获取待测试接口的接口信息，将接口信息输入至预设的测试标签分类模型，能够准确的得到待测试接口的目标测试标签，然后从接口信息中提取目标测试标签对应的入参信息，并获取入参信息对应的入参分析结果；根据目标测试标签和入参分析结果，能够生成接口测试脚本，通过待测试接口运行接口测试脚本，能够迅速的对待测试接口进行测试，能够准确的得到待测试接口的测试结果。通过目标测试标签和入参分析结果生成的接口测试脚本对接口进行测试，使得业务人员也能够完成接口的测试，极大地提高了接口测试的便捷性和准确性，以及降低了接口测试的成本。
附图说明
19.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本技术实施例提供的一种接口测试方法的步骤流程示意图；
21.图2为本技术实施例提供的另一种接口测试方法的步骤流程示意图；
22.图3为本技术实施例提供的一种接口测试装置的示意性框图；
23.图4为本技术实施例提供的另一种接口测试装置的示意性框图；
24.图5为本技术实施例提供的一种计算机设备的结构示意性框图。
25.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
28.本技术实施例提供一种接口测试方法、装置、设备及计算机可读存储介质。其中，该接口测试方法可应用于计算机设备中，该计算机设备可以是台式电脑、笔记本电脑、平板电脑和服务器等设备。例如该计算机设备为服务器，服务器获取待测试接口的接口信息，并将接口信息输入至预设的测试标签分类模型，得到待测试接口的目标测试标签；从接口信息中提取目标测试标签对应的入参信息，并获取入参信息对应的入参分析结果；根据目标
测试标签和所述入参分析结果，生成接口测试脚本，并通过待测试接口运行接口测试脚本以对待测试接口进行测试，得到待测试接口的测试结果。
29.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
30.请参照图1，图1为本技术实施例提供的一种接口测试方法的步骤流程示意图。
31.如图1所示，该接口测试方法包括步骤s101至步骤s103。
32.步骤s101、获取待测试接口的接口信息，并将所述接口信息输入至预设的测试标签分类模型，得到所述待测试接口的目标测试标签。
33.其中，目标测试标签为待测试接口需要测试类别的测试标签，测试标签包括注入测试标签、跨域脚本攻击测试标签、伪造测试标签、跨站伪造请求测试标签、越权测试标签和验证测试标签等等测试标签。
34.在一实施例中，如图2所示，步骤s101之前还包括步骤s104至步骤s108。
35.子步骤s104、获取样本数据，所述样本数据包括样本接口信息。
36.当终端设备在运行时，通过预设抓包工具获取到数据包，将数据包转换成文本格式形式，得到数据包文本，对该数据包文本进行解析，得到接口的接口信息，并将该接口信息作为样本数据。
37.需要说明的是，获取样本数据还可以从样本数据库中获取，通过预设抓包工具获取数据包，对数据包进行解析，得到接口信息，并将接口信息存储至样本数据库，后续需要获取样本数据时直接从样本数据库中获取，提高了样本数据获取的效率。
38.子步骤s105、对预设的神经网络模型进行参数初始化，其中，所述神经网络模型包括隐藏层和线性层。
39.其中，预设的神经网络模型可以是长短期记忆人工神经网络、卷积神经网络和循环卷积神经网络等神经网络组成的，本技术对此不做具体限定。
40.在一实施例中，神经网络模型包括隐藏层和线性层，隐藏层包括预设数量的神经网络模型，该线性层包括概率分布函数，其中，该预设数量可以根据实际情况进行设置，例如，该预设数量为2，该神经网络模型为长短期记忆人工神经网络时，则该隐藏层包括双层长短期记忆人工神经网络，该概率分布函数可以是softmax函数。
41.在一实施例中，隐藏层根据输入的接口信息输出隐藏向量，线性层可以根据输入的隐藏向量输出多个标签概率。
42.子步骤s106、将所述样本接口信息输入至所述隐藏层，得到连续向量。
43.将样本接口信息输入至隐藏层，将样本接口信息转化成隐藏状态向量，然后对隐藏状态向量和预设的标签向量进行乘法计算，得到连续向量。其中，对将样本接口信息转化成隐藏状态向量的方式可以根据实际情况进行选择，例如，将样本接口信息转化为隐藏状态向量的方式可以为通过one
‑
hot编码(独热编码)对样本接口信息进行编码，得到隐藏状态向量。通过隐藏层可以准确的得到样本接口信息对应的连续向量。
44.需要说明的是，将样本接口信息转换为隐藏状态向量可以在隐藏层中进行转换，也可以设置在隐藏层之外的向量转换模型进行转换。通过灵活的设置样本接口信息的转换，可以提高生成连续向量的效率。
45.在一实施例中，对隐藏状态向量和预设的标签向量进行乘法计算，得到连续向量
