CN107832774A - 一种页面异常检测方法及装置 - Google Patents
一种页面异常检测方法及装置 Download PDFInfo
- Publication number
- CN107832774A CN107832774A CN201710931559.XA CN201710931559A CN107832774A CN 107832774 A CN107832774 A CN 107832774A CN 201710931559 A CN201710931559 A CN 201710931559A CN 107832774 A CN107832774 A CN 107832774A
- Authority
- CN
- China
- Prior art keywords
- picture
- page
- sectional drawing
- test
- current page
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种页面异常检测方法及装置,该方法包括:对被测试应用的当前页面进行截图,根据预设的图片分类器确定当前页面的截图所属的图片类别,根据当前页面截图所属的图片类别确定当前页面是否异常。本发明实施例的上述方法,由于使用机器学习训练出的图片分类器对App页面进行异常判断,当对App页面进行异常判定或者存在使用UI自动化技术无法识别的页面元素时,本发明只需要一个异常的截图即可解决该问题,并且不需要像常规的UI自动化技术不断的更新异常控件,因此维护成本更低。
Description
技术领域
本发明UI自动化测试技术领域,特别涉及一种页面异常检测方法及装置。
背景技术
自动化测试,狭义上来讲,通过工具记录或编写脚本的方式模拟手工测试的过程,通过回放或运行脚本来执行测试用例,从而代替人工对系统的功能进行验证。当然,我们更普遍的认识把“自动化测试”看作“基于产品或项目UI层的自动化测试”。
现有技术中,使用常规的UI自动化技术判定页面是否异常时,需要不断的更新异常控件,而控件的获取是一个比较麻烦的过程,维护成本高。目前还没有成熟的自动判定页面是否显示异常的方案。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种页面异常检测方法及装置。用以快速判定应用页面是否有异常。
本发明提供一种页面异常检测方法,包括:
对被测试应用的当前页面进行截图;
根据预设的图片分类器确定所述当前页面的截图所属的图片类别;
根据所述当前页面截图所属的图片类别确定所述当前页面是否异常。
在一个实施例中,在所述根据预设的图片分类器确定当前页面截图所属的图片类别之前,所述方法还可包括:
获取第一类图片和第二类图片作为训练集,所述第一类图片包括应用处于异常状态下的截图或者所述截图的部分关键区域,所述第二类图片包括应用的各个页面正常状态下的截图;
对所述第一类图片和第二类图片进行训练,获得所述图片分类器。
在一个实施例中,所述对所述第一类图片和第二类图片进行训练,获得所述图片分类器,可包括:
提取所述第一类图片和第二类图片的特征生成所述第一类图片和第二类图片的特征向量;
通过预设的图片分类训练模型对所述特征向量进行训练获得分类器。
在一个实施例中,在所述对被测试应用的当前页面进行截图之前,所述方法还可包括:
进入待测试应用的测试页面,对所述测试页面中的可操作控件进行测试;
所述对被测试应用的当前页面进行截图,包括:
当对每一个可操作控件进行测试后,对测试后的页面进行截图。
在一个实施例中,所述方法还可包括:
当对所述测试页面中的所有可操作控件测试完毕后,根据对每一个可操作控件进行测试后的页面截图确定所述测试页面是否异常。
本发明还提供一种页面异常检测装置,包括:
截图模块,用于对被测试应用的当前页面进行截图;
第一确定模块,用于根据预设的图片分类器确定所述当前页面的截图所属的图片类别;
第二确定模块,用于根据所述当前页面截图所属的图片类别确定所述当前页面是否异常。
在一个实施例中,所述装置还可包括:
获取模块,用于获取第一类图片和第二类图片作为训练集,所述第一类图片包括应用处于异常状态下的截图或者所述截图的部分关键区域,所述第二类图片包括应用的各个页面正常状态下的截图;
训练模块,用于对所述第一类图片和第二类图片进行训练,获得所述图片分类器。
在一个实施例中,所述训练模块,可包括:
生成子模块,用于提取所述第一类图片和第二类图片的特征生成所述第一类图片和第二类图片的特征向量;
训练子模块,用于通过预设的图片分类训练模型对所述特征向量进行训练获得分类器。
在一个实施例中,所述装置还可包括:
测试模块,用于进入待测试应用的测试页面,对所述测试页面中的可操作控件进行测试;
所述截图模块,包括:
截图子模块,用于当对每一个可操作控件进行测试后,对测试后的页面进行截图。
在一个实施例中,所述装置还可包括:
确定模块,用于当对所述测试页面中的所有可操作控件测试完毕后,根据对每一个可操作控件进行测试后的页面截图确定所述测试页面是否异常。
本发明的实施例提供的技术方案可以包括以下有益效果:
