一种基于区块链的自动化测试方法、装置和存储介质与流程

1.本技术涉及通讯技术领域，具体涉及一种基于区块链的自动化测试方法、装置和存储介质。


背景技术：

2.自动化测试是把以人为驱动的测试行为转化为机器执行的一种过程。通常，在设计了测试用例并通过评审之后，由测试人员根据测试用例中描述的规程一步步地执行测试，得到实际结果与期望结果的比较。
3.在金融领域，测试场景中的测试参数一般是人工枚举之后再通过脚本化实现。但是，由于金融领域涉及到的业务场景繁多，使得测试场景难以枚举全，人工枚举的业务场景容易遗漏，降低了测试的可靠性。


技术实现要素：

4.本技术实施例提出了一种基于区块链的自动化测试方法、装置和存储介质，可以提高测试的可靠性。
5.本技术实施例提供了一种基于区块链的自动化测试方法，包括：
6.识别目标测试场景的业务数据在区块链中对应的区块标识；
7.利用预设测试场景构建模型基于所述区块标识构建所述目标测试场景对应的测试参数；
8.根据所述区块标识确定所述目标测试场景的测试参数对应的校验逻辑；
9.基于所述校验逻辑对所述目标测试场景对应的测试参数进行校验，得到校验结果。
10.相应的，本技术实施例还提供了一种基于区块链的自动化测试装置，包括：
11.识别单元，用于识别目标测试场景的业务数据在区块链中对应的区块标识；
12.构建单元，用于利用预设测试场景构建模型基于所述区块标识构建所述目标测试场景对应的测试参数；
13.确定单元，用于根据所述区块标识确定所述目标测试场景的测试参数对应的校验逻辑；
14.校验单元，用于基于所述校验逻辑对所述目标测试场景对应的测试参数进行校验，得到校验结果。
15.在一实施例中，所述构建单元，可以包括：
16.分布确定子单元，用于利用所述预设测试场景构建模型中的分布映射关系，基于所述区块标识确定所述目标测试场景的业务数据对应的数据分布；
17.参数生成子单元，用于利用所述预设测试场景构建模型对所述数据分布生成所述目标测试场景对应的测试参数。
18.在一实施例中，所述自动化测试装置，还可以包括：
19.第一获取单元，用于获取不同业务场景下对应的业务数据；
20.区块标识生成单元，用于基于所述区块链为不同业务场景的业务数据生成对应的区块标识。
21.在一实施例中，所述自动化测试装置，还可以包括：
22.第二获取单元，用于获取不同业务场景下的第一业务数据样本和第二业务数据样本，以及待训练测试场景构建模型；
23.特征分析单元，用于对所述不同业务场景下的第一业务数据样本进行特征分析，得到所述不同业务场景下的第一业务数据样本对应的参考数据特征；
24.训练单元，用于利用所述不同业务场景下的第一业务数据样本和所述第一业务数据样本对应的参考数据特征对所述待训练测试场景构建模型进行训练，得到初始测试场景构建模型；
25.分布拟合单元，用于利用所述初始测试场景构建模型对所述不同业务场景下的第二业务数据样本进行分布拟合，得到不同业务场景下的业务数据对应的参考数据分布；
26.更新单元，用于基于所述参考数据分布和所述区块标识对所述初始测试场景构建模型进行更新，得到所述预设测试场景构建模型。
27.在一实施例中，所述特征分析单元，可以包括：
28.内容分析子单元，用于对当前业务场景下的多个订单数据中的数据字段内容进行分析，得到内容特征；
29.关联性分析子单元，用于对当前业务场景下多个订单数据中数据字段之间的关联性进行分析，得到字段关联特征；
30.整合子单元，用于将所述内容特征和所述字段关联特征进行整合，得到所述第一业务数据样本对应的参考数据特征。
31.在一实施例中，所述训练单元，可以包括：
32.分布拟合子单元，用于利用所述待训练测试场景构建模型对所述第一业务数据样本进行分布拟合，得到所述第一业务数据样本对应的数据分布；
33.参数生成子单元，用于利用所述待训练测试场景构建模型基于所述数据分布，生成训练测试参数；
34.特征分析子单元，用于对所述训练测试参数进行特征分析，得到所述训练测试参数对应的数据特征；
35.调整子单元，用于基于所述训练测试参数对应的数据特征和所述第一业务数据样本对应的参考数据特征对所述待训练测试场景构建模型进行调整，得到所述初始测试场景构建模型。
36.在一实施例中，所述调整子单元，可以包括：
37.特征损失计算模块，用于计算训练测试参数对应的数据特征和所述第一业务数据样本对应的参考数据特征之间的特征损失；
38.信息获取模块，用于获取针对所述训练测试参数的专家反馈信息；
39.专家反馈损失计算模块，用于将所述专家反馈信息转换为专家反馈损失；
40.融合模块，用于将所述特征损失和所述专家反馈损失进行融合，得到目标损失；
41.调整模块，用于利用所述目标损失对所述待训练测试场景构建模型进行调整，得
到所述初始测试场景构建模型。
42.在一实施例中，所述更新单元，可以包括：
43.关联处理子单元，用于将不同业务场景下业务数据的参考数据分布和所述业务数据对应的区块标识进行关联处理，得到分布映射关系；
