测试数据生成方法、装置、电子设备及介质制造方法及图纸

本公开涉及数据处理技术领域，提供了测试数据生成方法、装置、电子设备及介质。该方法包括：基于原始数据和数据生成模型，生成初始测试数据；基于当次的随机变异处理方式，对初始测试数据进行变异处理，得到当次的变异数据；将当次的变异数据导入数据判断模型，得到当次的判断结果；将当次的变异数据确定为扩展测试数据。本公开实施例通过上述步骤，可以得到原有数据集范围外的数据，继而可以用于检测出未发现的漏洞，或者其他适用于扩大原有数据范围的应用，大大增加了本公开的适用范围。大大增加了本公开的适用范围。大大增加了本公开的适用范围。

【技术实现步骤摘要】
测试数据生成方法、装置、电子设备及介质


[0001]本公开涉及数据处理
，尤其涉及测试数据生成方法、装置、电子设备及介质。

技术介绍

[0002]随着科技的日益发展，测试数据的需求越来越大。以工业控制系统的模糊测试为例，由于需要用到大量的测试用例，用以判断测试对象是否有漏洞，因此测试用例的优劣直接决定模糊测试的性能。现有技术中，有使用生成数据模型生成数据模型，使用数据判断模型判断数据并得到测试用例的方法，但此种生成方式不能跳出原有数据的范围，不能检测出未发现的漏洞，导致准确性较低。

技术实现思路

[0003]有鉴于此，本公开实施例提供了测试数据生成方法、装置、电子设备及介质，以解决现有技术中由于现有技术生成的测试用例不能跳出原有数据的范围，不能检测出未发现的漏洞，导致准确性较低的问题。
[0004]本公开实施例的第一方面，提供了一种测试数据生成方法，包括：基于原始数据和数据生成模型，生成初始测试数据；基于当次的随机变异处理方式，对初始测试数据进行变异处理，得到当次的变异数据；将当次的变异数据导入数据判断模型，得到当次的判断结果；若当次的判断结果表示通过，将当次的变异数据确定为扩展测试数据。
[0005]本公开实施例的第二方面，提供了一种测试数据生成装置，包括：生成模块，被配置为基于原始数据和数据生成模型，生成初始测试数据；处理模块，被配置为基于当次的随机变异处理方式，对初始测试数据进行变异处理，得到当次的变异数据；导入模块，被配置为将当次的变异数据导入数据判断模型，得到当次的判断结果；确定模块，被配置为若当次的判断结果表示通过，将当次的变异数据确定为扩展测试数据。
[0006]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0007]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0008]本公开实施例与现有技术相比存在的有益效果至少包括：通过基于原始数据和数据生成模型，生成初始测试数据；将初始测试数据进行随机变异处理，得到变异数据，可以得到原有数据集范围外的数据，继而可以用于检测出未发现的漏洞，或者其他适用于扩大原有数据范围的应用，大大增加了本公开的适用范围。
附图说明
[0009]为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，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，还可以根据这些附图获得其它的附图。
[0010]图1是根据本公开实施例提供的测试数据生成方法的一个应场景的示意图；
[0011]图2是根据本公开实施例提供的一种测试数据生成方法的一些实施例的流程图；
[0012]图3是根据本公开实施例提供的另一种测试数据生成方法的另一些实施例的流程图；
[0013]图4是根据本公开实施例提供的一种测试数据生成装置的结构示意图；
[0014]图5是根据本公开实施例提供的电子设备的示意图。
具体实施方式
[0015]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0016]另外还需要说明的是，为了便于描述，附图中仅示出了与有关本公开相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0017]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的系统、装置、模块或单元进行区分，并非用于限定这些系统、装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0018]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0019]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0020]下面将参考附图并结合实施例来详细说明本公开。
[0021]图1是根据本公开的一些实施例的测试数据生成方法的一个应用场景的示意图。
[0022]在图1的应用场景中，首先，计算设备101可以基于原始数据102和数据生成模型103，生成初始测试数据104。其次，计算设备101可以基于当次的随机变异处理方式105，对初始测试数据104进行变异处理，得到当次的变异数据106。再次，计算设备101可以将当次的变异数据106导入数据判断模型107，得到当次的判断结果108。最后，若当次的判断结果108表示通过，计算设备101可以将当次的变异数据106确定为扩展测试数据。
[0023]需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
[0024]应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
[0025]继续参考图2，示出了根据本公开的测试数据生成方法的一些实施例的流程200。
该方法可以由图1中的计算设备101来执行。该测试数据生成的方法，包括以下步骤：
[0026]步骤201，基于原始数据和数据生成模型，生成初始测试数据。
[0027]在一些实施例中，测试数据生成方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或无线连接方式连接目标设备，然后，基于原始数据和数据生成模型，生成初始测试数据。原始数据可以指从真实环境获取到的数据。数据生成模型可以指基于原始数据生成相类似的数据的计算模型。将原始数据导入该数据生成模型可以生成初始测试数据。初始测试数据可以指通过计算生成的非真实数据。真实数据可以指从真实环境中获取到的数据。其中，数据生成模型可以包括但不限于以下其中一项：朴素贝叶斯模型，隐马尔可夫模型，前向反馈网络模型，循环神经网络模型，长短期记忆人工神经网络模型(LSTM，Long Short
‑
Term Memory)等。
[0028]在一些实施例的一些可选的实现方式中，上述数据生成模型可以为LSTM神经网络。作为一个具体示例，该LSTM神经网络的Batch
‑
Size可以为40，输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种测试数据生成方法，其特征在于，包括：基于原始数据和数据生成模型，生成初始测试数据；基于当次的随机变异处理方式，对所述初始测试数据进行变异处理，得到当次的变异数据；将所述当次的变异数据导入数据判断模型，得到当次的判断结果；若所述当次的判断结果表示通过，将所述当次的变异数据确定为扩展测试数据。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：若当次的判断结果表示不通过，基于下次的随机变异处理方式，对所述初始测试数据进行变异处理，得到下次的变异数据，其中，所述下次的随机变异处理方式基于所述当次的随机变异处理方式进行调整得到；将所述下次的变异数据导入所述数据判断模型，得到下次的判断结果。3.根据权利要求2所述的方法，其特征在于，所述下次的随机变异处理方式基于所述当次的随机变异处理方式进行调整得到，包括：若所述当次的随机变异处理方式为基于二进制编码的变异处理方式，将所述当次的随机变异处理方式的可变数据位的数量增加预设的正整数值，得到所述下次的随机变异处理方式。4.根据权利要求2所述的方法，其特征在于，所述下次的随机变异处理方式基于所述当次的随机变异处理方式进行调整得到，包括：若所述当次的随机变异处理方式为基于实数编码的变异处理方式，将所述当次的随机变异处理方式的修改步长增加或减少预设的实数值，得到所述下次的随机变异处理方式。5.根据权利要求1至4任一项所述的方法，其特征在于，所述将所述当次的变异数据导入数据判断模型，得到当次的判断结果，包括：获取特征参数阈值；将所述原始数据导入所述数据判断模型，得到原始特征参数；将所述当次的变异数据导入所述数据判断模型，得到当次的特征参数；若所述当次的特征参...

【专利技术属性】
技术研发人员：徐会军，郑磊，王晓燕，韩鹏军，王璇，牛月坤，曹慧，郭俊才，郭家豪，
申请(专利权)人：国能信息技术有限公司，
类型：发明
国别省市：