CN108829578A - 一种cdr关联回填准确性自动化测试方法及系统 - Google Patents
一种cdr关联回填准确性自动化测试方法及系统 Download PDFInfo
- Publication number
- CN108829578A CN108829578A CN201810389629.8A CN201810389629A CN108829578A CN 108829578 A CN108829578 A CN 108829578A CN 201810389629 A CN201810389629 A CN 201810389629A CN 108829578 A CN108829578 A CN 108829578A
- Authority
- CN
- China
- Prior art keywords
- backfill
- cdr
- test
- association
- accuracy
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
- G06F11/3696—Methods or tools to render software testable
Abstract
本发明涉及自动化测试领域，公开了一种CDR关联回填准确性自动化测试方法，包括：S1.分解产品需求中的关联回填逻辑规则，根据所述关联回填逻辑规则，分析关联回填的数据来源，对单一来源CDR表和多重来源CDR表分别构建独立的SQL规则模式；S2.根据数据来源的方式不同，按照对应的规则模式，生成关联回填准确性测试SQL，形成测试用例；S3.根据关联回填准确性测试脚本模板格式生成测试脚本；S4.执行测试，汇总多种数据来源的测试结果。本发明还公开了一种CDR关联回填准确性自动化测试系统。本发明杜绝了手工测试容易发生的人为错误，提高了测试的质量；极大地降低了人力成本和时间成本，缩短了测试周期，提高了测试效率。
Description
技术领域
本发明涉及自动化测试领域，尤其涉及一种CDR关联回填准确性自动化测试方法及系统。
背景技术
CDR(Call Detail Record)表的关联回填，是指被回填的CDR表与源CDR表存在关联关系，将满足特定关联关系的源CDR表中的某一字段的值回填到被回填CDR表指定字段的过程。基于关联回填逻辑规则的准确性测试，通常是对被回填CDR表的回填字段进行人工抽检，查看其回填结果是否与源CDR表满足关联规则的字段值相一致来判断其结果是否正确。CDR表的回填字段是根据产品需求定义的规则，当被回填CDR表的关键字段与源CDR表的关联关键字段满足关联规则时，将源CDR表对应字段的值回填到被回填CDR表指定字段的过程。因此，关联回填准确性测试，就是验证这些规则是否实现正确的一种测试方法。
在现有的测试方法中，关联回填的准确性测试往往采用手工抽测的方式来验证。由于CDR数据量巨大，满足关联关系的数据也很多，手工抽测进行测试，往往只能对一小部分数据进行验证，能发现问题的概率极小，因此，并不能充分验证关联回填的准确性。再加上关联回填的逻辑规则都需要人工分析，手工抽测之前需要编写逻辑较复杂的比较查询SQL并形成测试脚本，测试验证也需要耗费大量人力和时间，并且，当需求发生变化时，关联回填的逻辑规则也会发生变化，维护SQL和测试脚本工作量也较大。而最终的测试结果，仍然需要手工汇总分析，人工判断测试结果的准确性，测试效率较低。
本发明旨在通过基于关联回填的逻辑规则特征建立关联回填准确性的自动化测试模型，提出了一种CDR关联回填准确性自动化测试方法及系统，整个过程实现了自动化，杜绝了手工测试容易发生的错误，提高了测试效率和准确性。
发明内容
本发明所要解决的技术问题在于，提供了一种CDR关联回填准确性自动化测试方法及系统。只需要人工分析关联回填的逻辑规则，将逻辑规则定义为适用于自动化测试的测试需求，就可以由程序按照固定的规则模式自动生成复杂SQL，而不必由人工编写逻辑复杂的SQL，从而实现关联回填准确性的自动化测试。可完全杜绝手工测试容易发生的人为错误，极大地降低人力成本和时间成本，缩短测试周期，提高测试质量。
为了解决上述技术问题，本发明提供了一种CDR关联回填准确性自动化测试方法，包括：
S1.分解产品需求中的关联回填逻辑规则，定义为适用于程序自动识别的测试需求，根据所述关联回填逻辑规则，分析关联回填的数据来源，对单一来源CDR表和多重来源CDR表分别构建独立的SQL规则模式；
S2.根据数据来源的方式不同，按照对应的规则模式，生成关联回填准确性测试SQL，形成测试用例；