44.嵌入子单元，用于将所述分布映射关系嵌入所述初始测试场景构建模型，得到所述预设测试场景构建模型。
45.相应的，本技术实施例还提供一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行本技术实施例任一提供的基于区块链的自动化测试方法。
46.相应的，本技术实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本技术实施例任一提供的基于区块链的自动化测试方法。
47.本技术实施例包括：识别目标测试场景的业务数据在区块链中对应的区块标识；利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数；根据区块标识确定目标测试场景的测试参数对应的校验逻辑；基于校验逻辑对目标测试场景对应的测试参数进行校验，得到校验结果，可以提高测试的可靠性。
附图说明
48.为了更清楚地说明本技术实施例中的技术方案，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，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，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。
49.图1是本技术实施例提供的基于区块链的自动化测试方法的场景示意图；
50.图2是本技术实施例提供的基于区块链的自动化测试方法的流程示意图；
51.图3是本技术实施例提供的基于区块链的自动化测试方法的又一流程示意图；
52.图4是本技术实施例提供的基于区块链的自动化测试装置的结构示意图；
53.图5是本技术实施例提供的计算机设备的结构示意图。
具体实施方式
54.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，然而，所描述的实施例仅仅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，本领域技术人员在没有作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。
55.本技术实施例提出了一种基于区块链的自动化测试方法，该基于区块链的自动化测试方法可以由基于区块链的自动化测试装置执行，该基于区块链的自动化测试装置可以集成在具有至少一种基于区块链的自动化测试硬件的计算机设备中。其中，该计算机设备可以包括计算机设备以及服务器等中的至少一个。即，本技术实施例提出的基于区块链的自动化测试方法即可以由计算机设备执行，还可以由服务器执行，还可以由能够进行互相通信的终端和服务器共同执行。
56.其中，终端可以为智能手机、平板电脑、笔记本电脑、个人电脑(personal computer，pc)、智能家居、可穿戴电子设备、vr/ar设备、车载计算机等等。服务器可以为多个异构系统之间的互通服务器或者后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。
57.在一实施例中，如图1所示，基于区块链的自动化测试装置可以集成服务器11上，以实施本技术实施例提出的基于区块链的自动化测试方法。具体地，服务器11可以识别目标测试场景的业务数据在区块链中对应的区块标识；利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数；根据区块标识确定目标测试场景的测试参数对应的校验逻辑；基于校验逻辑对目标测试场景对应的测试参数进行校验，得到校验结果。然后，服务器11可以将测试结果反馈给终端10，使得测试人员可以通过终端10知道测试结果。
58.以下分别进行详细说明，需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
59.本技术实施例将从基于区块链的自动化测试装置的角度进行描述，该基于区块链的自动化测试装置可以集成在计算机设备。
60.如图2所示，提供了一种基于区块链的自动化测试方法，具体流程包括：
61.101、识别目标测试场景的业务数据在区块链中对应的区块标识。
62.其中，目标测试场景可以指测试任务对应的场景。
63.在一实施例中，金融领域中可以包括多个不同的业务场景，每个业务场景对应的业务数据都具有不同的特点。例如，不同业务场景的业务数据可以包括基于信用卡产生的数据、基于基金产生的数据、基于保险产生的数据，等等。其中，目标测试场景可以是该多个不同的业务场景中的其中一个场景。
64.在一实施例中，由于金融领域中的业务数据往往会涉及到用户的隐私。例如，金融领域中的业务数据一般会涉及到用户的姓名、年龄、家庭住址、财政情况等信息。若直接利用涉及到用户隐私的业务数据进行测试，可能会导致用户隐私的泄露。因此，为了提高数据的安全性，避免用户隐私的泄露，本技术实施例可以利用区块链技术为不同业务场景中的业务数据生成对应的区块标识。然后，利用预设测试场景构建模型基于区块标识生成目标测试场景对应的测试参数，并通过测试参数实现测试过程。