上述技术方案,通过对被测试应用的当前页面进行截图,根据预设的图片分类器确定当前页面的截图所属的图片类别,根据当前页面截图所属的图片类别确定当前页面是否异常。由于使用机器学习训练出的图片分类器对App页面进行异常判断,当对App页面进行异常判定或者存在使用UI自动化技术无法识别的页面元素时,本发明只需要一个异常的截图即可解决该问题,并且不需要像常规的UI自动化技术不断的更新异常控件,因此维护成本更低。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种页面异常检测方法的流程图;
图2为本发明实施例中另一种页面异常检测方法的流程图;
图3为本发明实施例的页面异常检测流程示意图;
图4为本发明实施例中另一种页面异常检测方法的流程图;
图5为本发明实施例中另一种页面异常检测方法的流程图;
图6为本发明实施例中一种页面异常检测装置的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1所示为本发明实施例中一种页面异常检测方法的流程图,如图1所示,该页面异常检测方法包括以下步骤S11-S13:
步骤S11,对被测试应用的当前页面进行截图。
步骤S12,根据预设的图片分类器确定当前页面的截图所属的图片类别。
步骤S13,根据当前页面截图所属的图片类别确定当前页面是否异常。
本发明使用机器学习的监督学习技术对App处于异常状态的截图和App处于正常状态的截图进行训练,得到一个图片分类器,使用图片分类器对被测试的App页面进行预测,判定当前页面是否异常。具体地:通过监督机器学习对两组打过标的图片进行分类,其中类别A图片是被测试App所有的异常状态下的截图或者截图的部分关键区域,例如:请求失败、网络异常、数据错误等区域的截图。类别B图片是App各个页面的正常状态截图。使用机器学习对这两类图片进行分类处理,建立分类模型。结合App页面遍历技术,在进入App特定页面后,通过训练好的模型对当前页面截图进行预测,模型可以预测当前页面截图的类别,从而判定当前页面是否有异常现象。
本发明实施例的上述方法,通过对被测试应用的当前页面进行截图,根据预设的图片分类器确定当前页面的截图所属的图片类别,根据当前页面截图所属的图片类别确定当前页面是否异常。由于使用机器学习训练出的图片分类器对App页面进行异常判断,当对App页面进行异常判定或者存在使用UI自动化技术无法识别的页面元素时,本发明只需要一个异常的截图即可解决该问题,并且不需要像常规的UI自动化技术不断的更新异常控件,因此维护成本更低。
在一个实施例中,如图2所示,在步骤S11之前,该页面异常检测方法还可包括以下步骤S14-S15:
步骤S14,获取第一类图片和第二类图片作为训练集,第一类图片包括应用处于异常状态下的截图或者截图的部分关键区域,第二类图片包括应用的各个页面正常状态下的截图。
步骤S15,对第一类图片和第二类图片进行训练,获得图片分类器。
在一个实施例中,步骤S15可包括步骤A1-A2:
步骤A1,提取第一类图片和第二类图片的特征生成第一类图片和第二类图片的特征向量;
步骤A2,通过预设的图片分类训练模型对特征向量进行训练获得分类器。
图3所示为对App处于异常状态的截图和App处于正常状态的截图进行训练,得到图片分类器,使用图片分类器对被测试的App页面进行预测,判定当前页面是否异常的具体流程图。
在一个实施例中,如图4所示,在步骤S11之前,该页面异常检测方法还可包括以下步骤S16:
步骤S16,进入待测试应用的测试页面,对测试页面中的可操作控件进行测试。
步骤S11可包括以下步骤S111:
步骤S111,当对每一个可操作控件进行测试后,对测试后的页面进行截图。
对测试应用的页面进行测试时,需要先确定各页面中哪些控件是可操作的控件,哪些控件是不可操作的控件。当进入到需要测试的应用页面时,找到被测试页面所有可以操作的控件,再按照顺序操作可以被操作的控件,通过对每一个可操作的控件进行操作后的页面截图来检查是否存在异常的控件。操作行为包括但不限于:点击、输入、滑动、缩放等行为。一般按照从上到下、从左至右的顺序来操作控件,也可不按照上述顺序,随机操作控件。
在一个实施例中,如图5所示,步骤S13包括以下步骤S131-S132:
步骤S131:根据预设的图片分类器对测试页面中的所有可操作控件进行测试。
步骤S132:当对测试页面中的所有可操作控件测试完毕后,根据对每一个可操作控件进行测试后的页面截图确定测试页面是否异常。
本实施例,当当前指定测试页面中的所有可操作控件测试完毕后,如果该测试页面中至少有一个可操作控件测试后的截图被判定为异常,则该测试页面存在异常。从而可以简单、准确判定当前页面是否异常。
基于同一发明构思,本发明实施例还提供了一种页面异常检测装置,由于该装置所解决问题的原理与前述页面异常检测方法相似,因此该装置的实施可以参见前述方法的实施,重复之处不再赘述。
图6所示为本发明实施例中一种页面异常检测装置的框图,如图6所示,该页面异常检测装置包括:
截图模块61,用于对被测试应用的当前页面进行截图;
第一确定模块62,用于根据预设的图片分类器确定当前页面的截图所属的图片类别;
第二确定模块63,用于根据当前页面截图所属的图片类别确定当前页面是否异常。
本发明实施例的上述装置,通过对被测试应用的当前页面进行截图,根据预设的图片分类器确定当前页面的截图所属的图片类别,根据当前页面截图所属的图片类别确定当前页面是否异常。由于使用机器学习训练出的图片分类器对App页面进行异常判断,当对App页面进行异常判定或者存在使用UI自动化技术无法识别的页面元素时,本发明只需要一个异常的截图即可解决该问题,并且不需要像常规的UI自动化技术不断的更新异常控件,因此维护成本更低。