S3.根据关联回填准确性测试脚本模板格式生成测试脚本；
S4.执行测试，汇总多种数据来源的测试结果。
进一步地，所述测试需求包括测试对象及其属性和参数，所述测试需求中定义的具体参数包括被回填CDR表、被回填CDR表的回填字段、被回填CDR表的关联关键字段、源CDR表、源CDR表的关联关键字段、源CDR表的回填源字段和满足关联条件的时间区间。
优选地，所述S2中，对于单一来源CDR表，生成关联回填准确性测试SQL的步骤包括：
a1.生成关联表与源表关联的临时数据表；
a2.比较关联表与源表关联回填结果；
对于多重来源CDR表，生成关联回填准确性测试SQL的步骤包括：
b1.生成预关联临时数据表；
b2.生成预关联关键字临时数据表；
b3.生成源数据关键字临时数据表；
b4.生成源数据临时数据表；
b5.比较关联表与源表关联回填结果。
进一步地，所述S2中，对于单一来源CDR表和多重来源CDR表分别采用不同的关联回填准确性测试用例模板。
优选地，所述测试结果包括对关联回填率的统计。
进一步地，所述S4进一步包括人工分析测试结果，若关联回填率低于产品需求的预期水平，需要手工进一步核查原因，找出关联回填错误的典型数据。
相应地，本发明还提供了一种CDR关联回填准确性自动化测试系统，包括：
识别构建模块，用于分解产品需求中的关联回填逻辑规则，定义为适用于程序自动识别的测试需求，根据所述关联回填逻辑规则，分析关联回填的数据来源，对单一来源CDR表和多重来源CDR表分别构建独立的SQL规则模式；
测试用例生成模块，用于根据数据来源的方式不同，按照对应的规则模式，生成关联回填准确性测试SQL，形成测试用例；
测试脚本生成模块，用于根据关联回填准确性测试脚本模板格式生成测试脚本；
测试汇总模块，用于执行测试，汇总多种数据来源的测试结果。
进一步地，所述测试需求包括测试对象及其属性和参数，所述测试需求中定义的具体参数包括被回填CDR表、被回填CDR表的回填字段、被回填CDR表的关联关键字段、源CDR表、源CDR表的关联关键字段、源CDR表的回填源字段和满足关联条件的时间区间。
优选地，所述测试用例生成模块包括SQL实例生成模块，所述SQL实例生成模块包括单一来源CDR表实例生成模块和多重来源CDR表实例生成模块。
进一步地，所述测试用例生成模块中，对于单一来源CDR表和多重来源CDR表分别采用不同的关联回填准确性测试用例模板。
优选地，所述测试汇总模块还包括关联回填率统计模块。
实施本发明实施例，具有如下有益效果：
(1)杜绝了手工测试容易发生的人为错误，提高了测试的质量；
(2)极大地降低了人力成本和时间成本，缩短了测试周期，提高了测试效率。
附图说明
图1是本发明实施例提供的CDR关联回填准确性自动化测试方法流程示意图；
图2是本发明实施例提供的关联回填准确性测试形成测试用例的流程示意图；
图3是本发明实施例提供的关联回填准确性测试SQL实例生成的流程示意图；
图4是本发明实施例提供的关联回填准确性测试生成测试脚本的流程示意图；
图5是本发明实施例提供的关联回填准确性测试汇总及分析测试结果的流程示意图；
图6是本发明实施例提供的关联回填准确性自动化测试系统的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
被回填CDR表的回填字段是根据产品需求定义的规则，当被回填的CDR表与源CDR表存在关联关系时，将满足特定关联关系的源CDR表中的指定字段的值回填到被回填CDR表指定字段。因此，被回填CDR表的关联关键字段和源CDR表的关联关键字段应满足“关联关键字段值相等，回填字段与源字段的值相同”原则。基于这一原则，对于任意回填字段，从被回填CDR表中查询其关键字段对应的回填值和从源CDR表中查询关联关键字段对应的源字段值应该相一致。关联回填准确性测试，就是分别从被回填CDR表和源CDR表查询满足关联规则的数据，比较回填字段值与源字段值的一致性。而查询方法就是编写及执行满足被回填CDR表与源CDR表关联规则并判断回填字段值与源字段值是否相一致的查询SQL。
本实施例提供了一种CDR关联回填准确性自动化测试方法，其流程图如图1所示，包括：
S1.分解产品需求中的关联回填逻辑规则，定义为适用于程序自动识别的测试需求，根据所述关联回填逻辑规则，分析关联回填的数据来源，对单一来源CDR表和多重来源CDR表分别构建独立的SQL规则模式。
具体地，关联回填的数据来源一般分为单一来源和多重来源两种方式，所述测试需求包括测试对象及其属性和参数，所述测试需求中定义的具体参数包括被回填CDR表、被回填CDR表的回填字段、被回填CDR表的关联关键字段、源CDR表、源CDR表的关联关键字段、源CDR表的回填源字段和满足关联条件的时间区间。