65.具体的，在步骤“识别目标测试场景的业务数据在区块链中对应的区块标识”之前，可以包括：
66.获取不同业务场景下对应的业务数据；
67.基于区块链为不同业务场景的业务数据生成对应的区块标识。
68.其中，区块链具体为一种按照时间顺序将数据区块以顺序相连的方式组合成的一种链式数据结构，并以密码学方式保证的不可篡改和不可伪造的分布式账本。区块链通过自身分布式节点进行网络数据的存储、验证、传递和交流。区块链系统中存储的数据可以作为事实的有力佐证，为判定结果提供坚实的基础，既有利于规避保险诈骗，也提高了涉事各方对判定结果的信任程度。
69.其中，区块标识可以是区块链中一个具有加密作用的标识。例如，该区块标识可以
是通过对区块链中的区块头进行行二次sha256散列计算而得到的数字指纹。区块标识产生的32字节散列值被称为区块散列值，或更准确地称作“区块头散列值”，因为只有区块头被用于计算这个散列值。区块散列唯一且明确地标识一个区块，并且可以由任何节点通过简单地对区块头进行散列运算来独立地导出。请注意，不管是区块在网络上传输时，区块标识还是作为区块链的一部分存储在节点的持久性存储中时，区块散列实际上并未包含在区块的数据结构中。相反，区块标识区块的散列是当区块从网络被接收时由每个节点计算出来的。区块散列可以作为区块元数据的一部分存储在单独的数据库表中，以便于从磁盘索引和更快地检索区块。
70.在一实施例中，可以获取不同业务场景下对应的业务数据，并基于区块链为不同业务场景的业务数据生成对应的区块标识。例如，开发人员可以利用埋点等数据采集手段采集到n个业务场景下对应的业务数据。然后，可以将该n个记录到区块链中，然后区块链会分别为每个业务场景下的业务数据给出一个区块标识。
71.在一实施例中，当一个业务场景中包括多种类型的业务数据时，区块链还可以为每种类型的业务数据都生成一个区块标识。例如，对于信用卡场景可能会产生多中不同类型的业务数据。可以利用区块链为每种类型的业务数据都生成一个区块标识。
72.在一实施例中，当为业务数据生成了区块标识之后，若需要进行测试时，可以识别目标测试场景的业务数据在区块链中的区块标识。
73.102、利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数。
74.在一实施例中，在识别出目标测试场景的业务数据在区块链中的区块标识之后，可以利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数。
75.其中，预设测试场景构建模型是一个人工智能模型。例如，该预设测试场景可以是卷积神经网络(convolutional neural networks，cnn)、反卷积神经网络(de-convolutional networks，dn)、深度神经网络(deep neural networks，dnn)、深度卷积逆向图网络(deep convolutional inverse graphics networks，dcign)、基于区域的卷积网络(region-based convolutional networks，rcnn)、基于注意力机制的序列推荐模型(self-attentive sequential recommendation，sasrec)、生成对抗网络(generative adversarial network,gan)、基于区域的快速卷积网络(faster region-based convolutional networks，faster rcnn)和双向编解码(bidirectional encoder representations from transformers，bert)模型、条件随机场(conditional random field，crf)模型等中的至少一种。
76.其中，人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
77.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机
视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
78.机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。其中，强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。深度强化学习是将深度学习和强化学习相结合，将深度学习的技术来求解强化学习的问题。
79.在一实施例中，预设测试场景构建模型可以用于基于区块标识构建目标测试场景对应的测试参数。