的方式可以为：对隐藏状态子向量与预设的标签子向量进行乘法运行，得到多个连续子向量，对多个连续子向量进行累加，得到连续向量。
46.子步骤s107、将所述连续向量输入至所述线性层，得到多个标签概率。
47.将连续向量输入至线性层，得到多个标签概率。具体地，将连续向量输入至线性层进行译码，可以得到多个标签和每个标签对应的概率分布，通过softmax函数对多个标签和每个标签对应的概率进行计算，得到标签概率。通过softmax函数能够准确的计算得到多个标签概率。
48.子步骤s108、根据多个所述标签概率，调整所述神经网络模型的模型参数直至所述神经网络模型收敛，得到测试标签分类模型。
49.其中，测试标签分类模型为神经网络模型收敛后的神经网络模型，该测试标签分类模型可以是卷积神经网络、循环神经网络模型和循环卷积神经网络神经网络模型，本技术对此不做具体限定。
50.在一实施例中，根据多个标签概率，确定神经网络模型的目标损失值；根据目标损失值，确定神经网络模型是否收敛；若神经网络模型未收敛，则更新神经网络模型的模型参数，并继续输入样本接口信息进行神经网络模型训练直至神经网络模型收敛，得到测试标签分类模型。根据目标损失值，能够准确的确定神经网络模型的收敛情况，若神经网络模型未收敛更新模型参数，使得得到的测试标签分类模型更加准确和稳定。
51.在一实施例中，根据多个标签概率，确定神经网络模型的目标损失值的方式可以为：对每个标签的输出标签概率进行对数运算，得到每个标签对应的第一损失值；对多个第一损失值进行累加运算，得到第二损失值；对第二损失值进行取反运算，得到目标损失值。通过对多个标签概率进行运算，能够快速的得到目标损失值。
52.示例性的，获取预设目标损失值公式，其中，该预设目标损失值公式为y＝
‑
∑
s∈m
∑
t∈n
logp(t|s)，y为目标损失值，s为此次训练输出的标签，m为所有的训练输出的标签，p为标签t的标签概率，t为此次输出的标签，基于该预设目标损失值公式，将该多个标签概率输入至该预设目标损失值公式中计算，得到目标损失值。通过该预设目标损失值公式能够准确的计算出目标损失值。
53.在一实施例中，根据目标损失值，确定神经网络模型是否收敛的方式可以为：确定目标损失值是否小于预设阈值；若确定目标损失值小于预设阈值，则确定神经网络模型已收敛；若确定目标损失值大于或等于预设阈值，则确定神经网络模型未收敛。其中，预设阈值可以根据实际情况进行设置，本技术实施例对此不做具体限定。根据确定目标损失值的大小，能够准确的知晓模型是否收敛。
54.在一实施例中，若确定神经网络模型未收敛，则更新神经网络模型的模型参数，并继续获取样本数据，将样本数据中的样本接口信息输入至神经网络模型中继续训练，确定调整神经网络模型的模型参数直至神经网络模型收敛，得到测试标签分类模型。通过继续训练神经网络模型直至收敛，可以提高后续识别目标测试标签的准确性。
55.在一实施例中当终端设备在运行时，通过预设抓包工具获取该终端设备运行过程中调用的数据包，得到至少一个数据包。其中，该预设抓包工具可以根据实际情况进行选择，例如，该预设抓包工具可以是fiddler抓包工具。通过预设抓包工具可以准确的得到终端设备运行过程中的数据包。
56.示例性的，当计算机在下载数据时，通过fiddler抓包工具提取计算机在下载的数据包，进而得到计算机下载时的至少一个数据包，其中，获取数据包的数量可以根据实际情况进行设置，可以设置只获取一个数据包，也可以设置获取多个数据包。
57.在一实施例中，当通过预设抓包工具获取到数据包，将数据包转换成文本格式形式，得到数据包文本，对该数据包文本进行解析，得到接口的接口信息，该接口信息包括接口的请求方式、url(uniform resource locator，统一资源定位系统)、第一头部信息、发送体信息、第二头部信息和返回体信息。
58.在一实施例中，在得到收敛的测试标签分类模型之后，将接口信息输入至该测试标签分类模型，该测试标签分类模型对接口信息进行识别，得到目标测试标签。通过该测试标签分类模型能够准确的识别出目标测试标签。
59.步骤s102、从所述接口信息中提取所述目标测试标签对应的入参信息，并获取所述入参信息对应的入参分析结果。
60.其中，接口信息包括入参信息，该入参信息包括接口的请求方式、url、第一头部信息、发送体信息、第二头部信息、返回体信息和权限信息和验证信息。
61.在一实施例中，基于该目标测试标签，从接口信息中提取该目标测试接口对应的入参信息。示例性的，目标测试标签为验证测试标签，则从接口信息中提取验证测试标签对应的验证信息。
