本發(fā)明涉及軟件預(yù)測，更具體的說是涉及一種軟件測試預(yù)言智能化生成方法。

背景技術(shù)：

1、測試預(yù)言(test?oracle)是一種判斷待測程序在給定測試輸入下的執(zhí)行結(jié)果是否符合預(yù)期的機(jī)制和方法。在軟件測試中，測試預(yù)言的作用至關(guān)重要，測試預(yù)言的質(zhì)量直接影響測試活動有效性和軟件質(zhì)量。

2、現(xiàn)有測試預(yù)言生成方法主要分為基于軟件形式化規(guī)格說明或形式化模型(例如狀態(tài)機(jī)或時(shí)序邏輯規(guī)范等)的測試預(yù)言生成方法、基于各種軟件制品(例如軟件需求和設(shè)計(jì)文檔、軟件執(zhí)行屬性信息等)的測試預(yù)言生成方法、基于常識或隱含的知識生成測試預(yù)言這三類方法。第一類方法需要軟件開發(fā)人員或測試人員給出軟件的形式化規(guī)格說明，人工參與工作量較大，形式化規(guī)格說明缺乏以及程序行為描述不全面是該類方法面臨的嚴(yán)重挑戰(zhàn)。第二類研究克服了第一類研究面臨的挑戰(zhàn)，正在成為一個活躍的研究方向，主要研究包括基于規(guī)格說明或編程接口挖掘的方法、基于程序文檔的挖掘方法、蛻變測試、基于源碼的靜態(tài)和動態(tài)分析方法以及基于機(jī)器學(xué)習(xí)的方法等，該類測試預(yù)言的生成方法包括全自動的方法或人工輔助的半自動化方法，其中半自動化方法較多。第三類應(yīng)用領(lǐng)域較窄，僅針對特種類型或特定的應(yīng)用范圍的軟件。

3、目前雖然研究人員已提出了各種自動化測試輸入生成技術(shù),但還存在智能化程度低、難以自動驗(yàn)證測試結(jié)果等問題。

4、因此，如何提供一種智能化程度高、可以自動驗(yàn)證測試結(jié)果的測試預(yù)言智能化生成方法是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種軟件測試預(yù)言智能化生成方法，智能化程度高、可以自動驗(yàn)證測試結(jié)果。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種軟件測試預(yù)言智能化生成方法，包括：

4、s1：基于lstm網(wǎng)絡(luò)和自注意力機(jī)制構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)模型；

5、s2：基于被測軟件測試用例數(shù)據(jù)訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型；

6、s3：將待測軟件測試用例數(shù)據(jù)輸入至訓(xùn)練后的循環(huán)神經(jīng)網(wǎng)絡(luò)模型中，輸出預(yù)言信息。

7、優(yōu)選的，基于lstm網(wǎng)絡(luò)和自注意力機(jī)制構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)模型，具體包括：

8、1)輸入層：將被測軟件測試用例數(shù)據(jù)，通過多元回歸分析進(jìn)行指標(biāo)篩選,再將數(shù)據(jù)通過輸入層輸入到模型中，設(shè)輸入數(shù)據(jù)長度為i,輸入向量x＝[x1,x2,x3,…,xi]t；

9、2)lstm網(wǎng)絡(luò)層：經(jīng)過多元回歸分析篩選指標(biāo)后的數(shù)據(jù)輸入至lstm網(wǎng)絡(luò)層，經(jīng)過內(nèi)部激活函數(shù)進(jìn)行非線性變換從而學(xué)習(xí)不同指標(biāo)間關(guān)系，采用兩層lstm網(wǎng)絡(luò)結(jié)構(gòu)，輸出向量為a＝[a1,a2,a3,…,ai]t；

10、3)自注意力機(jī)制層：自注意力機(jī)制層的輸入為lstm網(wǎng)絡(luò)層的輸出向量a，基于輸出向量a計(jì)算query值、key值和value值，并求和得到自注意力層的輸出向量b：

11、qi＝wqai

12、ki＝wkai

13、vi＝wvai

14、

15、其中，wq、wk、wv是可學(xué)習(xí)的參數(shù)，dk為輸入特征維度，a1,a2,a3,…,ai是輸入的特征值；

16、4)輸出層：將自注意力層的輸出向量b作為輸出層的輸入向量,輸出層通過全連接層得到預(yù)測值y＝[y1,y2,y3,…,yi]t。

17、優(yōu)選的，基于被測軟件測試用例數(shù)據(jù)訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型，具體包括：