在一个实施例中,该页面异常检测装置还可包括:
获取模块,用于获取第一类图片和第二类图片作为训练集,第一类图片包括应用处于异常状态下的截图或者截图的部分关键区域,第二类图片包括应用的各个页面正常状态下的截图;
训练模块,用于对第一类图片和第二类图片进行训练,获得图片分类器。
在一个实施例中,训练模块,可包括:
生成子模块,用于提取第一类图片和第二类图片的特征生成第一类图片和第二类图片的特征向量;
训练子模块,用于通过预设的图片分类训练模型对特征向量进行训练获得分类器。
在一个实施例中,该页面异常检测装置还可包括:
测试模块,用于进入待测试应用的测试页面,对测试页面中的可操作控件进行测试;
截图模块61,包括:
截图子模块,用于当对每一个可操作控件进行测试后,对测试后的页面进行截图。
在一个实施例中,该第二确定模块63可用于根据预设的图片分类器对测试页面中的所有可操作控件进行测试,当对测试页面中的所有可操作控件测试完毕后,根据对每一个可操作控件进行测试后的页面截图确定测试页面是否异常。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种页面异常检测方法,其特征在于,包括:
对被测试应用的当前页面进行截图;
根据预设的图片分类器确定所述当前页面的截图所属的图片类别;
根据所述当前页面截图所属的图片类别确定所述当前页面是否异常。
2.如权利要求1所述的方法,其特征在于,在所述根据预设的图片分类器确定当前页面截图所属的图片类别之前,所述方法还包括:
获取第一类图片和第二类图片作为训练集,所述第一类图片包括应用处于异常状态下的截图或者所述截图的部分关键区域,所述第二类图片包括应用的各个页面正常状态下的截图;
对所述第一类图片和第二类图片进行训练,获得所述图片分类器。
3.如权利要求2所述的方法,其特征在于,所述对所述第一类图片和第二类图片进行训练,获得所述图片分类器,包括:
提取所述第一类图片和第二类图片的特征生成所述第一类图片和第二类图片的特征向量;
通过预设的图片分类训练模型对所述特征向量进行训练获得分类器。
4.如权利要求1所述的方法,其特征在于,在所述对被测试应用的当前页面进行截图之前,所述方法还包括:
进入待测试应用的测试页面,对所述测试页面中的可操作控件进行测试;
所述对被测试应用的当前页面进行截图,包括:
当对每一个可操作控件进行测试后,对测试后的页面进行截图。
5.如权利要求4所述的方法,其特征在于,所述根据所述当前页面截图所属的图片类别确定所述当前页面是否异常,包括:
根据预设的图片分类器对测试页面中的所有可操作控件进行测试;
当对测试页面中的所有可操作控件测试完毕后,根据对每一个可操作控件进行测试后的页面截图确定测试页面是否异常。
6.一种页面异常检测装置,其特征在于,包括:
截图模块,用于对被测试应用的当前页面进行截图;
第一确定模块,用于根据预设的图片分类器确定所述当前页面的截图所属的图片类别;
第二确定模块,用于根据所述当前页面截图所属的图片类别确定所述当前页面是否异常。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:
获取模块,用于获取第一类图片和第二类图片作为训练集,所述第一类图片包括应用处于异常状态下的截图或者所述截图的部分关键区域,所述第二类图片包括应用的各个页面正常状态下的截图;
训练模块,用于对所述第一类图片和第二类图片进行训练,获得所述图片分类器。
8.如权利要求7所述的装置,其特征在于,所述训练模块,包括:
生成子模块,用于提取所述第一类图片和第二类图片的特征生成所述第一类图片和第二类图片的特征向量;
训练子模块,用于通过预设的图片分类训练模型对所述特征向量进行训练获得分类器。
9.如权利要求6所述的装置,其特征在于,所述装置还包括:
测试模块,用于进入待测试应用的测试页面,对所述测试页面中的可操作控件进行测试;
所述截图模块,包括:
截图子模块,用于当对每一个可操作控件进行测试后,对测试后的页面进行截图。
10.如权利要求9所述的装置,其特征在于,所述第二确定模块还用于:
根据预设的图片分类器对测试页面中的所有可操作控件进行测试,当对测试页面中的所有可操作控件测试完毕后,根据对每一个可操作控件进行测试后的页面截图确定测试页面是否异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931559.XA CN107832774A (zh) | 2017-10-09 | 2017-10-09 | 一种页面异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931559.XA CN107832774A (zh) | 2017-10-09 | 2017-10-09 | 一种页面异常检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107832774A true CN107832774A (zh) | 2018-03-23 |
Family