80.其中，测试参数可以是模拟目标测试场景的业务数据的数据特征而生成的数据。测试参数的数据特征和业务数据的数据特征具有相同的特点，但是测试参数和业务数据并不相同。通过利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数，可以使得测试参数符合目标测试场景的业务数据的数据特征，又不会泄露到真实的业务数据，在保证了测试的可靠性的同时又保证了数据的安全性。
81.在一实施例中，在利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数之前，需要对模型进行训练，从而得到预设测试场景构建模型。
82.具体的，步骤“利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数”之前，可以包括：
83.获取不同业务场景下的第一业务数据样本和第二业务数据样本，以及待训练测试场景构建模型；
84.对不同业务场景下的第一业务数据样本进行特征分析，得到不同业务场景下的第一业务数据样本对应的参考数据特征；
85.利用所述不同业务场景下的第一业务数据样本和所述第一业务数据样本对应的参考数据特征对所述待训练测试场景构建模型进行训练，得到初始测试场景构建模型；
86.利用初始测试场景构建模型对不同业务场景下的第二业务数据样本进行分布拟合，得到不同业务场景下的业务数据对应的参考数据分布；
87.基于参考数据分布和区块标识对初始测试场景构建模型进行更新，得到预设测试场景构建模型。
88.在一实施例中，第一业务数据样本和第二业务数据样本可以是在业务数据中采用得到的数据。第一业务数据样本和第二业务数据样本可以是对待训练测试场景构建模型进行训练时所要用到的训练样本。
89.在一实施例中，为了令待训练测试场景构建模型学会如何生成准确的测试参数，可以对不同业务场景下的第一业务数据样本进行特征分析，得到不同业务场景下的第一业务数据样本对应的参考数据特征。然后利用参考数据特征引导待训练测试场景构建模型学习如何构建准确的测试参数。
90.其中，参考数据特征可以指数据样本的数据分布情况。例如，该参数数据特征说明数据自身的分布，还可以说明数据和数据之间的关联性。例如，业务数据中可以包括多个订
单数据。其中，订单数据是以订单为单位而形成的数据。例如，信用卡业务场景中包括了上万个订单中的数据。例如，每个订单数据中可以包括订单的订单号、用户信息、信用卡的申请渠道(网络渠道、综拓渠道、分行渠道、直销渠道)、主附申请、卡种、卡类等信息。
91.其中，可以对订单中的信息进行特征分析，从而得到参考数据特征。
92.具体的，步骤“对不同业务场景下的第一业务数据样本进行特征分析，得到不同业务场景下的第一业务数据样本对应的参考数据特征”，可以包括：
93.对当前业务场景下的多个订单数据中的数据字段内容进行分析，得到内容特征；
94.对当前业务场景下多个订单数据中数据字段之间的关联性进行分析，得到字段关联特征；
95.将内容特征和字段关联特征进行整合，得到第一业务数据样本对应的参考数据特征。
96.在一实施例中，每个订单数据中都会有一些固定的字段，这些固定的字段用于提醒用户该填入什么内容。例如，以信用卡场景为例，订单数据中可以包括“订单号”、“姓名”、“年龄”、“卡种”和“卡类”等数据字段。其中，用户根据这些数据字段填入的内容可以是数据字段内容。
97.在一实施例中，可以对当前业务场景下的多个订单数据中的数据字段内容进行分析，得到内容特征。例如，可以统计当前业务场景下的多个内容数据中的数据字段内容的分布，得到内容特征。
98.在一实施例中，可以对当前业务场景下多个订单数据中数据字段之间的关联性进行分析，得到字段关联特征。例如，通过对多个订单数据中数据字段之间的关联性进行分析，可以知道有的字段是不会出现在同一个订单中。又例如，通过对多个订单数据中的数据字段之间的关联性进行分析，可以知道当某些数据字段出现在订单中时，另外一些字段也一定会出现在订单中。
99.在一实施例中，可以将内容特征和字段关联特征进行整合，得到第一业务数据样本对应的参考数据特征。例如，可以将内容特征和字段关联特征按照预设格式进行整合，得到参考数据特征。譬如，可以按照{内容特征，字段关联特征}的格式进行整合，得到参考数据特征。又例如，可以将内容特征和字段关联特征构建成知识图谱，得到参考数据特征。
100.在一实施例中，在分析得到参考数据特征之后，可以利用参考数据特征引导待训练测试场景构建模型进行学习。具体的，步骤“利用不同业务场景下的第一业务数据样本和第一业务数据样本对应的参考数据特征对待训练测试场景构建模型进行训练，得到初始测试场景构建模型”，可以包括：
101.利用待训练测试场景构建模型对第一业务数据样本进行分布拟合，得到第一业务数据样本对应的数据分布；
102.利用待训练测试场景构建模型基于数据分布，生成训练测试参数；
