[发明专利]一种基于深度学习的移动应用黑盒测试方法

说明书

本发明公布了一种基于深度学习的移动应用黑盒测试方法，基于真实用户的交互记录数据，建立描述真实用户交互习惯和交互模式的模型，称为交互模型；并采用真实用户交互模式学习方法训练交互模型；在使用训练好的交互模型测试新的移动应用时，预测当前应用状态下更符合真实用户的交互习惯和交互模式的交互动作，并使用该预测结果生成交互动作，作为移动应用测试的输入。该方法可实现为计算机软件模块，通过将安装所述自动生成工具的计算机连接移动设备，利用该自动生成工具控制移动设备和运行在之上的移动应用进行黑箱测试。本发明能够提升自动测试工具在有限时间内的测试覆盖率。

技术领域

本发明属于移动应用开发技术领域，涉及移动应用测试技术，具体涉及一种移动应用黑盒测试输入的自动生成方法及黑盒测试方法，通过使用深度学习技术挖掘真实用户交互习惯并生成交互模型，并利用深度学习生成的交互模型指导自动生成测试输入，可用于移动应用的黑盒测试。

背景技术

随着移动平台的发展，移动应用的数量越来越多。移动应用发布之前往往需要经过严格的测试，以保证应用能正确流畅地向用户提供服务。然而，很多开发者往往没有足够的精力和能力编写测试用例，所以，自动的测试用例生成工具对于移动开发者有很大的需求。

自动测试用例生成工具的工作方式是交互式的，通过观测被测应用和设备，获取到应用当前的界面状态，然后根据应用当前的状态选择一个交互动作，然后通过执行这个交互动作，引发被测应用的界面状态转换，进而继续观察新的应用状态、继续生成交互动作。

自动测试用例生成工具的重要指标是覆盖率，也就是，生成的测试输入要在有限的时间内，尽量覆盖更多的应用内容，例如更多的界面、更多的函数、更多的代码行等。要达到这个目的，测试输入生成工具选择交互动作的策略就显得尤其重要。

现有的移动应用测试方法大多采取伪随机的交互动作选择策略，也有一些方法通过分析应用代码推断最合理的交互动作。随机的策略往往十分低效，而基于代码分析的方法往往需要获取应用的源代码或反汇编代码，难以做到黑盒测试，移动应用黑盒测试覆盖率低。因此，一种智能的、轻量级的交互动作选择策略是自动测试用例生成工具成功的关键。

发明内容

本发明的目的是提供一种基于深度学习的移动应用测试输入的自动生成工具及黑盒测试方法，能够提升移动应用黑盒测试的覆盖率。

本发明所述的技术方案如下：

一种基于深度学习技术的移动应用测试输入的自动生成方法，采用真实用户交互模式学习方法，基于真实用户的交互记录数据，使用深度学习技术，建立并训练描述真实用户交互习惯和交互模式的模型(以下称为“交互模型”)；在测试新的应用时，使用深度学习训练好的交互模型，预测当前应用状态下哪些交互动作更符合真实用户的交互习惯和交互模式，并使用该预测结果生成交互动作，作为移动应用测试的输入。总体流程如图1所示。

所述的真实用户交互模式学习方法训练交互模型，包含如下步骤：

A1.将真实用户的交互记录预处理为交互流的形式，一个交互流包含一个交互动作序列(包含多个交互动作)和对应的一个交互界面状态序列(包含多个交互界面状态)；

A2.将交互界面状态和交互动作分别表示为向量，便于训练和预测。其中交互界面状态可以用其屏幕截图、界面结构图等表示。交互动作由动作类型和交互位置的组合表示；

A3.将每个交互动作作为交互模型的输出，交互动作对应的交互界面状态和之前若干步交互历史(即之前的多个交互界面状态及各状态对应的交互动作)作为输入，训练交互模型。训练得到的训练好的交互模型，可以预测在当前状态下，各交互动作被真实用户采用的概率。

所述的交互模型包含如下关键结构：

A31.卷积层：卷积神经网络是一种十分流行的用于图像特征提取的网络结构，交互模型中使用卷积层可以提取界面结构和界面交互动作位置中的视觉特征；