软件免测的预测方法、装置、设备及存储介质制造方法及图纸

本公开涉及一种软件免测的预测方法、装置、设备及存储介质。所述方法包括：获取提测软件的特征信息；将所述提测软件的特征信息输入免测分类预测模型进行免测分类预测处理，获取所述提测软件对应的免测分类预测结果。通过获取提测软件的特征信息以及利用训练的免测分类预测模型进行免测分类预测处理，可以在软件提测的源头判断软件是否可以免测，这种提测分析前置的方式，可以在免测分类预测结果为免测时，直接发布上线，避免软件在每个迭代周期都经过测试，提高软件上线效率，便于敏捷开发管理，实现了软件的前置量化测试，达到人力成本和软件质量的最优平衡。提高了软件免测的预测可靠性，并实现了软件测试的基线化。

Prediction method, device, equipment and storage medium of software test free

【技术实现步骤摘要】
软件免测的预测方法、装置、设备及存储介质
本公开涉及软件测试领域，尤其涉及一种软件免测的预测方法、装置、设备及存储介质。
技术介绍
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，其中，在软件测试的自动化发展趋势下，人工智能在软件测试领域的应用将会越来越受到关注。软件测试是一种用来鉴定软件的正确性、完整性、安全性和质量的过程。在规定的条件下对程序进行操作，以发现程序错误，衡量软件质量，并对其是否能满足设计要求进行评估的过程。软件缺陷产生于开发人员的编码过程，由于需求理解不正确、软件开发过程不合理或开发人员的经验不足，均有可能产生软件缺陷，但是如果每个迭代周期都经过测试的话也会影响产品的上线时间，这在当下互联网时代的迭代周期中并不可取。
技术实现思路
有鉴于此，本公开提出了一种软件免测的预测方法、装置、设备及存储介质。可以避免软件在每个迭代周期都需要测试，提高软件上线效率。根据本公开的一方面，提供了一种软件免测的预测方法，所述方法包括：获取提测软件的特征信息，所述特征信息为表征软件代码质量的信息；将所述提测软件的特征信息输入免测分类预测模型进行免测分类预测处理，获取所述提测软件对应的免测分类预测结果；其中，所述免测分类预测模型是基于训练样本集进行机器学习训练确定的，所述训练样本集包括样本软件的特征信息以及相应的免测分类标签。根据本公开的另一方面，提供了一种软件免测的预测装置，所述装置包括：特征信息获取模块，用于获取提测软件的特征信息，所述特征信息为表征软件代码质量的信息；免测分类预测结果获取模块，用于将所述提测软件的特征信息输入免测分类预测模型进行免测分类预测处理，获取所述提测软件对应的免测分类预测结果；其中，所述免测分类预测模型是基于训练样本集进行机器学习训练确定的，所述训练样本集包括样本软件的特征信息以及相应的免测分类标签。根据本公开的另一方面，提供了一种软件免测的预测设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。通过获取提测软件的特征信息以及利用训练的免测分类预测模型进行免测分类预测处理，根据本公开实施例的软件免测的预测方法、装置、设备及存储介质，可以实现软件测试左移，即可以在软件提测的源头判断软件是否可以免测，这种提测分析前置的方式，可以在免测分类预测结果为免测时，直接发布上线，避免软件在每个迭代周期都经过测试，提高软件上线效率，便于敏捷开发管理，实现了软件的前置量化测试，达到人力成本和软件质量的最优平衡。利用免测分类预测模型获取所述免测分类预测结果，受人为影响小，提高了软件免测的预测可靠性。并且，通过免测分类预测模型进行免测分类预测处理，易于将所述特征信息(影响免测的信息)与软件版本质量映射，便于软件特征信息的基线建设，有利于软件版本质量的管理，实现了软件测试的基线化。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。图1示出本公开一实施例提供的一种应用环境的示意图。图2示出根据本公开一实施例的软件免测的预测方法的流程图。图3示出根据本公开一实施例的获取提测软件的特征信息的方法流程图。图4示出根据本公开一实施例的免测分类预测模型的训练方法的流程图。图5示出根据本公开一实施例的获取所述训练样本集的方法流程图。图6示出根据本公开一实施例的免测分类预测模型的构建与预测示意图。图7示出根据本公开一实施例的免测分类预测模型的训练方法的流程图。图8示出根据本公开一实施例的免测分类预测模型的训练方法的流程图。图9示出根据本公开一实施例的修正所述免测分类预测模型的方法流程图。图10示出根据本公开一实施例的软件免测的预测装置的框图。图11是根据一示例性实施例示出的一种用于软件免测的预测装置1100的框图。图12是根据一示例性实施例示出的一种用于软件免测的预测的装置1200的框图。具体实施方式以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本公开实施例提供的方案涉及人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：请参阅图1，图1示出本公开一实施例提供的一种应用系统的示意图。所述应用系统可以管理软件版本开发、提测、缺陷提交、回归测试、发布整个生命周期的操作。在一个示例中，所述应用系统可以是Request流水线平台REQ(或称软件研发提测流程管理平台)。如图1所示，该应用系统至少可以包括服务器01和终端02。本公开实施例中，所述服务器01可以包括独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDeliveryNetwork，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。本公开实施例中，所述终端02可以包括智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmentedreality，AR)/虚拟现实(virtualreality，VR)设备、智能可穿戴设备等类型的实体设备。实体设备，也可以包括运行于实体设备中的软体，例如应用程序等。本公开实施例中终端01上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。本说明书实施例中，上述终端02以及服务器01间可以进行通信交互，以实现软件版本开发本文档来自技高网...