103.对训练测试参数进行特征分析，得到训练测试参数对应的数据特征；
104.基于训练测试参数对应的数据特征和第一业务数据样本对应的参考数据特征对待训练测试场景构建模型进行调整，得到初始测试场景构建模型。
105.在一实施例中，可以利用待训练构建模型对第一业务数据样本进行分布拟合，得到第一数据样本对应的数据分布。例如，待训练测试场景构建模型可以是生成对抗网络
(generative adversarial network,gan)。其中，待训练测试场景构建模型可以包括生成器和判别器。其中，生成器用于根据第一业务数据样本生成训练测试参数，而对抗器则可以对生成器生成的训练测试参数进行判别。通过生成器和对抗器之间不断地进行对抗和博弈，使得生成器可以生成准确的测试参数。
106.在一实施例中，当待训练测试场景构建模型是gan时，可以利用待训练测试场景构建模型中的生成器利用待训练测试场景构建模型对第一业务数据样本进行分布拟合，得到第一业务数据样本对应的数据分布；利用待训练测试场景构建模型基于数据分布，生成训练测试参数。例如，生成器中可以包括编码器和解码器。其中，编码器可以对第一业务数据样本进行分布拟合，得到第一业务数据样本对应的数据分布。解码器可以基于数据分布，生成训练测试参数。
107.在一实施例，可以对训练测试参数进行特征分析，得到训练测试参数对应的数据特征。其中，对训练测试参数进行特征分析的方式可以参考上述的步骤，此处不再描述。
108.在一实施例中，可以基于训练测试参数对应的数据特征和第一业务数据样本对应的参考数据特征对待训练测试场景构建模型进行调整，得到初始测试场景构建模型。
109.其中，当待训练测试场景构建模型是gan时，可以利用待训练测试场景构建模型的对抗器基于训练测试参数对应的数据特征和第一业务数据样本对应的参考数据特征对待训练测试场景构建模型的生成器进行调整，得到初始测试场景构建模型。例如，对抗器可以计算训练测试参数对应的数据特征和第一业务数据样本对应的参考数据特征之间的损失，然后根据损失对生成器生成的训练测试参数进行判别，并将判别结果反馈给生成器。
110.又例如，当待训练测试场景构建模型不是gan时，步骤“基于训练测试参数对应的数据特征和第一业务数据样本对应的参考数据特征对待训练测试场景构建模型进行调整，得到初始测试场景构建模型”，可以包括：
111.计算训练测试参数对应的数据特征和第一业务数据样本对应的参考数据特征之间的特征损失；
112.获取针对训练测试参数的专家反馈信息；
113.将专家反馈信息转换为专家反馈损失；
114.将特征损失和专家反馈损失进行融合，得到目标损失；
115.利用目标损失对待训练测试场景构建模型进行调整，得到初始测试场景构建模型。
116.在一实施例中，可以计算训练测试参数对应的数据特征和第一业务数据样本对应的参考数据特征之间的特征损失。例如，可以根据相对熵和交叉熵计算训练测试参数对应的数据特征和第一业务数据样本对应的参考数据特征之间的特征损失。
117.在一实施例中，在对待训练测试场景构建模型进行训练的过程中，待训练测试场景构建模型可能会生成符合参考数据特征的训练测试参数，但是，这些训练测试参数是不符合场景的要求的。譬如，待训练测试场景构建模型生成的一些训练测试参数在业务场景中是不会出现的，若在测试的过程中出现这些无效的训练测试参数，会降低测试的可靠性和准确性。为了过滤掉这些无效的训练测试参数，还可以在训练的过程中引入专家反馈信息，基于专家反馈信息将这些训练测试参数给过滤掉。
118.其中，专家反馈信息可以是测试领域的专家根据自己丰厚的测试知识和经验所沉
淀得到的知识。例如，专家反馈知识可以说明在什么样本的业务场景下会出现什么样的业务数据，等等。
119.在一实施例中，可以将专家反馈信息转换为专家反馈损失。例如，可以基于专家反馈信息计算训练测试参数的损失，得到专家反馈损失。例如，可以利用负对数似然函数基于专家反馈信息计算训练测试参数的损失，得到专家反馈损失。
120.在一实施例中，可以将特征损失和专家反馈损失进行融合，得到目标损失。例如，可以将特征损失和专家反馈损失进行相加，得到目标损失。又例如，可以将特征损失和专家反馈损失分别乘以调整参数之后再相加，得到目标损失。其中，调整参数可以用于调整特征损失和专家反馈损失的大小，使得两个损失之间可以平衡。例如，当调整特征损失较大时，调整特征损失对应的调整参数可以相对较小，使得两个损失可以对待训练测试场景构建模型的训练过程发挥的作用得到平衡。
121.在一实施例中，可以利用目标损失对待训练测试场景构建模型进行调整，得到初始测试场景构建模型。例如，可以待训练测试场景构建模型可以根据目标损失对自己的模型参数进行调整，得到初始测试场景构建模型。