18、步驟2.1：將被測軟件歷史測試用例庫里的測試用例數(shù)據(jù)作為訓(xùn)練樣本，對循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

19、步驟2.2：lstm網(wǎng)絡(luò)訓(xùn)練算法采用反向傳播算法，前向計(jì)算每個神經(jīng)元的輸出值；

20、步驟2.3：反向計(jì)算每個神經(jīng)元的誤差項(xiàng)值，lstm誤差項(xiàng)的反向傳播包括兩個方向，即沿時(shí)間的反向傳播，從當(dāng)前t時(shí)刻開始，計(jì)算每個時(shí)刻的誤差項(xiàng)，另一個是將誤差項(xiàng)向上一層傳播；

21、步驟2.4：根據(jù)相應(yīng)的誤差項(xiàng)計(jì)算每個權(quán)重的梯度；

22、步驟2.5：若達(dá)到設(shè)定的訓(xùn)練目標(biāo)，包括迭代次數(shù)和誤差精度，結(jié)束訓(xùn)練，否則，繼續(xù)訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)。

23、優(yōu)選的，還包括：

24、s4：將輸出的預(yù)言信息與實(shí)際預(yù)期值進(jìn)行比較，若誤差小于設(shè)定的誤差精度，則判定當(dāng)前測試軟件通過，否則判定當(dāng)前測試軟件失敗。

25、優(yōu)選的，在數(shù)據(jù)輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)模型前進(jìn)行預(yù)處理，具體包括：

26、將待測軟件中非數(shù)值型數(shù)據(jù)轉(zhuǎn)換為數(shù)值型數(shù)據(jù)。

27、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種軟件測試預(yù)言智能化生成方法，采用深度學(xué)習(xí)方法進(jìn)一步提高測試預(yù)言生成的準(zhǔn)確性，提升軟件測試效率和智能化水平，解決了現(xiàn)有測試技術(shù)難以自動驗(yàn)證測試結(jié)果的問題，實(shí)現(xiàn)軟件智能化測試驗(yàn)證。

技術(shù)特征：

1.一種軟件測試預(yù)言智能化生成方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種軟件測試預(yù)言智能化生成方法，其特征在于，基于lstm網(wǎng)絡(luò)和自注意力機(jī)制構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)模型，具體包括：

3.根據(jù)權(quán)利要求1所述的一種軟件測試預(yù)言智能化生成方法，其特征在于，基于被測軟件測試用例數(shù)據(jù)訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型，具體包括：

4.根據(jù)權(quán)利要求1所述的一種軟件測試預(yù)言智能化生成方法，其特征在于，還包括：

5.根據(jù)權(quán)利要求1所述的一種軟件測試預(yù)言智能化生成方法，其特征在于，在數(shù)據(jù)輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)模型前進(jìn)行預(yù)處理，具體包括：

技術(shù)總結(jié)
本發(fā)明公開了一種軟件測試預(yù)言智能化生成方法，包括：S1：基于LSTM網(wǎng)絡(luò)和自注意力機(jī)制構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)模型；S2：基于被測軟件測試用例數(shù)據(jù)訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型；S3：將待測軟件測試用例數(shù)據(jù)輸入至訓(xùn)練后的循環(huán)神經(jīng)網(wǎng)絡(luò)模型中，輸出預(yù)言信息；S4：將輸出的預(yù)言信息與實(shí)際預(yù)期值進(jìn)行比較，若誤差小于設(shè)定的誤差精度，則判定當(dāng)前測試軟件通過，否則判定當(dāng)前測試軟件失敗。采用深度學(xué)習(xí)方法進(jìn)一步提高測試預(yù)言生成的準(zhǔn)確性，提升軟件測試效率和智能化水平，解決了現(xiàn)有測試技術(shù)難以自動驗(yàn)證測試結(jié)果的問題，實(shí)現(xiàn)軟件智能化測試驗(yàn)證。

技術(shù)研發(fā)人員：王栓奇,宇航,劉釗,張?jiān)婎?曹瑞臣
受保護(hù)的技術(shù)使用者：中國兵器工業(yè)信息中心
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19