在构建SQL规则模式时，对于单一来源和多重来源需要构建各自独立的规则模式。定义测试需求时，需要根据需求的不同逻辑规则选择不同的规则模式。
S2.根据数据来源的方式不同，按照对应的规则模式，生成关联回填准确性测试SQL，形成测试用例。
进一步地，对于单一来源CDR表和多重来源CDR表分别采用不同的关联回填准确性测试用例模板。
S3.根据关联回填准确性测试脚本模板格式生成测试脚本。
S4.执行测试，汇总多种数据来源的测试结果。
具体地，所述测试结果包括对关联回填率的统计。所述S4还包括人工分析测试结果，若关联回填率低于产品需求的预期水平，需要手工进一步核查原因，找出关联回填错误的典型数据。
关联回填准确性自动化测试方法并不针对特定的业务功能，它只是从通用的角度，用通用的测试方法和固定的逻辑覆盖去满足各种业务的关联回填准确性测试需求。这些需求来自信令监测系统，是从监测系统各CDR表的关联回填需求中提炼出来的，所以能覆盖监测系统已有的关联回填准确性测试的需求。在关联回填准确性自动化测试过程中，自动化程序不能自动识别产品需求，因此，需要通过人工分析，将产品需求中的关联回填逻辑规则进行分解，定义为程序可以自动识别的测试需求。
关联回填准确性自动化测试由一系列相互依赖的测试活动组成，从分析产品需求开始，直至最终输出测试结果。每个测试活动都会输出该活动的测试文档或文件，作为下一个活动的输入。为了使程序能够自动化完成测试过程，每一活动的输入和输出必须具有统一的规范格式，使程序可以按照既定的规则获取信息并执行命令，为达到这一目标而设计的关联回填准确性测试需求模板、测试用例模板、测试脚本模板正是关联回填准确性自动化测试模型的产物。
图2是关联回填准确性测试形成测试用例的流程示意图，关联回填准确性自动化测试用例主要包含由被回填CDR表与源CDR表的关联关键字段相关联并比较回填字段值与源字段值是否相一致的查询SQL。要使程序可以自动生成SQL，必须人工分析产品需求，按照产品需求中定义的关联回填规则分解成程序可自动识别的逻辑条件，从而定义测试需求。根据测试需求的定义，程序可以自动识别SQL中动态变化的参数，并根据指定的规则模式，生成对应的SQL，从而形成测试用例。
由于单一来源和多重来源的输入参数个数不同，形成SQL实例的中间处理过程不同，所以规则模式不同，使用的测试用例模板格式也不相同。
图3是关联回填准确性测试SQL实例生成的流程示意图，关联回填准确性测试的查询SQL，包含查询对象、查询来源、查询条件和关联规则的描述。这些描述都遵循固定的SQL语法规则，对这些规则做概括提炼，形成一些固定的模式，这些模式包含查询对象、查询来源、查询条件和关联规则的不同组合。对于不同的回填字段，这些信息是动态变化的。在定义测试需求时，选择特定的规则模式，就选择了该模式所暗含的模式语义，即SQL语法规则，从而形成查询SQL实例。
每个单元化的模式实例都有模式输入参数，也有模式的输出参数。关联回填准确性的SQL实例，输入参数包括被回填CDR表、被回填CDR表的回填字段、被回填CDR表的关联关键字段、源CDR表、源CDR表的关联关键字段、源CDR表的回填源字段和满足关联条件的时间区间，输出参数就是根据对应的关联回填的规则模式生成的SQL实例。单一来源和多来源的输入参数和输出参数属性相同，后者的输入参数个数不同，所以形成SQL实例的中间处理过程不同，但都可以分别形成固定的规则模式。
关联表是单一来源时，形成SQL实例可以由一个SQL完成，而关联表是多重来源时，形成SQL实例需要分步骤完成。对于单一来源CDR表，生成关联回填准确性测试SQL的步骤包括：
a1.生成关联表与源表关联的临时数据表；
a2.比较关联表与源表关联回填结果；
对于多重来源CDR表，生成关联回填准确性测试SQL的步骤包括：
b1.生成预关联临时数据表；
b2.生成预关联关键字临时数据表；
b3.生成源数据关键字临时数据表；
b4.生成源数据临时数据表；
b5.比较关联表与源表关联回填结果。
正是由于对这些生成SQL实例的规则模式化之后所形成的语义规约，使得只需要在测试需求中定义SQL中的动态变化的参数，就可以按照规则模式生成关联回填的SQL实例，从而做到具有相同规则模式的SQL实例逻辑统一。
图4是关联回填准确性测试生成测试脚本的流程示意图，生成测试脚本就是获取测试用例，并按关联回填准确性测试脚本模板格式生成测试脚本文件。同理，由于单一来源和多重来源的规则模式不同，所以使用的测试脚本模板格式也不相同。