ID=61647629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710931559.XA Pending CN107832774A (zh) | 2017-10-09 | 2017-10-09 | 一种页面异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832774A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681508A (zh) * | 2018-05-15 | 2018-10-19 | 福建天泉教育科技有限公司 | 一种基于视觉识别的测试方法及终端 |
CN109144868A (zh) * | 2018-08-15 | 2019-01-04 | 无线生活(杭州)信息科技有限公司 | 一种页面判断方法及装置 |
CN109240931A (zh) * | 2018-09-21 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 问题反馈信息处理方法和装置 |
CN109359056A (zh) * | 2018-12-21 | 2019-02-19 | 北京搜狗科技发展有限公司 | 一种应用程序测试方法及装置 |
CN109376071A (zh) * | 2018-09-03 | 2019-02-22 | 平安普惠企业管理有限公司 | 应用软件异常反馈方法、装置、计算机设备及存储介质 |
CN109815156A (zh) * | 2019-02-28 | 2019-05-28 | 北京百度网讯科技有限公司 | 页面中视觉元素的展示测试方法、装置、设备和存储介质 |
CN110188303A (zh) * | 2019-05-10 | 2019-08-30 | 百度在线网络技术(北京)有限公司 | 页面错误识别方法和装置 |
CN110716778A (zh) * | 2019-09-10 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 应用兼容性测试方法、装置及系统 |
CN111104576A (zh) * | 2018-10-29 | 2020-05-05 | 阿里巴巴集团控股有限公司 | 网页识别的处理方法、装置、系统及电子设备 |
CN111143188A (zh) * | 2018-11-02 | 2020-05-12 | 中移(杭州)信息技术有限公司 | 一种对应用进行自动化测试的方法及设备 |
CN111880984A (zh) * | 2020-06-09 | 2020-11-03 | 上海容易网电子商务股份有限公司 | 一种用于安卓互动屏应用运行状态的监控系统 |
CN112199131A (zh) * | 2019-07-08 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种页面检测方法、装置及设备 |
CN112784269A (zh) * | 2021-01-15 | 2021-05-11 | 鹏城实验室 | 恶意软件检测方法、装置和计算机存储介质 |
CN112965911A (zh) * | 2021-03-23 | 2021-06-15 | 北京三快在线科技有限公司 | 界面异常检测方法、装置、计算机设备及存储介质 |
CN115391084A (zh) * | 2022-10-27 | 2022-11-25 | 北京蔚领时代科技有限公司 | 一种云游戏异常的智能解决方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968813A (zh) * | 2010-10-25 | 2011-02-09 | 华北电力大学 | 一种假冒网页检测方法 |
CN102779245A (zh) * | 2011-05-12 | 2012-11-14 | 李朝荣 | 基于图像处理技术的网页异常检测方法 |
CN103544210A (zh) * | 2013-09-02 | 2014-01-29 | 烟台中科网络技术研究所 | 一种识别网页类型的系统和方法 |
CN104462979A (zh) * | 2014-12-26 | 2015-03-25 | 深圳数字电视国家工程实验室股份有限公司 | 一种应用程序的自动化动态检测方法及装置 |
CN104714713A (zh) * | 2013-12-11 | 2015-06-17 | 腾讯科技(深圳)有限公司 | 一种页面互动方法及页面管理装置 |
US20160034784A1 (en) * | 2014-08-01 | 2016-02-04 | Ricoh Company, Ltd. | Abnormality detection apparatus, abnormality detection method, and recording medium storing abnormality detection program |
CN105656704A (zh) * | 2014-11-12 | 2016-06-08 | 腾讯数码(天津)有限公司 | 页面异常检测方法、装置及系统 |
CN106599155A (zh) * | 2016-12-07 | 2017-04-26 | 北京亚鸿世纪科技发展有限公司 | 一种网页分类方法及系统 |
CN106789951A (zh) * | 2016-11-30 | 2017-05-31 | 深圳市彬讯科技有限公司 | 一种网络web页面异常检测实现系统 |
-
2017