62.在一实施例中，从接口信息中提取该目标测试接口对应的入参信息的方式可以为：获取预存的测试标签与入参信息类型之间的映射关系表；从映射关系表中获取目标测试标签对应的入参信息类型；根据目标测试标签对应的入参信息类型，从接口信息中提取对应的入参信息。其中，映射关系表为预先根据测试标签和入参信息类型建立好的映射关系表，该映射关系表的建立可以根据实际情况进行建立，本技术实施例对此不做具体限定。根据映射关系表能够准确的获取目标测试标签对应的入参信息类型，根据入参信息类型能够准确的从接口信息中获取目标检测标签对应的入参信息。
63.在一实施例中，获取样本信息，该样本信息包括样本入参信息和样本入参信息对应的标准入参分析结果，对预设的神经网络模型进行参数初始化，其中，该参数分析模型包括隐藏层和输出层；将样本入参信息输入至隐藏层，得到稠密向量，将该稠密向量输入至输出层，得到入参分析结果，根据该标准入参分析结果和入参分析结果，调整神经网络模型的模型参数直至收敛，得到参数分析模型。
64.需要说明的是，该预设的参数分析模型可以是长短期记忆人工神经网络、卷积神经网络和循环卷积神经网络等神经网络组成的，该参数分析模型包括隐藏层和输出层，该隐藏层包括第一预设数量的神经网络模型和该输出层包括第二预设数量的神经网络模型，其中，该第一预设数量和第二预设数量可以根据实际情况进行设置设备，本技术实施例对此不做具体限定，例如，第一预设数量为2，第二预设数量为3，该神经网络模型为长短期记忆人工神经网络，则隐藏层包括双层长短期记忆人工神经网络，该输出层包括三层长短期记忆人工神经网络。
65.在一实施例中，根据该标准入参分析结果和入参分析结果，调整神经网络模型的模型参数直至收敛，得到参数分析模型的方式可以为：根据标准入参分析结果和入参分析结果，确定神经网络模型的目标损失值，根据该神经网络模型的目标损失值，确定神经网络
模型是否收敛，若该神经网络模型未收敛，则更新神经网络模型的模型参数，并继续输入样本入参信息进行模型训练直至模型收敛，得到参数分析模型。通过对模型进行训练直至参数分析模型收敛，使得得到模型更加准确。
66.在一实施例中，根据标准入参分析结果和入参分析结果，确定神经网络模型的目标损失值的方式可以为：当标准入参分析结果和入参分析结果相同，第三损失值为1，当标准入参分析结果和入参分析结果不相同，第三损失值为0，将每个入参信息输入至参数分析模型输出的入参分析结果与标准入参分析结果进行比较，得到多个第三损失值，对多个第三损失值进行累加，得到第四损失值，将第四损失值除以输入至参数分析模型训练的入参信息的数量，得到目标损失值。
67.在一实施例中，根据该神经网络模型的目标损失值，确定神经网络模型是否收敛的方式可以为：确定目标损失值是否小于预设阈值，若该目标损失值小于预设阈值，则确定该神经网络模型已收敛，若该目标损失值大于或等于该预设阈值，则确定该神经网络模型未收敛。其中，该预设阈值可以根据实际情况进行设置，本技术实施例对此不做具体限定。
68.在一实施例中，获取预设的参数分析模型，将入参信息输入至该参数分析模型，得到入参分析结果。其中，该参数分析模型为预先训练好的神经网络模型。通过该参数分析模型能够准确的得到入参分析结果。
69.在一实施例中，获取入参分析结果库，从入参分析结果库中获取入参信息对应的入参分析结果。其中，该入参分析结果库是历史的入参分析结果存储得到入参分析结果库。通过从入参分析结果库获取入参信息对应的入参分析结果，能够提高生成入参分析结果的效率。
70.在一实施例中，从入参分析结果库中获取入参信息对应的入参分析结果的方式可以为：确定入参分析结果库是否存在待测试接口的入参信息，若入参分析结果库存在待测试接口的入参信息，则获取该入参信息对应的入参分析结果，得到待测试接口对应的入参分析结果。
71.步骤s103、根据所述目标测试标签和所述入参分析结果，生成接口测试脚本，并通过所述待测试接口运行所述接口测试脚本，以对所述待测试接口进行测试，得到所述待测试接口的测试结果。
72.根据目标测试标签对入参分析结果进行标注并进行转换，生成接口测试脚本，调用该待测试接口，该待测接口运行接口测试脚本，以使该接口测试脚本对该待测试接口的接口信息进行测试，得到待测试接口的测试结果。通过生成接口测试脚本，并根据接口测试脚本对待测试接口进行测试，能够准确的得到待测试接口的测试结果。
73.在一实施例中，若目标测试标签包括多个测试标签，根据每个测试标签对其对应的入参分析结果进行标注并转换，得到多个测试标签测试脚本，对多个测试标签测试脚本进行拼接，得到接口测试脚本。通过对多个测试标签对应的测试标签测试脚本进行拼接，能够生成待测试接口的接口测试脚本，以便一次完成对待测接口的测试。
74.在一实施例中，获取测试结果中漏洞信息对应的至少一个解决方案，并将至少一个解决方案发送至用户终端；接收用户终端基于至少一个解决方案筛选的目标解决方案，并根据目标解决方案对漏洞进行修复。其中，该用户终端可以根据实际情况进行选择，本技术实施例对此不做具体限定，例如，该用户终端可以是手机、台式电脑和笔记本电脑等终