122.在一实施例中，初始测试场景构建模型可以是一个符合性能要求，能够生成准确的测试参数的模型。但是，此时，初始测试场景构建模型还不能基于区块标识生成测试参数。因此，可以利用测试场景构建模型对不同业务场景下的第二业务数据样本进行分布拟合，得到不同业务场景下的业务数据对应的参考数据分布。然后，基于参考数据分布和区块标识对初始测试场景构建模型进行更新，得到预设测试场景构建模型。
123.在一实施例中，步骤“基于参考数据分布和区块标识对初始测试场景构建模型进行更新，得到预设测试场景构建模型”，可以包括：
124.将不同业务场景下业务数据的参考数据分布和业务数据对应的区块标识进行关联处理，得到分布映射关系；
125.将分布映射关系嵌入初始测试场景构建模型，得到预设测试场景构建模型。
126.例如，可以利用初始测试场景构建模型对不同业务场景下的第二业务数据样本进行分布拟合，得到不同业务场景下的业务数据对应的参考数据分布。然后，将不同业务场景下业务数据的参考数据分布和业务数据对应的区块标识进行关联处理，得到分布映射关系。然后，分布映射关系嵌入初始测试场景构建模型，使得预设测试场景构建模型可以根据分布映射关系，确定数据对应的数据分布。然后，可以根据数据分布生成测试参数。
127.具体的，步骤“利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数”，可以包括：
128.利用预设测试场景构建模型中的分布映射关系，基于区块标识确定目标测试场景的业务数据对应的数据分布；
129.利用预设测试场景构建模型对数据分布生成目标测试场景对应的测试参数。
130.例如，预设测试场景构建模型可以利用分布映射关系将区块标识映射到目标测试场景的业务数据对应的数据分布。然后，预设测试场景构建模型可以利用自身的模型结构和模型参数对数据分布生成目标测试场景对应的测试参数。
131.103、根据区块标识确定目标测试场景的测试参数对应的校验逻辑。
132.在一实施例中，在预设测试场景构建模型基于所述区块标识构建所述目标测试场
景对应的测试参数之后，可以根据区块标识确定目标测试场景的测试参数对应的校验逻辑。
133.其中，在根据区块标识确定目标测试场景的测试参数对应的校验逻辑之前，也可以预先建立不同业务场景下业务数据对应的区块标识和校验逻辑之间的校验逻辑映射关系。
134.然后，可以根据该校验逻辑映射关系确定目标测试场景的测试参数对应的校验逻辑。
135.例如，可以将区块标识和校验逻辑映射关系中的参考区域标识进行匹配。然后，根据匹配结果确定目标测试场景的测试参数对应的校验逻辑。
136.104、基于校验逻辑对目标测试场景对应的测试参数进行校验，得到校验结果。
137.在一实施例中，可以基于校验逻辑对目标测试场景对应的测试参数进行校验，得到校验结果。
138.例如，可以利用正则化匹配规则、字段一致性验证规则以及白名单配置规则等校验逻辑对目标测试场景对应的测试参数进行校验，得到校验结果。
139.通过利用正则化匹配规则、字段一致性验证规则以及白名单配置规则等校验逻辑对目标测试场景对应的测试参数进行校验，可以高效解决申请字段多而一致性校验准确性低的问题，同时降低了比对的不一致的噪音，减少人工分析的成本。
140.本技术实施例提出了一个基于区块链的自动化测试方法，包括：识别目标测试场景的业务数据在区块链中对应的区块标识；利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数；根据区块标识确定目标测试场景的测试参数对应的校验逻辑；基于校验逻辑对目标测试场景对应的测试参数进行校验，得到校验结果。首先，本技术实施例可以利用区块链技术为不同业务场景中的业务数据生成对应的区块标识。然后，利用预设测试场景构建模型基于区块标识生成目标测试场景对应的测试参数，并通过测试参数实现测试过程。通过利用区块技术，可以实现在测试的过程中不会直接利用到业务数据，避免的数据的泄露，提高了测试过程的安全性。其中，本技术实施例可以利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数，该预设测试场景构建模型实现全量场景模型驱动的自动化，解决业务场景覆盖率难和全的问题，有效减少线上场景漏测率，并且缩短了整体研发过程回归时间，做到高质量的交付，极大的提高了研发效率。
141.根据上面实施例所描述的方法，以下将举例作进一步详细说明。
142.本技术实施例将以基于区块链的自动化测试方法集成在服务器为例来介绍本技术实施例方法。
143.在一实施例中，如图3所示，一种基于区块链的自动化测试方法，具体流程如下：
144.201、服务器识别目标测试场景的业务数据在区块链中对应的区块标识。
145.例如，服务器可以获取不同业务场景下对应的业务数据；基于区块链为不同业务场景的业务数据生成对应的区块标识。
146.当服务器获取到目标测试场景的业务数据时，服务器可以识别目标测试场景的业务数据在区块链中对应的区块标识。
147.202、服务器利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数。
