[发明专利]测试用例评分模型训练方法和测试用例选择方法

说明书

本发明公开了一种测试用例评分模型训练方法和测试用例选择方法，测试用例评分模型训练方法包括：确定用于软件测试的多个历史测试用例；根据所述历史测试用例生成训练样本，所述训练样本包括历史测试用例的特征信息和历史测试用例的缺陷发现率；根据所述训练样本，联合其它参与方，基于横向联邦学习进行模型训练，最终得到的测试用例评分模型，用于根据多个备选测试用例的特征信息预测对应的缺陷发现率，以根据预测得到的缺陷发现率从多个备选测试用例中选择实际测试用例。通过联合多个参与方实现基于大量样本数据对模型进行训练，可用于对测试用例的缺陷发现率进行预测，对测试用例的选择提供有效参考，提高测试用例选择效率并提高软件测试效率。

技术领域

本发明涉及计算机领域，尤其涉及一种测试用例评分模型训练方法和测试用例选择方法。

背景技术

智能设备普及，设备所搭载的软件种类和数量也越来越多。在软件发布之前，需要对软件的各项功能进行测试，这就要用到测试用例。测试用例(Test Case)是指对一项特定的软件产品进行测试任务的描述，体现测试方案、方法、技术和策略。其内容包括测试目标、测试环境、输入数据、测试步骤、预期结果、测试脚本等，最终形成文档。

随着软件功能增多，所需要的测试用例也越来越多。受到发布时间的限制，可能没有足够的时间执行所有用例。这就需要从众多测试用例中挑选出部分测试用例执行，以尽可能高效地进行软件测试。

而对于一个没有足够测试经验的项目而言，只能凭借测试人员的经验进行测试用例的挑选。这样挑选的测试用例不一定适用于当前的项目，导致测试用例选择效率较低，软件测试效率较低。

发明内容

本发明的主要目的在于提供一种测试用例评分模型训练方法和测试用例选择方法，以基于大量测试数据训练测试用例评分模型，并实现测试用例的自动选择，提高测试用例选择效率和软件测试效率。

为实现上述目的，第一方面，本发明提供一种测试用例评分模型训练方法，包括：

确定用于软件测试的多个历史测试用例；

根据所述历史测试用例生成训练样本，所述训练样本包括历史测试用例的特征信息和历史测试用例的缺陷发现率；

根据所述训练样本，联合其它参与方，基于横向联邦学习进行模型训练，最终得到的测试用例评分模型，用于根据多个备选测试用例的特征信息预测对应的缺陷发现率，以根据预测得到的缺陷发现率从多个备选测试用例中选择实际测试用例。

可选的，所述根据所述训练样本，联合其它参与方，基于横向联邦学习进行模型训练，包括：

从服务器获取初始的测试用例评分模型参数；

利用所述训练样本进行模型训练，得到损失函数梯度；

将所述损失函数梯度发送到服务器，以使服务器对各参与方发送的损失函数梯度进行聚合、更新；

接收服务器发送的更新后的损失函数梯度；

基于所述更新后的损失函数梯度继续进行模型训练，迭代直至损失函数收敛，得到训练好的测试用例评分模型。

可选的，所述历史测试用例的特征包括：软件形态、软件业务、用例类型、所属模块、用例状态、操作步骤是否涉及输入框、操作步骤是否涉及按钮、操作步骤是否涉及缩放、验证点是否包括页面显示、验证点是否包括数据库验证、验证点是否包括日志验证。

第二方面，本发明提供一种测试用例选择方法，包括：

获取多个备选测试用例；

基于训练好的测试用例评分模型，预测所述备选测试用例的缺陷发现率；所述测试用例评分模型是利用如第一方面所述的测试用例评分模型训练方法训练的；