【技术保护点】
1.一种软件免测的预测方法，其特征在于，包括：/n获取提测软件的特征信息，所述特征信息为表征软件代码质量的信息；/n将所述提测软件的特征信息输入免测分类预测模型进行免测分类预测处理，获取所述提测软件对应的免测分类预测结果；/n其中，所述免测分类预测模型是基于训练样本集进行机器学习训练确定的，所述训练样本集包括样本软件的特征信息以及相应的免测分类标签。/n

【技术特征摘要】
1.一种软件免测的预测方法，其特征在于，包括：
获取提测软件的特征信息，所述特征信息为表征软件代码质量的信息；
将所述提测软件的特征信息输入免测分类预测模型进行免测分类预测处理，获取所述提测软件对应的免测分类预测结果；
其中，所述免测分类预测模型是基于训练样本集进行机器学习训练确定的，所述训练样本集包括样本软件的特征信息以及相应的免测分类标签。


2.根据权利要求1所述的方法，其特征在于，所述获取提测软件的特征信息，包括：
获取提测软件的代码变更信息、提测软件的开发人员信息和提测软件的代码依赖深度信息中的一种或多种；
将所述提测软件的代码变更信息、提测软件的开发人员信息和提测软件的代码依赖深度信息中的一种或多种作为所述提测软件的特征信息。


3.根据权利要求1所述的方法，其特征在于，还包括：
获取所述提测软件的软件版本质量；
若所述软件版本质量与所述免测分类预测结果不匹配，修正所述免测分类预测模型。


4.根据权利要求3所述的方法，其特征在于，所述修正所述免测分类预测模型，包括：
修改所述提测软件对应的免测分类预测结果；
将所述修改后的免测分类预测结果作为所述提测软件的特征信息相应的免测分类标签；
将所述提测软件的特征信息以及所述提测软件的特征信息相应的免测分类标签添加至所述训练样本集，得到修正训练样本集；
基于所述修正训练样本集进行机器学习训练，修正所述免测分类预测模型。


5.根据权利要求1所述的方法，其特征在于，还包括：
获取所述训练样本集；
划分所述训练样本集，得到训练数据集和验证数据集；
基于所述训练数据集中的样本软件的特征信息，使用预设机器学习模型进行免测分类训练，在免测分类训练中调整所述预设机器学习模型的模型参数至所述预设机器学习模型输出的免测...

【专利技术属性】
技术研发人员：陈金龙，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44