端。通过将一个漏洞的多个解决方案发送给用户终端，以便用户选择最优的处理方案，提高了漏洞解决的准确性和效率。
75.上述实施例提供的接口测试方法，通过获取待测试接口的接口信息，将接口信息输入至预设的测试标签分类模型，能够准确的得到待测试接口的目标测试标签，然后从接口信息中提取目标测试标签对应的入参信息，并获取入参信息对应的入参分析结果；根据目标测试标签和入参分析结果，能够生成接口测试脚本，通过待测试接口运行接口测试脚本，可以迅速的对待测试接口进行测试，能够准确的得到待测试接口的测试结果。通过目标测试标签和入参分析结果生成的接口测试脚本对接口进行测试，使得业务人员也能够完成接口的测试，极大地提高了接口测试的便捷性和准确性，以及降低了接口测试的成本。
76.请参阅图3，图3为本技术实施例提供的一种接口测试装置的示意性框图。
77.如图3所示，接口测试装置200包括获取模块210、生成模块220、提取模块230和测试模块240，其中：
78.获取模块210，用于获取待测试接口的接口信息；
79.生成模块220，用于将所述接口信息输入至预设的测试标签分类模型，得到所述待测试接口的目标测试标签；
80.提取模块230，用于从所述接口信息中提取所述目标测试标签对应的入参信息；
81.所述获取模块210，还用于获取所述入参信息对应的入参分析结果；
82.所述生成模块220，还用于根据所述目标测试标签和所述入参分析结果，生成接口测试脚本；
83.测试模块240，用于通过所述待测试接口运行所述接口测试脚本，以对所述待测试接口进行测试，得到所述待测试接口的测试结果。
84.在一实施例中，所述提取模块230，还用于：
85.获取预存的测试标签与入参信息类型之间的映射关系表；
86.从所述映射关系表中获取所述目标测试标签对应的入参信息类型；
87.根据所述目标测试标签对应的入参信息类型，从所述接口信息中提取对应的入参信息。
88.在一实施例中，所述获取模块210，还用于：
89.获取预设的参数分析模型，其中，所述参数分析模型是预先训练好的神经网络模型；
90.将所述入参信息输入至所述参数分析模型，得到入参分析结果。
91.在一实施例中，所述获取模块210，还用于：
92.获取入参分析结果库；
93.从所述入参分析结果库中获取所述入参信息对应的入参分析结果。
94.在一实施例中，如图4所示，所述接口测试装置300还包括初始化模块250和调整模块260，其中：
95.获取模块210，用于获取样本数据，所述样本数据包括样本接口信息；
96.初始化模块250，用于对预设的神经网络模型进行参数初始化，其中，所述神经网络模型包括隐藏层和线性层；
97.生成模块220，用于将所述样本接口信息输入至所述隐藏层，得到连续向量；
98.生成模块220，还用于将所述连续向量输入至所述线性层，得到多个标签概率；
99.调整模块260，用于根据多个所述标签概率，调整所述神经网络模型的模型参数直至所述神经网络模型收敛，得到测试标签分类模型。
100.在一实施例中，所述调整模块260，还用于：
101.根据多个所述标签概率，确定所述神经网络模型的目标损失值；
102.根据所述目标损失值，确定所述神经网络模型是否收敛；
103.若所述神经网络模型未收敛，则更新所述神经网络模型的模型参数，并继续输入接口信息进行神经网络模型训练直至所述神经网络模型收敛，得到所述测试标签分类模型。
104.在一实施例中，所述接口测试装置200，还用于：
105.获取所述测试结果中漏洞信息对应的至少一个解决方案，并将至少一个所述解决方案发送至用户终端；
106.接收用户终端基于至少一个所述解决方案筛选的目标解决方案，并根据所述目标解决方案对漏洞进行修复。
107.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述接口测试装置的具体工作过程，可以参考前述接口测试方法实施例中的对应过程，在此不再赘述。
108.请参阅图5，图5为本技术实施例提供的一种计算机设备的结构示意性框图。
109.如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
110.非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种接口测试方法。
111.处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
112.内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种接口测试方法。
113.网络接口用于网络通信。本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
