测试缺陷归属预测方法及装置与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及计算机应用技术领域，尤其涉及一种测试缺陷归属预测方法及装置。背景技术：2.在银行测试任务过程中，通过对系统进行全面测试，从而发现更多的缺陷，并有效解决这些缺陷。但是，当面临需求量大、功能点多的复杂项目时，测试难度和复杂度也会随之提升，且存在缺陷的功能模块占总的功能模块的数量比例较小，在测试实施过程中，需要投入大量的人力和时间精力设计案例，测试阶段的人力资源也难以保障，测试质量更难以保证。3.由此可知，亟需一种提前预测缺陷可能存在的模块或缺陷归属的产品的方法。技术实现要素：4.有鉴于此，本发明实施例提供一种测试缺陷归属预测方法及装置，以实现提前发现缺陷和提高测试效率的目的。5.为实现上述目的，本发明实施例提供如下技术方案：6.本发明实施例第一方面公开了一种测试缺陷归属预测方法，所述方法包括：7.获取待实施任务的案例数据；8.将所述待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果；9.可视化展示所述预测结果，得到可视化预测结果；10.将所述可视化预测结果推送至所述待实施任务的相关干系人。11.可选的，所述预先建立预测模型的过程，包括：12.获取n个历史批次任务中的m个缺陷案例实例的历史缺陷数据，所述n和所述m均为正整数，所述历史缺陷数据包括缺陷和所述缺陷的相关信息，所述缺陷的相关信息包括缺陷案例、缺陷类别、缺陷原因和缺陷归属产品；13.对由m个所述历史缺陷数据构成的数据集进行初始化，得到初始化后的数据集；14.基于所述初始化后的数据集，构建缺陷知识图谱；15.基于所述缺陷知识图谱和图神经网络算法，对初始预测模型进行训练，得到预测模型。16.可选的，所述基于所述初始化后的数据集，构建缺陷知识图谱，包括：17.分析所述初始化后的数据集，挖掘所述缺陷的相关信息及所述缺陷之间的关系；18.基于所述缺陷的相关信息及所述缺陷之间的关系，构建缺陷知识图谱。19.可选的，所述将所述待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果，包括：20.将所述待实施任务的案例数据输入至预先建立的预测模型；21.利用训练好的预测模型，对所述待实施任务的案例数据进行缺陷归属的倾向性的预测，得到预测结果。22.可选的，所述可视化展示所述预测结果，得到可视化预测结果，包括：23.利用可视化技术，可视化展示所述预测结果，得到可视化预测结果。24.可选的，所述将所述可视化预测结果推送至所述待实施任务的相关干系人，包括：25.通过应用程序编程api接口对接测试管理系统，将所述可视化预测结果以邮件形式推送至所述待实施任务的相关干系人。26.本发明实施例第二方面公开了一种测试缺陷归属预测装置，所述装置包括：27.获取模块，用于获取待实施任务的案例数据；28.预测模块，用于将所述待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果；29.可视化模块，用于可视化展示所述预测结果，得到可视化预测结果；30.推送模块，用于将所述可视化预测结果推送至所述待实施任务的相关干系人。31.可选的，还包括：预建立模块，用于预先建立预测模型；32.所述预建立模块，包括：33.获取单元，用于获取n个历史批次任务中的m个缺陷案例实例的历史缺陷数据，所述n和所述m均为正整数，所述历史缺陷数据包括缺陷和所述缺陷的相关信息，所述缺陷的相关信息包括缺陷案例、缺陷类别、缺陷原因和缺陷归属；34.初始化单元，用于对由m个所述历史缺陷数据构成的数据集进行初始化，得到初始化后的数据集；35.构建单元，用于基于所述初始化后的数据集，构建缺陷知识图谱；36.训练单元，用于基于所述缺陷知识图谱和图神经网络算法，对初始预测模型进行训练，得到预测模型。37.可选的，所述构建单元，具体用于：38.分析所述初始化后的数据集，挖掘所述缺陷的相关信息及所述缺陷之间的关系；基于所述缺陷的相关信息及所述缺陷之间的关系，构建缺陷知识图谱。39.可选的，所述预测模块，包括：40.输入单元，用于将所述待实施任务的案例数据输入至预先建立的预测模型；41.预测单元，用于利用训练好的预测模型，对所述待实施任务的案例数据进行缺陷归属的倾向性的预测，得到测试结果。42.