基于Bert的测试用例复用方法研究

测试用例设计是软件测试的核心环节,占用了软件测试的大部分时间。以最小的人力与时间成本完成测试用例设计是测试人员追求的目标,测试用例复用是提升测试用例设计效率与质量、减少测试周期的重要方法。现有的软件测试用例复用研究主要基于关键词检索与形式化建模,在面临大量测试数据时,复用的效率与质量都有较大程度降低,难以满足测试人员的需求。提出基于Bert语言模型的测试用例复用方法,设计测试文本相似度计算方法,实现测试过程中的用例复用。实验表明,相比于传统的用例设计方法,此方法测试用例推荐准确率达60%,测试用例设计效率提高70%,证实了该方法的有效性。

典型测试用例推荐与用例期望结果生成系统

测试领域在对公司产品质量的把控中至关重要,但不同测试人员在面向同一个测试产品时,会由于测试人员本身缺少经验以及对产品功能的不熟悉,导致测试不具备系统性和全面性;同时测试团队在长时间针对公司相关业务产品,或者开发人员在系统联试过程中,会形成大量具有典型意义的测试用例;但目前传统的做法并没有将该具有价值的测试用例深度分析;只是形成相关文档后汇总,就将该数据尘封;因此文章以典型测试用例为数据,以知识图谱为展现形式与存储形式,Bert实体提取为技术基础的推荐系统;根据用户输入,推荐出相关的典型测试用例;同时在某些行业,测试人员在实际工作业务中,需要花费大量时间对测试用例的输入和期望结果进行描述,形成正式文档用于保存记录;该系统可实现根据用例输入自动生成对应的期望结果,以提升测试人员的工作效率。

面向儿科医学试题的答案解析自动推荐方法研究

目的/意义探索并实现儿科医学试题答案的自动化解析,提高试题答案解析编撰效率与质量。方法/过程提出一种隐性语义索引、MC-BERT和CoSENT模型相结合的方法。首先使用基于隐性语义索引的方法和MC-BERT模型从参考文档中抽取多个候选答案解析,然后利用CoSENT模型计算候选解析、试题题干和答案选项之间的相似度,选取相似度最高的候选解析作为最终答案解析。结果/结论该方法答案解析精确率达到72.6%,相较单一方法或模型明显提高查全率和精确率,有效提高了编撰试题答案解析的效率,减轻教育工作者负担,并可为教育研究提供重要的数据支持。

基于知识图谱的二次设备测试自动配置方法

随着智能变电站的发展,二次设备更新换代频繁且智能化程度不断提升,以往采用手动测试配置的方法已难以满足工作需求。提出一种基于知识图谱的二次设备自动配置方法。首先,模拟常规测试核心流程,构建基于测试任务的信息点、基于设备厂家的信息点检索路径以及基于测试配置信息类型的命名实体知识三类知识图谱。然后,根据测试设备及测试功能,利用所构建的知识图谱检索需配置信息点,确定设备厂家并基于子图匹配信息路径。采用改进的BERT模型计算配置信息点与描述文本之间的相似性,从而完成映射配置。此外,还加入了端口地址配置数据字符串校验。实验仿真结果表明,基于知识图谱的二次设备测试自动配置方法合理有效,并具有极高的准确性。

Aeroflex Fastbit误码率分析仪——无线数字通讯测试设备

本文通过误码率测试所面临的问题,详细描述了当今测试的需求和阐述了Fastbit FB100A误码率测试仪和FB200A噪声发生器、以及通道干扰模拟器作为测试测量仪器的性能。

基于依赖模型的REST接口测试用例生成方法研究

REST接口中普遍存在依赖关系,导致生成合理的接口调用序列与输入参数变得十分困难。现有的大多数方法只考虑了其中一种依赖关系,并需要人工执行繁杂的前置操作,生成的测试用例有效性仍然较低。针对以上问题,文中提出了一种基于依赖模型的测试用例生成方法。通过解析OpenAPI文档,该方法提取了接口内的操作间依赖关系与参数间依赖关系,并据此建立了两种依赖模型,从模型生成测试用例,最后从3方面确定测试预言。实验结果表明,该方法的输入度量覆盖率达到了100%,状态码类别、状态码、响应资源类型的覆盖率分别达到了100%,91.67%,83.33%,并能在限定时间内检出接口内部缺陷;与RESTler和RESTest相比,该方法的输出度量覆盖率最大提高了36%,触发了最多次的异常响应状态码,检测到接口异常响应的比例最大提高了10%。该方法为REST接口的测试用例生成问题提供了有价值的参考。

基于命名实体识别的试题自动分割方法

试题分割的准确性直接影响着试题库建设的质量。受限于试题文档的类型和编写规范,当前试题自动分割方法在复杂类型和包含富文本信息的试题文档上的准确率仍有待提高。通过将试题中的标题、题号、选项号、答案、解析等关键词抽象为实体,提出了一种基于命名实体识别的试题自动分割方法。将标注的实体作为分割点,实现试题的自动拆分。自建试题语料作为训练数据,并设定了文档预处理规则,对试题中的图表、字体样式等关键信息进行特定标记。构建了多个实体识别模型进行实验,结果表明:基于BERT+双向长短时记忆(Bi-LSTM)+条件随机场(CRF)的实体识别模型F1值相对于Bi-LSTM+CRF模型和CRF模型分别提升了3.31%和13.17%。