刘春雷

在敏捷开发与持续交付（DevOps）场景下，自动化测试已成为软件质量保障的核心手段。本文提出一种端到端、可扩展、可解释的自动化测试结果智能分析框架。该框架以规则引擎、特征工程、HDBSCAN聚类、LightGBM分类、关联规则挖掘、根因推断与大语言模型（LLM）为技术支撑，构建“输入-预处理-智能分析-输出”的全流程处理流水线，实现测试失败自动降噪、相似故障聚类、缺陷类型分类、根因定位与自然语言报告生成。工程实践表明，该框架可降低约65%~80%人工分析工作量，缺陷分类与根因定位准确率提升至85%以上，具备较强的工程落地价值与推广意义。

自动化测试；智能分析；机器学习；HDBSCAN聚类；LightGBM；根因推断；大语言模型

[1] 朱一明,陈涛.基于机器学习的自动化测试故障定位方法研究[J].计算机工程与应用,2022,58(11):112-119. [2] 张明远.持续集成环境下测试结果智能分析系统设计[J].计算机科学,2020,47(S1):572-576. [3] 刘敏.基于 LightGBM 的软件缺陷分类预测模型[J].计算机工程与设计,2022,43(4):1021-1027. [4] McInnes L,Healy J.Accelerated HDBSCAN:faster hierarchical density-based clustering[J].Journal of Open Source Software,2017,2(11):2052.

点击下载PDF