一种模型训练方法、测试处理方法及装置制造方法及图纸

本发明专利技术实施例提供了一种模型训练方法、测试处理方法及装置，涉及软件测试技术领域。该模型训练方法包括：获取多个历史测试任务的测试数据以及测试时长；根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；根据各个历史测试任务的排期影响因素和测试时长生成样本数据；基于所述样本数据对线性回归模型进行训练，获取排期模型。本发明专利技术实施例用于提升预测的测试任务的测试时长的可靠性。性。性。

【技术实现步骤摘要】
一种模型训练方法、测试处理方法及装置


[0001]本专利技术涉及软件测试
，尤其涉及一种模型训练方法、测试处理方法及装置。

技术介绍

[0002]软件测试管理工作中的软件测试排期是指：对测试任务进行评估预测从开始测试任务到完成测试任务所需要的测试时长，并根据测试时长规划测试任务的排期。准确的预测测试任务的测试时长可以减少或避免软件上线延期，因此软件测试排期是软件开发过程中一项非常重要的工作。
[0003]目前，普遍使用的软件测试排期方式为开发减半。即，将测试任务的测试时长预测为软件的开发时长的一半。然而，受到软件更新量、测试人员对软件的理解程度、测试用例、软件中错误的数量、软件中错误的严重程度等因素的影响，不同软件的测试任务的工作量间差异巨大，因此这种开发减半的软件测试排期的方式预测的测试时长可能会与实际的测试时长差距很大，进而影响软件的开发进度。现有技术中的另一种软件测试排期为：由经验丰富的测试人员和产品研发等人员根据经验对软件的测试任务进行评估并给出测试任务的测试时长。然而，这种人工的软件测试排期方式，要求排期人员具有非常丰富的经验，经验较少的排期人员很难准确的给出测试时长，并且即使经验非常丰富的人员，在测试任务的工作量时也有可能会遗漏关键因素，进而导致预测的测试时长不准确，因此这种人工的软件测试排期方式的可靠性也不高。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种模型训练方法、测试处理方法及装置，用于提升预测的测试任务的测试时长的可靠性。
[0005]为了实现上述目的，本专利技术实施例提供技术方案如下：
[0006]第一方面，本专利技术的实施例提供一种模型训练方法，包括：
[0007]获取多个历史测试任务的测试数据以及测试时长；
[0008]根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；
[0009]根据各个历史测试任务的排期影响因素和测试时长生成样本数据；
[0010]基于所述样本数据对线性回归模型进行训练，获取排期模型。
[0011]作为本专利技术实施例一种可选的实施方式，所述基于所述样本数据对线性回归模型进行训练，获取排期模型，包括：
[0012]将所述样本数据分为训练数据集和测试数据集；
[0013]基于所述训练数据集对所述线性回归模型进行训练，获取初始模型；
[0014]基于所述测试数据集对所述初始模型进行评估，获取评估结果；
[0015]在所述评估结果不满足预设条件时，对所述训练数据集中的历史测试数据进行优化，并重新对所述线性回归模型进行训练；
[0016]在所述评估结果满足预设条件时，将所述初始模型作为所述排期模型。
[0017]作为本专利技术实施例一种可选的实施方式，在基于所述样本数据对所述线性回归模型进行训练，获取所述排期模型之后，所述方法还包括：
[0018]以预设时长为周期，周期性的获取新增历史测试任务的测试数据以及测试时长；
[0019]根据各个新增历史测试任务的测试数据，获取各个新增历史测试任务的排期影响因素；
[0020]根据各个新增历史测试任务的排期影响因素和测试时长对所述排期模型进行优化训练。
[0021]作为本专利技术实施例一种可选的实施方式，在根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素之前，所述方法还包括：
[0022]删除所述多个历史测试任务的测试数据中的异常数据。
[0023]本专利技术实施例提供的模型训练方法首先获取多个历史测试任务的测试数据以及测试时长，然后根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；再根据各个历史测试任务的排期影响因素和测试时长生成样本数据；最后基于所述样本数据对线性回归模型进行训练，获取排期模型。由于本专利技术实施例提供的模型训练方法可以根据历史测试任务的测试数据获取历史测试任务的排期影响因素，并根据历史测试任务的排期影响因素和测试时长生成排期模型，因此在预测测试任务的测试时长时，只要将测试任务的排期影响因素输入排期模型，则排期模型可以自动预测并输出测试任务的测试时长，相比于现有技术中本专利技术实施例可以避免对排期人员经验的依赖以及避免遗漏影响测试时长的关键因素，因此本专利技术实施例提供的模型训练方法可以提升预测的测试任务的测试时长的可靠性。