148.例如，服务器可以将区块标识输入到预设测试场景构建模型中，然后预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数。
149.203、服务器根据区块标识确定目标测试场景的测试参数对应的校验逻辑。
150.例如，服务器可以区块标识根据查询得到匹配的基线知识库。然后在基线知识库中获取校验逻辑。其中，基线知识库可以是一个分布式系统。
151.204、服务器基于校验逻辑对所述目标测试场景对应的测试参数进行校验，得到校验结果。
152.例如，可以利用正则化匹配规则、字段一致性验证规则以及白名单配置规则等校验逻辑对目标测试场景对应的测试参数进行校验，得到校验结果。
153.本技术实施例提出了一个操作方法，包括：服务器识别目标测试场景的业务数据在区块链中对应的区块标识；服务器利用预设测试场景构建模型基于区块标识构建目标测试场景对应的测试参数；服务器根据区块标识确定目标测试场景的测试参数对应的校验逻辑；服务器基于校验逻辑对目标测试场景对应的测试参数进行校验，得到校验结果，可以提高测试的可靠性。
154.为了更好地实施本技术实施例提供的基于区块链的自动化测试方法，在一实施例中还提供了一种基于区块链的自动化测试装置，该基于区块链的自动化测试装置可以集成于计算机设备中。其中名词的含义与上述产品的基于区块链的自动化测试方法中相同，具体实现细节可以参考方法实施例中的说明。
155.在一实施例中，提供了一种基于区块链的自动化测试装置，该基于区块链的自动化测试装置具体可以集成在计算机设备，例如电视中，如图4所示，该基于区块链的自动化测试装置包括：识别单元301、构建单元302、确定单元303和校验单元304，具体如下：
156.识别单元301，用于识别目标测试场景的业务数据在区块链中对应的区块标识；
157.构建单元302，用于利用预设测试场景构建模型基于所述区块标识构建所述目标测试场景对应的测试参数；
158.确定单元303，用于根据所述区块标识确定所述目标测试场景的测试参数对应的校验逻辑；
159.校验单元304，用于基于所述校验逻辑对所述目标测试场景对应的测试参数进行校验，得到校验结果。
160.在一实施例中，所述构建单元302，可以包括：
161.分布确定子单元，用于利用所述预设测试场景构建模型中的分布映射关系，基于所述区块标识确定所述目标测试场景的业务数据对应的数据分布；
162.参数生成子单元，用于利用所述预设测试场景构建模型对所述数据分布生成所述目标测试场景对应的测试参数。
163.在一实施例中，所述自动化测试装置，还可以包括：
164.第一获取单元，用于获取不同业务场景下对应的业务数据；
165.区块标识生成单元，用于基于所述区块链为不同业务场景的业务数据生成对应的区块标识。
166.在一实施例中，所述自动化测试装置，还可以包括：
167.第二获取单元，用于获取不同业务场景下的第一业务数据样本和第二业务数据样
本，以及待训练测试场景构建模型；
168.特征分析单元，用于对所述不同业务场景下的第一业务数据样本进行特征分析，得到所述不同业务场景下的第一业务数据样本对应的参考数据特征；
169.训练单元，用于利用所述不同业务场景下的第一业务数据样本和所述第一业务数据样本对应的参考数据特征对所述待训练测试场景构建模型进行训练，得到初始测试场景构建模型；
170.分布拟合单元，用于利用所述初始测试场景构建模型对所述不同业务场景下的第二业务数据样本进行分布拟合，得到不同业务场景下的业务数据对应的参考数据分布；
171.更新单元，用于基于所述参考数据分布和所述区块标识对所述初始测试场景构建模型进行更新，得到所述预设测试场景构建模型。
172.在一实施例中，所述特征分析单元，可以包括：
173.内容分析子单元，用于对当前业务场景下的多个订单数据中的数据字段内容进行分析，得到内容特征；
174.关联性分析子单元，用于对当前业务场景下多个订单数据中数据字段之间的关联性进行分析，得到字段关联特征；
175.整合子单元，用于将所述内容特征和所述字段关联特征进行整合，得到所述第一业务数据样本对应的参考数据特征。
176.在一实施例中，所述训练单元，可以包括：
177.分布拟合子单元，用于利用所述待训练测试场景构建模型对所述第一业务数据样本进行分布拟合，得到所述第一业务数据样本对应的数据分布；
178.参数生成子单元，用于利用所述待训练测试场景构建模型基于所述数据分布，生成训练测试参数；
179.特征分析子单元，用于对所述训练测试参数进行特征分析，得到所述训练测试参数对应的数据特征；
180.调整子单元，用于基于所述训练测试参数对应的数据特征和所述第一业务数据样本对应的参考数据特征对所述待训练测试场景构建模型进行调整，得到所述初始测试场景构建模型。
181.在一实施例中，所述调整子单元，可以包括：
182.特征损失计算模块，用于计算训练测试参数对应的数据特征和所述第一业务数据样本对应的参考数据特征之间的特征损失；
