赞
踩
目录
1)目前自动化测试用例维护成本极高且维护人员缺乏维护“兴趣”;
2)现有自动化数据生成方案,数据质量和量级难以均衡保障;
3)公司内部测试提效平台繁多,缺乏核心部件测试数据,没有测试数据就无法很好的接入使用各类提效平台。
例子:根据天气情况预测是否可以打球
数据集:机器学习使用的数据集合被称为“数据集”
样本:数据集中的每一个数据
特征:像气象信息中的天气、温度、湿度这些数据
标签:“是否可以打球”就是机器学习根据当天数据做的一个概括性结论
模型:获得基于天气特征来判断是否适合打球的“理论依据”
学习/训练:从数据集中“学得”模型的过程
训练数据集:训练中使用的数据集
测试数据集:有了模型后需要评估模型的好坏和准确性,将模型应用到另一批有标签的数据上,通过训练的出结果,这批带标签的数据集就是测试数据集
1)通过平台可以产出基于最小集合且符合目标覆盖率的接口测试数据;
2)产出数据支持多样化存储、调用;
3)结合流量回放机制,补充完善自动化接口测试用例;
4)引入机器学习方法,尝试在测试提效中落地;
5)全面用于接口冒烟测试、回归测试。
平台整体开发可分三个阶段进行:http接口自动生成开发、RPC接口自动生成开发、接口录制功能开发。
核心系统功能可分为:原始数据获取模块、数据构造模块、预执行模块、覆盖率反馈调整模块、预测模型。
预选方案有三种,分别是:
结论:由于方案3前后端均使用react编写,在此基础上复用学习成本高且考虑后期功能扩展不易改动所以选择方案2。
平台输入(参考api管理平台)落库:
提供目标覆盖率设置功能,通过预执行模块将生成的接口输入数据发送至目标系统,利用动态覆盖率统计得出实时覆盖率,对比覆盖率结果是否满足预设覆盖率目标,如果不满足则调整构造数据算法重的n元素对偶生成(2~n逐级上调),每次调整生成数据量级后随之增加,相应接口覆盖率也会增加。按照数据生成 -- 请求反馈覆盖率 -- 数据生成元素纬度调整形成闭环,当满足目标覆盖率后,停止元素纬度增加,即得出满足目标覆盖率的最小数据集。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。