- 2017-10-09 CN CN201710931559.XA patent/CN107832774A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968813A (zh) * | 2010-10-25 | 2011-02-09 | 华北电力大学 | 一种假冒网页检测方法 |
CN102779245A (zh) * | 2011-05-12 | 2012-11-14 | 李朝荣 | 基于图像处理技术的网页异常检测方法 |
CN103544210A (zh) * | 2013-09-02 | 2014-01-29 | 烟台中科网络技术研究所 | 一种识别网页类型的系统和方法 |
CN104714713A (zh) * | 2013-12-11 | 2015-06-17 | 腾讯科技(深圳)有限公司 | 一种页面互动方法及页面管理装置 |
US20160034784A1 (en) * | 2014-08-01 | 2016-02-04 | Ricoh Company, Ltd. | Abnormality detection apparatus, abnormality detection method, and recording medium storing abnormality detection program |
CN105656704A (zh) * | 2014-11-12 | 2016-06-08 | 腾讯数码(天津)有限公司 | 页面异常检测方法、装置及系统 |
CN104462979A (zh) * | 2014-12-26 | 2015-03-25 | 深圳数字电视国家工程实验室股份有限公司 | 一种应用程序的自动化动态检测方法及装置 |
CN106789951A (zh) * | 2016-11-30 | 2017-05-31 | 深圳市彬讯科技有限公司 | 一种网络web页面异常检测实现系统 |
CN106599155A (zh) * | 2016-12-07 | 2017-04-26 | 北京亚鸿世纪科技发展有限公司 | 一种网页分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
YING PAN 等: "Anomaly based web phishing page detection", 《2006 22ND ANNUAL COMPUTER SECURITY APPLICATIONS CONFERENCE (ACSAC"06)》 * |
YUANCHENG LI 等: "A semi-supervised learning approach for detection of phishing webpages", 《OPTIK》 * |
李旬 等: "基于异常特征的社交网页检测技术研究", 《信息网络安全》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681508A (zh) * | 2018-05-15 | 2018-10-19 | 福建天泉教育科技有限公司 | 一种基于视觉识别的测试方法及终端 |
CN108681508B (zh) * | 2018-05-15 | 2022-04-01 | 福建天泉教育科技有限公司 | 一种基于视觉识别的测试方法及终端 |
CN109144868B (zh) * | 2018-08-15 | 2022-02-01 | 无线生活(杭州)信息科技有限公司 | 一种页面判断方法及装置 |
CN109144868A (zh) * | 2018-08-15 | 2019-01-04 | 无线生活(杭州)信息科技有限公司 | 一种页面判断方法及装置 |
CN109376071A (zh) * | 2018-09-03 | 2019-02-22 | 平安普惠企业管理有限公司 | 应用软件异常反馈方法、装置、计算机设备及存储介质 |
CN109240931A (zh) * | 2018-09-21 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 问题反馈信息处理方法和装置 |
CN111104576A (zh) * | 2018-10-29 | 2020-05-05 | 阿里巴巴集团控股有限公司 | 网页识别的处理方法、装置、系统及电子设备 |
CN111143188B (zh) * | 2018-11-02 | 2023-09-22 | 中移(杭州)信息技术有限公司 | 一种对应用进行自动化测试的方法及设备 |
CN111143188A (zh) * | 2018-11-02 | 2020-05-12 | 中移(杭州)信息技术有限公司 | 一种对应用进行自动化测试的方法及设备 |
CN109359056A (zh) * | 2018-12-21 | 2019-02-19 | 北京搜狗科技发展有限公司 | 一种应用程序测试方法及装置 |
CN109815156A (zh) * | 2019-02-28 | 2019-05-28 | 北京百度网讯科技有限公司 | 页面中视觉元素的展示测试方法、装置、设备和存储介质 |
CN110188303A (zh) * | 2019-05-10 | 2019-08-30 | 百度在线网络技术(北京)有限公司 | 页面错误识别方法和装置 |
