[发明专利]精准测试方法、装置、设备及存储介质

说明书

本申请涉及人工智能技术领域，揭示了一种精准测试方法、装置、设备及存储介质，其中方法包括：精准测试请求携带有待测应用版本标识和目标基准应用版本标识；根据目标基准应用版本标识在测试用例编码预测模型库中确定目标测试用例编码预测模型；根据代码库、待测应用版本标识、目标基准应用版本标识和目标测试用例编码预测模型确定目标测试用例编码数据集；根据目标测试用例编码数据集和测试用例库的映射列表确定目标测试用例标识集；根据目标测试用例标识集、测试用例库的测试用例集、代码库、目标基准应用版本标识和待测应用版本标识确定精准测试结果。弥补了采用动态分析和静态分析两种思路来获取测试用例和代码之间映射关系的弊端。

技术领域

本申请涉及到人工智能技术领域，特别是涉及到一种精准测试方法、装置、设备及存储介质。

背景技术

精准测试是采用专业的测试手段和方法，对测试过程中的原生数据进行自动采集、存储、运算和可视化展示，对被测对象进行精确的分析、改进和优化，提高了测试效率。而且精准测试在测试用例完备的基础上，将测试用例和代码建立映射关系，基于映射关系完成数据处理，用于冒烟和回归阶段快速地评估出代码改动的影响范围，根据影响范围查找出相应的测试用例，减少了测试成本，提高了测试效率。

传统的精准测试，一般采用动态分析和静态分析两种思路来获取测试用例和代码之间映射关系。动态分析采用代码覆盖率工具，在执行测试用例时记录经过的内部方法生成对应的代码覆盖率文件，通过分析代码覆盖率文件获取测试用例和代码之间的映射关系。动态分析方法依赖于代码覆盖率工具，某些开发语言的代码覆盖率工具不完善或不存在，一些代码覆盖率工具存在性能问题且服务的重启和部署可能导致代码覆盖率文件的丢失。静态分析依靠字节码分析获取调用链的一系列父子节点，但字节码分析在多态方面存在天然短板，容易造成代码改动后需要测试的范围的缺失。

发明内容

本申请的主要目的为提供一种精准测试方法、装置、设备及存储介质，旨在解决现有技术的精准测试采用动态分析和静态分析两种思路来获取测试用例和代码之间映射关系，动态分析存在代码覆盖率工具不完善或不存在、存在可能导致代码覆盖率文件的丢失的问题，而静态分析存在字节码分析在多态方面存在天然短板，容易造成代码改动后需要测试的范围的缺失的技术问题。

为了实现上述发明目的，本申请提出一种精准测试方法，所述方法包括：

获取精准测试请求，所述精准测试请求携带有待测应用版本标识和目标基准应用版本标识；

获取测试用例编码预测模型库，根据所述目标基准应用版本标识在所述测试用例编码预测模型库中进行测试用例编码预测模型匹配，得到目标测试用例编码预测模型；

获取代码库，根据所述代码库、所述待测应用版本标识、所述目标基准应用版本标识和所述目标测试用例编码预测模型进行测试用例编码预测，得到目标测试用例编码数据集；

获取测试用例库，根据所述目标测试用例编码数据集和所述测试用例库的映射列表进行测试用例标识确定，得到目标测试用例标识集；

根据所述目标测试用例标识集、所述测试用例库的测试用例集、所述代码库、所述目标基准应用版本标识和所述待测应用版本标识进行精准测试，得到精准测试结果。

进一步的，所述获取测试用例编码预测模型库的步骤之前，还包括：

获取模型训练请求，所述模型训练请求携带有待训练的应用标识；

根据所述待训练的应用标识获取训练样本集，所述训练样本集中的训练样本包括：代码特征向量样本、测试用例编码标定数据；

采用预设的样本划分规则，对所述训练样本集进行划分，得到训练集和测试集；

采用所述训练集对初始模型进行训练，将训练后的所述初始模型作为待验证的模型，其中，所述初始模型是基于深度神经网络得到的模型；