图5是关联回填准确性测试汇总及分析测试结果的流程示意图，由于已经将SQL生成测试脚本文件，因此，测试执行过程可以自动运行，而无需手工执行SQL，所以可以快速生成测试结果，从而使得测试执行所需时间大幅缩短。在生成测试脚本的过程中采用了统一的测试脚本模板，又使得生成的测试日志格式统一。从而，自动化程序可以自动从测试日志中获取测试结果。在关联回填准确性的自动化测试中，其测试结果就包含了关联回填率的统计，如果关联回填率低于产品需求的预期水平，就需要手工进一步核查原因，找出关联回填错误的典型数据。同理，由于单一来源和多重来源的规则模式不同，生成的测试脚本不同，测试日志格式也不同，所以汇总测试日志的处理过程不同，但二者的汇总结果格式相同。
表1是被回填CDR表示例：Record A，表2是源CDR表示例：Record B，表3是源CDR表示例：Record C，表4是测试需求模板文件结构：TestRequirement。
表1被回填CDR表：Record A
| ValueA | KeyA | KeyB | … |
| Av1 | Ak1 | Bk1 | … |
| Av2 | Ak2 | Bk2 | … |
| Av3 | Ak3 | Bk3 | … |
| … | … | … | … |
表2源CDR表：Record B
| ValueB | KeyC | KeyD | … |
| Bv1 | Ck1 | Dk1 | … |
| Bv2 | Ck2 | Dk2 | … |
| Bv3 | Ck3 | Dk3 | … |
| … | … | … | … |
表3源CDR表：Record C
| ValueC | KeyE | KeyF | … |
| Cv1 | Ek1 | Fk1 | … |
| Cv2 | Ek2 | Fk2 | … |
| Cv3 | Ek3 | Fk3 | … |
| … | … | … | … |
表4测试需求模板文件结构：TestRequirement
本发明还提供了一种CDR关联回填准确性自动化测试系统，如图6所示，包括：
识别构建模块，用于分解产品需求中的关联回填逻辑规则，定义为适用于程序自动识别的测试需求，根据所述关联回填逻辑规则，分析关联回填的数据来源，对单一来源CDR表和多重来源CDR表分别构建独立的SQL规则模式。
具体地，所述测试需求包括测试对象及其属性和参数，所述测试需求中定义的具体参数包括被回填CDR表、被回填CDR表的回填字段、被回填CDR表的关联关键字段、源CDR表、源CDR表的关联关键字段、源CDR表的回填源字段和满足关联条件的时间区间。
测试用例生成模块，用于根据数据来源的方式不同，按照对应的规则模式，生成关联回填准确性测试SQL，形成测试用例。
具体地，所述测试用例生成模块包括SQL实例生成模块，所述SQL实例生成模块包括单一来源CDR表实例生成模块和多重来源CDR表实例生成模块。对于单一来源CDR表和多重来源CDR表分别采用不同的关联回填准确性测试用例模板。
测试脚本生成模块，用于根据关联回填准确性测试脚本模板格式生成测试脚本。
测试汇总模块，用于执行测试，汇总多种数据来源的测试结果。
具体地，所述测试汇总模块还包括关联回填率统计模块。
本发明采用VBA开发，只要安装了Excel 2007及以上版本软件的计算机，即可运行关联回填准确性的自动化程序，无需其他开发工具及运行环境。
关联回填准确性自动化程序生成的SQL遵循标准的SQL语法规则，其SQL中动态变化的参数部分由人工分析并在测试需求中定义，因此生成的SQL可适用于多种数据库。
近年来，由于较多的使用HADOOP文件系统存储数据，而传统关系型数据库的SQL语法规则与HADOOP的HQL语法规则略有差异、脚本执行查询语言的方式不同、生成的日志格式也不尽相同。但不同的数据存储类型，其查询语言模式解析规则相同，因此，定义测试需求可以采用统一的测试需求模板。生成SQL实例、转换测试脚本以及汇总测试日志需要根据不同的数据存储类型选择采用与其相对应的程序功能，系统根据选择的规则模式自动识别所需使用的模板。
测试需求文件、测试用例文件、以及对哪些CDR表进行测试，都可以通过配置文件灵活设置，大大提高了本发明的使用灵活性。
关联回填准确性自动化测试方法并不针对特定的业务功能，具有通用性。
本发明是根据关联回填准确性的测试需求来实现的，该测试需求使用Excel文件格式存储，中间处理过程的测试用例文件也采用Excel文件格式存储，而Excel本身有VBA开放接口，因此，采用VBA开发了所有处理过程的自动化程序。从程序实现的角度，只要能支持读取和存储Excel文件的开发工具，都可以完成本发明的所有程序的开发。但其开发仍然需要基于关联回填准确性自动化测试模型的建立，并基于适用于关联回填准确性自动化测试模型的测试需求定义，以及基于该模型的SQL模式解析。