[0024]第二方面，本专利技术的实施例提供一种测试处理方法，包括：
[0025]获取目标测试任务的提测信息；
[0026]根据所述提测信息获取所述目标测试任务的排期影响因素；
[0027]根据所述目标测试任务的排期影响因素和排期模型，获取所述目标测试任务的测试时长；所述排期模型为基于多个历史测试任务的排期影响因素和测试时长对线性回归模型进行训练获取的模型；
[0028]输出所述目标测试任务的测试时长。
[0029]本专利技术实施例提供的测试处理方法在获取目标测试任务的提测信息后，先根据目标测试任务的提测信息获取目标测试任务的排期影响因素，再根据目标测试任务的排期影响因素和排期模型预测所述目标测试任务的测试时长，并输出所述目标测试任务的测试时长。由于本专利技术实施例提供的测试处理方法可以基于包括多个历史测试任务的排期影响因素和测试时长的样本数据对线性回归模型进行训练获取排期模型，并根据目标测试任务的提测信息和排期模型预测所述目标测试任务的测试时长，因此本专利技术实施例可以避免对排期人员经验的依赖以及避免遗漏影响测试时长的关键因素，因此提升预测的测试任务的测试时长的可靠性。
[0030]作为本专利技术实施例一种可选的实施方式，所述获取目标测试任务的提测信息，包括：
[0031]以预设时长为周期，周期性的检测提测系统中是否具有未处理的测试任务；
[0032]若所述提测系统中具有至少一个未处理的测试任务，则分别将所述至少一个未处理的测试任务作为所述目标测试任务，并提取所述目标测试任务的提测信息。
[0033]第三方面，本专利技术实施例提供一种模型训练装置，包括：
[0034]获取单元，用于获取多个历史测试任务的测试数据以及测试时长；
[0035]处理单元，用于根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；
[0036]生成单元，用于根据各个历史测试任务的排期影响因素和测试时长生成样本数据；
[0037]训练单元，用于基于所述样本数据对线性回归模型进行训练，获取排期模型。
[0038]作为本专利技术实施例一种可选的实施方式，所述训练单元，具体用于将所述样本数据分为训练数据集和测试数据集；基于所述训练数据集对所述线性回归模型进行训练，获取初始模型；基于所述测试数据集对所述初始模型进行评估，获取评估结果；在所述评估结果不满足预设条件时，对所述训练数据集中的历史测试数据进行优化，并重新对所述线性回归模型进行训练；在所述评估结果满足预设条件时，将所述初始模型作为所述排期模型。
[0039]作为本专利技术实施例一种可选的实施方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取多个历史测试任务的测试数据以及测试时长；根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；根据各个历史测试任务的排期影响因素和测试时长生成样本数据；基于所述样本数据对线性回归模型进行训练，获取排期模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述样本数据对线性回归模型进行训练，获取排期模型，包括：将所述样本数据分为训练数据集和测试数据集；基于所述训练数据集对所述线性回归模型进行训练，获取初始模型；基于所述测试数据集对所述初始模型进行评估，获取评估结果；在所述评估结果不满足预设条件时，对所述训练数据集中的历史测试数据进行优化，并重新对所述线性回归模型进行训练；在所述评估结果满足预设条件时，将所述初始模型作为所述排期模型。3.根据权利要求1所述的方法，其特征在于，在基于所述样本数据对所述线性回归模型进行训练，获取所述排期模型之后，所述方法还包括：以预设时长为周期，周期性的获取新增历史测试任务的测试数据以及测试时长；根据各个新增历史测试任务的测试数据，获取各个新增历史测试任务的排期影响因素；根据各个新增历史测试任务的排期影响因素和测试时长对所述排期模型进行优化训练。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，在根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素之前，所述方法还包括：删除所述多个历史测试任务的测试数据中的异常数据。5.一种测试处理方法，其特征在于，包括：获取目标测试任务的提测信息；根据所述提测信息获取所述目标测试任务的排期影响因素；根据所述目标测试任务的排期影响因素和排期模型，获取所述目标测试任务的测试时长；所述排期模型为基于多个历史测试任务...

【专利技术属性】
技术研发人员：陈晓云，
申请(专利权)人：北京金山云网络技术有限公司，
类型：发明
国别省市：