114.应当理解的是，该总线比如为i2c(inter
‑
integrated circuit)总线，存储器可以是flash芯片、只读存储器(rom，read
‑
only memory)磁盘、光盘、u盘或移动硬盘等，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
115.其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
116.获取待测试接口的接口信息，并将所述接口信息输入至预设的测试标签分类模
型，得到所述待测试接口的目标测试标签；
117.从所述接口信息中提取所述目标测试标签对应的入参信息，并获取所述入参信息对应的入参分析结果；
118.根据所述目标测试标签和所述入参分析结果，生成接口测试脚本，并通过所述待测试接口运行所述接口测试脚本，以对所述待测试接口进行测试，得到所述待测试接口的测试结果。
119.在一个实施例中，所述处理器在实现所述从所述接口信息中提取所述目标测试标签对应的入参信息时，用于实现：
120.获取预存的测试标签与入参信息类型之间的映射关系表；
121.从所述映射关系表中获取所述目标测试标签对应的入参信息类型；
122.根据所述目标测试标签对应的入参信息类型，从所述接口信息中提取对应的入参信息。
123.在一个实施例中，所述处理器在实现所述获取所述入参信息对应的入参分析结果时，用于实现：
124.获取预设的参数分析模型，其中，所述参数分析模型是预先训练好的神经网络模型；
125.将所述入参信息输入至所述参数分析模型，得到入参分析结果。
126.在一个实施例中，所述处理器在实现所述获取所述入参信息对应的入参分析结果时，用于实现：
127.获取入参分析结果库；
128.从所述入参分析结果库中获取所述入参信息对应的入参分析结果。
129.在一个实施例中，所述处理器在实现所述获取待测试接口的接口信息，并将所述接口信息输入至预设的测试标签分类模型，得到所述待测试接口的目标测试标签之前，还用于实现：
130.获取样本数据，所述样本数据包括样本接口信息；
131.对预设的神经网络模型进行参数初始化，其中，所述神经网络模型包括隐藏层和线性层；
132.将所述样本接口信息输入至所述隐藏层，得到连续向量；
133.将所述连续向量输入至所述线性层，得到多个标签概率；
134.根据多个所述标签概率，调整所述神经网络模型的模型参数直至所述神经网络模型收敛，得到测试标签分类模型。
135.在一个实施例中，所述处理器在实现所述根据多个所述标签概率，调整所述神经网络模型的模型参数直至所述神经网络模型收敛，得到测试标签分类模型时，用于实现：
136.根据多个所述标签概率，确定所述神经网络模型的目标损失值；
137.根据所述目标损失值，确定所述神经网络模型是否收敛；
138.若所述神经网络模型未收敛，则更新所述神经网络模型的模型参数，并继续输入接口信息进行神经网络模型训练直至所述神经网络模型收敛，得到所述测试标签分类模型。
139.在一个实施例中，所述处理器在实现所述通过所述待测试接口运行所述接口测试
脚本，以对所述待测试接口进行测试，得到所述待测试接口的测试结果之后，还用于实现：
140.获取所述测试结果中漏洞信息对应的至少一个解决方案，并将至少一个所述解决方案发送至用户终端；
141.接收用户终端基于至少一个所述解决方案筛选的目标解决方案，并根据所述目标解决方案对漏洞进行修复。
142.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述计算机设备的具体工作过程，可以参考前述接口测试方法实施例中的对应过程，在此不再赘述。
143.本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本技术接口测试方法的各个实施例。
144.其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
145.进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
146.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
147.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
148.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
149.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。