本发明在开发过程中，出于测试用例的管理需要，采用了由测试需求生成测试用例，再将测试用例中的SQL生成测试脚本的方案。也可以直接由测试需求生成测试脚本，省去中间的转换步骤，同样可以实现关联回填准确性的自动化测试。
以上所揭露的仅为本发明的较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (11)
1.一种CDR关联回填准确性自动化测试方法，其特征在于，包括：
S1.分解产品需求中的关联回填逻辑规则，定义为适用于程序自动识别的测试需求，根据所述关联回填逻辑规则，分析关联回填的数据来源，对单一来源CDR表和多重来源CDR表分别构建独立的SQL规则模式；
S2.根据数据来源的方式不同，按照对应的规则模式，生成关联回填准确性测试SQL，形成测试用例；
S3.根据关联回填准确性测试脚本模板格式生成测试脚本；
S4.执行测试，汇总多种数据来源的测试结果。
2.根据权利要求1所述的一种CDR关联回填准确性自动化测试方法，其特征在于，所述测试需求包括测试对象及其属性和参数，所述测试需求中定义的具体参数包括被回填CDR表、被回填CDR表的回填字段、被回填CDR表的关联关键字段、源CDR表、源CDR表的关联关键字段、源CDR表的回填源字段和满足关联条件的时间区间。
3.根据权利要求1所述的一种CDR关联回填准确性自动化测试方法，其特征在于，所述S2中，
对于单一来源CDR表，生成关联回填准确性测试SQL的步骤包括：
a1.生成关联表与源表关联的临时数据表；
a2.比较关联表与源表关联回填结果；
对于多重来源CDR表，生成关联回填准确性测试SQL的步骤包括：
b1.生成预关联临时数据表；
b2.生成预关联关键字临时数据表；
b3.生成源数据关键字临时数据表；
b4.生成源数据临时数据表；
b5.比较关联表与源表关联回填结果。
4.根据权利要求3所述的一种CDR关联回填准确性自动化测试方法，其特征在于，所述S2中，对于单一来源CDR表和多重来源CDR表分别采用不同的关联回填准确性测试用例模板。
5.根据权利要求1所述的一种CDR关联回填准确性自动化测试方法，其特征在于，所述测试结果包括对关联回填率的统计。
6.根据权利要求5所述的一种CDR关联回填准确性自动化测试方法，其特征在于，所述S4进一步包括人工分析测试结果，若关联回填率低于产品需求的预期水平，需要手工进一步核查原因，找出关联回填错误的典型数据。
7.一种CDR关联回填准确性自动化测试系统，其特征在于，包括：
识别构建模块，用于分解产品需求中的关联回填逻辑规则，定义为适用于程序自动识别的测试需求，根据所述关联回填逻辑规则，分析关联回填的数据来源，对单一来源CDR表和多重来源CDR表分别构建独立的SQL规则模式；
测试用例生成模块，用于根据数据来源的方式不同，按照对应的规则模式，生成关联回填准确性测试SQL，形成测试用例；
测试脚本生成模块，用于根据关联回填准确性测试脚本模板格式生成测试脚本；
测试汇总模块，用于执行测试后，汇总多种数据来源的测试结果。
8.根据权利要求7所述的一种CDR关联回填准确性自动化测试系统，其特征在于，所述测试需求包括测试对象及其属性和参数，所述测试需求中定义的具体参数包括被回填CDR表、被回填CDR表的回填字段、被回填CDR表的关联关键字段、源CDR表、源CDR表的关联关键字段、源CDR表的回填源字段和满足关联条件的时间区间。
9.根据权利要求7所述的一种CDR关联回填准确性自动化测试系统，其特征在于，所述测试用例生成模块包括SQL实例生成模块，所述SQL实例生成模块包括单一来源CDR表实例生成模块和多重来源CDR表实例生成模块。
10.根据权利要求9所述的一种CDR关联回填准确性自动化测试系统，其特征在于，所述测试用例生成模块中，对于单一来源CDR表和多重来源CDR表分别采用不同的关联回填准确性测试用例模板。
11.根据权利要求7所述的一种CDR关联回填准确性自动化测试系统，其特征在于，所述测试汇总模块还包括关联回填率统计模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810389629.8A CN108829578A (zh) | 2018-04-27 | 2018-04-27 | 一种cdr关联回填准确性自动化测试方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810389629.8A CN108829578A (zh) | 2018-04-27 | 2018-04-27 | 一种cdr关联回填准确性自动化测试方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108829578A true CN108829578A (zh) | 2018-11-16 |