基于上述本发明实施例提供的一种测试缺陷归属预测方法及装置，所述方法包括：获取待实施任务的案例数据；将所述待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果；可视化展示所述预测结果，得到可视化预测结果；将所述可视化预测结果推送至所述待实施任务的相关干系人。在本方案中，将获取的待实施任务的案例数据输入至预测模型，利用预测模型进行缺陷归属预测，可视化展示得到的预测结果，并推送最终得到的可视化预测结果，从而能够提前发现缺陷，提高测试效率。附图说明43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。44.图1为本发明实施例提供的一种测试缺陷归属预测方法的流程示意图；45.图2为本发明实施例提供的一种预先建立预测模型的流程示意图；46.图3为本发明实施例提供的一种构建缺陷知识图谱的流程示意图；47.图4为本发明实施例提供的一种缺陷归属预测的流程示意图；48.图5为本发明实施例提供的一种测试缺陷归属预测的原理框图；49.图6为本发明实施例提供的一种测试缺陷归属预测装置的结构示意图。具体实施方式50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。51.在本技术中，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。52.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。53.本发明提供的测试缺陷归属预测方法及装置可用于金融领域或其他领域，例如，可用于金融领域中的测试缺陷应用场景。其他领域为除金融领域之外的任意领域，例如，缺陷识别领域。上述仅为示例，并不对本发明提供的测试缺陷归属预测方法及装置的应用领域进行限定。54.由背景技术可知，现有的测试缺陷方式不能提前预测缺陷可能存在的模块或缺陷归属的产品。55.因此，本发明实施例提供一种测试缺陷归属预测方法及装置，在本方案中，将获取的待实施任务的案例数据输入至预测模型，利用预测模型进行缺陷归属预测，可视化展示得到的预测结果，并推送最终得到的可视化预测结果，从而能够提前发现缺陷，提高测试效率。56.如图1所示，为本发明实施例提供的一种测试缺陷归属预测方法的流程示意图。57.该测试缺陷归属预测方法主要包括以下步骤：58.步骤s101：获取待实施任务的案例数据。59.在本发明实施例中，待实施任务即为即将实施的任务。60.在具体实现步骤s101的过程中，在进行测试任务时，需要相关测试任务的案例数据作为支撑，因此，在进行测试任务之前，需要获取案例数据，即获取待实施任务的案例数据。61.步骤s102：将待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果。62.在具体实现步骤s102的过程中，预先建立预测模型，将待实施任务的案例数据作为预测模型的输入输入至预测模型，利用预测模型进行缺陷归属预测，得到预测结果。63.可选的，执行步骤s102将待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果的过程，如图2所示，为本发明实施例提供的一种预先建立预测模型的流程示意图，主要包括以下步骤：64.步骤s201：获取n个历史批次任务中的m个缺陷案例实例的历史缺陷数据。65.在步骤s201中，n和m均为正整数。66.历史缺陷数据包括缺陷和缺陷的相关信息。67.缺陷的相关信息包括但不限于缺陷案例、缺陷类别、缺陷原因和缺陷归属产品。68.在具体实现步骤s201的过程中，从n个历史批次任务中获取m个缺陷案例实例的历史缺陷数据。69.例如，从20个历史批次任务中获取15个缺陷案例实例的历史缺陷数据。70.又例如，从100个历史批次任务中获取80个缺陷案例实例的历史缺陷数据。71.步骤s202：对由m个历史缺陷数据构成的数据集进行初始化，得到初始化后的数据集。72.在本发明实施例中，数据集即为训练数据集。73.可以理解的是，训练数据集是由n个批次任务中的m个缺陷案例实例构成的。74.在具体实现步骤s202的过程中，将获取的m个历史缺陷数据构成数据集，对数据集进行初始化，得到初始化后的数据集，或者说，将获取的m个历史缺陷数据构成训练数据集，对训练数据集进行初始化，得到初始化后的训练数据集。75.步骤s203：基于初始化后的数据集，构建缺陷知识图谱。76.可选的，执行步骤s203基于初始化后的数据集，构建缺陷知识图谱的过程，如图3所示，为本发明实施例提供的一种构建缺陷知识图谱的流程示意图，主要包括以下步骤：77.