CN112199131A (zh) * | 2019-07-08 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种页面检测方法、装置及设备 |
CN112199131B (zh) * | 2019-07-08 | 2024-04-16 | 腾讯科技(深圳)有限公司 | 一种页面检测方法、装置及设备 |
CN110716778A (zh) * | 2019-09-10 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 应用兼容性测试方法、装置及系统 |
CN110716778B (zh) * | 2019-09-10 | 2023-09-26 | 创新先进技术有限公司 | 应用兼容性测试方法、装置及系统 |
CN111880984A (zh) * | 2020-06-09 | 2020-11-03 | 上海容易网电子商务股份有限公司 | 一种用于安卓互动屏应用运行状态的监控系统 |
CN112784269A (zh) * | 2021-01-15 | 2021-05-11 | 鹏城实验室 | 恶意软件检测方法、装置和计算机存储介质 |
CN112965911A (zh) * | 2021-03-23 | 2021-06-15 | 北京三快在线科技有限公司 | 界面异常检测方法、装置、计算机设备及存储介质 |
CN112965911B (zh) * | 2021-03-23 | 2022-04-26 | 北京三快在线科技有限公司 | 界面异常检测方法、装置、计算机设备及存储介质 |
CN115391084A (zh) * | 2022-10-27 | 2022-11-25 | 北京蔚领时代科技有限公司 | 一种云游戏异常的智能解决方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832774A (zh) | 一种页面异常检测方法及装置 | |
CN107622016A (zh) | 一种页面测试方法及装置 | |
US10599399B2 (en) | Mobile user interface design testing tool | |
US10262233B2 (en) | Image processing apparatus, image processing method, program, and storage medium for using learning data | |
Felderer et al. | Quality assurance for AI-based systems: Overview and challenges (introduction to interactive session) | |
CN104123219B (zh) | 测试软件的方法和设备 | |
JP6780769B2 (ja) | 学習装置、学習方法および学習プログラム | |
CN102402479B (zh) | 用于静态分析的中间表示结构 | |
KR102108956B1 (ko) | 인공지능을 활용한 머신비전 모듈형 소프트웨어를 갖는 머신비전 검사장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체 | |
US20230021099A1 (en) | Method and assistance system for checking samples for defects | |
CN102789405A (zh) | 主板自动化测试方法及系统 | |
JP7012968B2 (ja) | プログラムの検査装置、プログラムの検査方法及びプログラムの検査プログラム | |
CN112633501A (zh) | 基于容器化技术的机器学习模型框架的开发方法与系统 | |
CN109542759A (zh) | 一种Linux平台稳定性测试的方法 | |
CN112199295B (zh) | 一种基于频谱的深度神经网络缺陷定位方法及系统 | |
CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
CN110716778A (zh) | 应用兼容性测试方法、装置及系统 | |
KR102271418B1 (ko) | 제품 검사를 위한 자동 학습 방법 및 시스템 | |
US10901726B2 (en) | Intelligent visual regression system | |
CN112527631A (zh) | bug定位方法、系统、电子设备及存储介质 | |
CN111160454B (zh) | 一种速变信号检测方法和装置 | |
JP6547341B2 (ja) | 情報処理装置、方法及びプログラム | |
JP7296152B2 (ja) | プログラムの検査装置、プログラムの検査方法及びプログラムの検査プログラム | |
CN108226812A (zh) | 自动式电源测试系统 | |
CN115168193B (zh) | 软件性能测试和调优系统及其控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180323 |