Family
ID=64155734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810389629.8A Pending CN108829578A (zh) | 2018-04-27 | 2018-04-27 | 一种cdr关联回填准确性自动化测试方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108829578A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112231203A (zh) * | 2020-09-28 | 2021-01-15 | 四川新网银行股份有限公司 | 一种基于血缘关系的数据仓库测试分析方法 |
| CN113220588A (zh) * | 2021-06-02 | 2021-08-06 | 北京锐安科技有限公司 | 一种数据处理的自动化测试方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1676214B1 (de) * | 2003-10-06 | 2008-02-13 | belerofon GmbH | Verfahren zur bearbeitung von cdr-informationen |
| US7505567B1 (en) * | 2005-12-30 | 2009-03-17 | At&T Corp. | Method for providing detection of fault location for defect calls in a VoIP network |
| CN101388045A (zh) * | 2008-11-05 | 2009-03-18 | 北京中创信测科技股份有限公司 | 一种进行数据统计的方法及装置 |
| CN105373472A (zh) * | 2015-10-10 | 2016-03-02 | 北京中创信测信息技术有限公司 | 一种基于数据库的统计准确性的测试方法及测试系统 |
| CN105373473A (zh) * | 2015-10-10 | 2016-03-02 | 北京中创信测信息技术有限公司 | 基于原始信令解码的cdr准确性测试方法及测试系统 |
| CN106227782A (zh) * | 2016-07-15 | 2016-12-14 | 广东亿迅科技有限公司 | 一种基于多数据源插入到数据库的方法 |
-
2018
- 2018-04-27 CN CN201810389629.8A patent/CN108829578A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1676214B1 (de) * | 2003-10-06 | 2008-02-13 | belerofon GmbH | Verfahren zur bearbeitung von cdr-informationen |
| US7505567B1 (en) * | 2005-12-30 | 2009-03-17 | At&T Corp. | Method for providing detection of fault location for defect calls in a VoIP network |
| CN101388045A (zh) * | 2008-11-05 | 2009-03-18 | 北京中创信测科技股份有限公司 | 一种进行数据统计的方法及装置 |
| CN105373472A (zh) * | 2015-10-10 | 2016-03-02 | 北京中创信测信息技术有限公司 | 一种基于数据库的统计准确性的测试方法及测试系统 |
| CN105373473A (zh) * | 2015-10-10 | 2016-03-02 | 北京中创信测信息技术有限公司 | 基于原始信令解码的cdr准确性测试方法及测试系统 |