步骤s301：分析初始化后的数据集，挖掘缺陷的相关信息及缺陷之间的关系。78.在具体实现步骤s301的过程中，对初始化后的数据集进行分析，得到分析结果，基于分析结果，挖掘各个缺陷及缺陷的相关信息之间的关联关系。79.可以理解的是，分析历史缺陷数据，挖掘出各个缺陷及缺陷的相关信息之间的关联关系。80.步骤s302：基于缺陷的相关信息及缺陷之间的关系，构建缺陷知识图谱。81.在具体实现步骤s302的过程中，基于挖掘出的各个缺陷及缺陷的相关信息之间的关联关系，构建缺陷知识图谱。82.步骤s204：基于缺陷知识图谱和图神经网络算法，对初始预测模型进行训练，得到预测模型。83.需要说明的是，图神经网络算法包括但不限于图卷积网络(graph convolutionalnetwork，gcn)。84.在具体实现步骤s204的过程中，基于缺陷知识图谱和图神经网络算法，也就是说，在缺陷知识图谱的基础上，融合图神经网络算法，对初始预测模型进行模型训练，训练处预测模型，即得到预测模型。85.可选的，执行步骤s102将待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果的过程，如图4所示，为本发明实施例提供的一种缺陷归属预测的流程示意图，主要包括以下步骤：86.步骤s401：将待实施任务的案例数据输入至预先建立的预测模型。87.在具体实现步骤s401的过程中，基于上述建立的预测模型，将待实施任务的案例数据作为预测模型的输入输入至预测模型。88.步骤s402：利用训练好的预测模型，对待实施任务的案例数据进行缺陷归属的倾向性的预测，得到预测结果。89.在具体实现步骤s402的过程中，利用训练好的预测模型，对输入的待实施任务的案例数据进行预测，也就是对缺陷归属的倾向性进行预测，得到预测结果。90.可以理解的是，以即将实施的任务的案例作为数据集，输入预测模型，利用训练好的预测模型进行预测，从而对缺陷归属的倾向性进行预测。91.步骤s103：可视化展示预测结果，得到可视化预测结果。92.可选的，在一具体实施例中，利用可视化技术，可视化展示预测结果，得到可视化预测结果。93.需要说明的是，可视化技术包括但不限于商业智能(business intelligence，bi)。94.步骤s104：将可视化预测结果推送至待实施任务的相关干系人。95.在具体实现步骤s104的过程中，确定待实施任务的相关干系人，将可视化预测结果推送至待实施任务的相关干系人。96.需要说明的是，待实施任务的相关干系人包括但不限于开发人员和测试经理。97.可选的，在一具体实施例中，通过api(应用程序编程，application programming interface)接口对接测试管理系统，将可视化预测结果以邮件形式推送至待实施任务的相关干系人。98.基于上述说明内容，可以理解的是，通过对历史批次任务的缺陷数据信息(缺陷案例、缺陷类别、缺陷原因、缺陷归属产品等信息)进行挖掘和分析，建立关联，构建缺陷知识图谱，并以缺陷知识图谱作为基础信息训练出图神经网络模型，通过对模型的训练可以得到实体之间的关联度，从而对后续测试任务中可能出现的缺陷以及缺陷归属的模块或产品进行预测，并及时通知测试任务的相关人员(如开发人员、测试经理)，相关人员收到通知后可查询其可视化的预测结果。99.通过上述的测试缺陷归属预测方法，有助于指导测试经理在测试任务实施过程中有效调整测试资源的分配，优先关注存在缺陷的模块；有助于测试工程师对缺陷模块提前进行充分的分析和案例补充，并在测试过程中重点关注，同时减少对无缺陷模块的不必要测试，从而在较短的时间可以测试出更多的缺陷功能模块；有助于开发人员及时对相关模块代码进行加固走查，提前发现缺陷并及时修复。最终，提高测试效率，同时保障产品系统质量。100.基于本发明实施例提供的一种测试缺陷归属预测方法，通过获取待实施任务的案例数据；将待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果；可视化展示预测结果，得到可视化预测结果；将可视化预测结果推送至待实施任务的相关干系人。在本方案中，将获取的待实施任务的案例数据输入至预测模型，利用预测模型进行缺陷归属预测，可视化展示得到的预测结果，并推送最终得到的可视化预测结果，从而能够提前发现缺陷，提高测试效率。101.为了更好地理解上述说明内容，如图5所示，为本发明实施例提供的一种测试缺陷归属预测的原理框图。102.