183.信息获取模块，用于获取针对所述训练测试参数的专家反馈信息；
184.专家反馈损失计算模块，用于将所述专家反馈信息转换为专家反馈损失；
185.融合模块，用于将所述特征损失和所述专家反馈损失进行融合，得到目标损失；
186.调整模块，用于利用所述目标损失对所述待训练测试场景构建模型进行调整，得到所述初始测试场景构建模型。
187.在一实施例中，所述更新单元，可以包括：
188.关联处理子单元，用于将不同业务场景下业务数据的参考数据分布和所述业务数据对应的区块标识进行关联处理，得到分布映射关系；
189.嵌入子单元，用于将所述分布映射关系嵌入所述初始测试场景构建模型，得到所
述预设测试场景构建模型。
190.具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
191.通过上述的基于区块链的自动化测试装置可以提高测试的可靠性。
192.本技术实施例还提供一种计算机设备，该计算机设备可以包括计算机设备或服务器，比如，计算机设备可以作为基于区块链的自动化测试计算机设备，该基于区块链的自动化测试计算机设备可以为智能电视等等；又比如计算机设备可以为服务器，如基于区块链的自动化测试服务器等。如图5所示，其示出了本技术实施例所涉及的计算机设备的结构示意图，具体来讲：
193.该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图5中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
194.处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户页面和应用程序等，调制解调处理器主要处理无线通讯。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
195.存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及基于区块链的自动化测试。存储器402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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
196.计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
197.该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
198.尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
199.识别目标测试场景的业务数据在区块链中对应的区块标识；
200.利用预设测试场景构建模型基于所述区块标识构建所述目标测试场景对应的测试参数；
201.根据所述区块标识确定所述目标测试场景的测试参数对应的校验逻辑；
202.基于所述校验逻辑对所述目标测试场景对应的测试参数进行校验，得到校验结果。
203.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
204.根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中各种可选实现方式中提供的方法。
205.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
206.为此，本技术实施例还提供一种存储介质，其中存储有计算机程序，该计算机程序能够被处理器进行加载，以执行本技术实施例所提供的任一种基于区块链的自动化测试方法中的步骤。例如，该计算机程序可以执行如下步骤：
207.识别目标测试场景的业务数据在区块链中对应的区块标识；
208.利用预设测试场景构建模型基于所述区块标识构建所述目标测试场景对应的测试参数；
209.根据所述区块标识确定所述目标测试场景的测试参数对应的校验逻辑；
210.基于所述校验逻辑对所述目标测试场景对应的测试参数进行校验，得到校验结果。
211.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
212.由于该存储介质中所存储的计算机程序，可以执行本技术实施例所提供的任一种基于区块链的自动化测试方法中的步骤，因此，可以实现本技术实施例所提供的任一种基于区块链的自动化测试方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
213.以上对本技术实施例所提供的一种基于区块链的自动化测试方法、装置和存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。