| CN106227782A (zh) * | 2016-07-15 | 2016-12-14 | 广东亿迅科技有限公司 | 一种基于多数据源插入到数据库的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112231203A (zh) * | 2020-09-28 | 2021-01-15 | 四川新网银行股份有限公司 | 一种基于血缘关系的数据仓库测试分析方法 |
| CN113220588A (zh) * | 2021-06-02 | 2021-08-06 | 北京锐安科技有限公司 | 一种数据处理的自动化测试方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9037549B2 (en) | System and method for testing data at a data warehouse | |
| US7984031B2 (en) | Query builder for testing query languages | |
| CN102436494B (zh) | 基于实践检验的执行计划优化的装置及方法 | |
| CN106104472A (zh) | 指定逻辑验证规则并将逻辑验证规则应用于数据 | |
| CN104636257A (zh) | 基于sql覆盖的数据库应用软件自动化测试方法 | |
| CN101894058B (zh) | 针对自动测试系统的测试覆盖性自动分析方法及其装置 | |
| US10528532B2 (en) | Systems and methods for data integration | |
| CN112434024B (zh) | 面向关系型数据库的数据字典生成方法、装置、设备及介质 | |
| Bidoit et al. | Immutably Answering {Why-Not} Questions for Equivalent Conjunctive Queries | |
| Schelter et al. | Taming technical bias in machine learning pipelines | |
| CN105373472A (zh) | 一种基于数据库的统计准确性的测试方法及测试系统 | |
| CN109241104A (zh) | 决策型分布式数据库系统中aisql的解析器及其实现方法 | |
| CN112783867A (zh) | 为满足实时大数据业务需求的数据库优化方法及云服务器 | |
| CN110837471B (zh) | 一种测试方法、装置、服务器及存储介质 | |
| CN108829578A (zh) | 一种cdr关联回填准确性自动化测试方法及系统 | |
| CN110532359A (zh) | 法律条文查询方法、装置、计算机设备和存储介质 | |
| KR102491753B1 (ko) | 쿼리를 이용한 프레임워크 딥러닝 학습 시스템 및 방법 | |
| Valencia Parra et al. | CHAMALEON: framework to improve data wrangling with complex data | |
| Suárez-Cabal et al. | Incremental test data generation for database queries | |
| CN115114325B (zh) | 数据查询方法、装置、电子设备以及存储介质 | |
| Schreck et al. | The AI project manager | |
| CN108345541A (zh) | 一种程序检测方法及系统 | |
| Papicchio et al. | QATCH: Benchmarking SQL-centric tasks with Table Representation Learning Models on Your Data | |
| Ahmed et al. | Dynamic approach for data scrubbing process | |
| Savitri et al. | Study of localized data cleansing process for ETL performance improvement in independent datamart |
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: 20181116 |