在图5中，在模型构建阶段中，在批次任务中获取历史数据，将由历史数据构成的数据集进行初始化，得到初始化后的数据集，基于初始化后的数据集，构建缺陷知识图谱，基于缺陷知识图谱和图神经网络算法，对初始预测模型进行训练，得到预测模型。103.在模型应用阶段中，获取实施任务的案例数据，将实施任务的案例数据输入至预测模型进行缺陷归属预测，得到预测结果，可视化展示预测结果，得到可视化预测结果，将可视化预测结果推送至待实施任务的相关干系人，即进行消息通知。104.基于本发明实施例提供的一种测试缺陷归属预测方法，通过获取待实施任务的案例数据；将待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果；可视化展示预测结果，得到可视化预测结果；将可视化预测结果推送至待实施任务的相关干系人。在本方案中，将获取的待实施任务的案例数据输入至预测模型，利用预测模型进行缺陷归属预测，可视化展示得到的预测结果，并推送最终得到的可视化预测结果，从而能够提前发现缺陷，提高测试效率。105.与上述本发明实施例示出的一种测试缺陷归属预测方法相对应，本发明实施例还对应提供了一种测试缺陷归属预测装置，如图6所示，该测试缺陷归属预测装置包括：获取模块61、预测模块62、可视化模块63和推送模块64。106.获取模块61，用于获取待实施任务的案例数据。107.预测模块62，用于将待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果。108.可视化模块63，用于可视化展示预测结果，得到可视化预测结果。109.推送模块64，用于将可视化预测结果推送至待实施任务的相关干系人。110.可选的，基于上述图6示出的测试缺陷归属预测装置，结合图6，该测试缺陷归属预测装置还进一步设置了预建立模块，用于预先建立预测模型。111.所述预建立模块，包括：112.获取单元，用于获取n个历史批次任务中的m个缺陷案例实例的历史缺陷数据。113.其中，n和m均为正整数，历史缺陷数据包括缺陷和缺陷的相关信息，缺陷的相关信息包括缺陷案例、缺陷类别、缺陷原因和缺陷归属。114.初始化单元，用于对由m个历史缺陷数据构成的数据集进行初始化，得到初始化后的数据集。115.构建单元，用于基于初始化后的数据集，构建缺陷知识图谱。116.训练单元，用于基于缺陷知识图谱和图神经网络算法，对初始预测模型进行训练，得到预测模型。117.可选的，基于上述图6示出的预建立模块，所述构建单元，具体用于：118.分析初始化后的数据集，挖掘缺陷的相关信息及缺陷之间的关系；基于缺陷的相关信息及缺陷之间的关系，构建缺陷知识图谱。119.可选的，基于上述图6示出的预测模块62，所述预测模块62，包括：120.输入单元，用于将待实施任务的案例数据输入至预先建立的预测模型。121.预测单元，用于利用训练好的预测模型，对待实施任务的案例数据进行缺陷归属的倾向性的预测，得到测试结果。122.可选的，基于上述图6示出的可视化模块63，所述可视化模块63，具体用于：123.利用可视化技术，可视化展示预测结果，得到可视化预测结果。124.可选的，基于上述图6示出的推送模块64，所述推送模块64，具体用于：125.通过应用程序编程api接口对接测试管理系统，将可视化预测结果以邮件形式推送至待实施任务的相关干系人。126.需要说明的是，上述本发明实施例公开的测试缺陷归属预测装置中的各个模块具体的原理和执行过程，与上述本发明实施测试缺陷归属预测方法相同，可参见上述本发明实施例公开的测试缺陷归属预测方法中相应的部分，这里不再进行赘述。127.基于本发明实施例提供的一种测试缺陷归属预测装置，通过获取待实施任务的案例数据；将待实施任务的案例数据输入至预先建立的预测模型进行缺陷归属预测，得到预测结果；可视化展示预测结果，得到可视化预测结果；将可视化预测结果推送至待实施任务的相关干系人。在本方案中，将获取的待实施任务的案例数据输入至预测模型，利用预测模型进行缺陷归属预测，可视化展示得到的预测结果，并推送最终得到的可视化预测结果，从而能够提前发现缺陷，提高测试效率。128.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。129.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。130.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!