CN110489350A - 一种基于nlp的伺服器测试方法 - Google Patents
一种基于nlp的伺服器测试方法 Download PDFInfo
- Publication number
- CN110489350A CN110489350A CN201910863540.5A CN201910863540A CN110489350A CN 110489350 A CN110489350 A CN 110489350A CN 201910863540 A CN201910863540 A CN 201910863540A CN 110489350 A CN110489350 A CN 110489350A
- Authority
- CN
- China
- Prior art keywords
- nlp
- bios
- test
- servomechanism
- screenshot capture
- 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.)
- Granted
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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例公开了一种基于NLP的伺服器测试方法,包括使用IPMI的sol登入系统,进行屏幕截图;基于OCR,将所述屏幕截图转化为文字;基于NLP,对所述文字进行具意分析,比较当前BIOS的功能配置与NLP学习的功能,并根据BIOS的选项选择测试脚本;比较当前log与NLP学习的测试程式,决定测试规则,形成多伺服器通用的测试程式。通过IPMI的SOL登陆系统,并自动获取屏幕截图,无需人为逐个截图,节省时间;通过NLP对转化的文字进行句意分析,同时NLP学习在不同场景下对应的测试策略,从而对当前的句意分析结果给出对应的测试策略,增加了测试的兼容性。研发人员不需要因为不同的伺服器机种而耗费大量的时间来开发对应的测试程式,节省测试成本。
Description
技术领域
本发明涉及计算机测试技术领域,具体地说是一种基于NLP(Natural LanguageProcessing,自然语言处理)的伺服器测试方法。
背景技术
伺服器也称服务器,是提供计算服务的设备。伺服器需要相应服务请求并进行处理,需要提供高可靠的服务,在处理能力、稳定性、可靠性、安全性等方面要求较高。因此需要出产的伺服器进行全面测试,以满足各种需求。
伺服器在开发中会使用VGA(Video Graphics Array,视频传输标准)Text mode作为BMC(Baseboard Management Controller,基板管理控制器)的输出功能,现有测试中需要人为获取每个VGA Text mode的截图,再通过底层向量来做分类,从而对应测试脚本。
这样人工标记图片的内容需要耗费大量的时间,有时因为增加新选项需要重新截图,花费的时间就会翻倍。
发明内容
本发明实施例中提供了一种基于NLP的伺服器测试方法,以解决现有技术中进行伺服器测试耗时久的问题。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
本发明提供了一种基于NLP的伺服器测试方法,包括以下步骤:
使用IPMI(Intelligent Platform Management Interface,智能平台管理接口)的sol登入系统,进行屏幕截图;
基于OCR(Optical Character Recognition,光学字元辨认),将所述屏幕截图转化为文字;
基于NLP,对所述文字进行具意分析,比较当前BIOS(Basic Input OutputSystem,基本输入输出系统)的功能配置与NLP学习的功能,并根据BIOS的选项选择测试脚本;
比较当前log与NLP学习的测试程式,决定测试规则,形成多伺服器通用的测试程式。
进一步地,所述屏幕截图包括BIOS屏幕截图和BMC的SEL log屏幕截图。
进一步地,所述比较当前BIOS的功能配置与NLP学习的功能之前还包括步骤:
NLP对BIOS屏幕截图进行监督式学习,形成BIOS的NLP模型。
进一步地,所述NLP对BIOS屏幕截图进行监督式学习,形成BIOS的NLP模型的具体过程为:
标记要学习的信息,包括关键字和/或关键字关联的字眼;
根据OCR对BIOS屏幕截图转化的文字结果,NLP基于标记信息进行学习,形成BIOS的NLP模型。
进一步地,所述BIOS的NLP模型包括根据BIOS的配置描述得到BIOS的功能,及所述功能对应的测试脚本。
进一步地,所述比较当前BIOS的功能配置与NLP学习的功能,并根据BIOS的选项选择测试脚本的具体过程为:
获取伺服器当前BIOS屏幕截图对应的文字结果,得到对应的BIOS选项;
获取当前BIOS的功能配置,从BIOS的NLP模型中查找当前BIOS功能配置对应的测试脚本;
调用所述测试脚本进行测试。
进一步地,所述比较当前log与NLP学习的测试程式之前还包括步骤:
NLP对BMC的SEL log屏幕截图进行监督式学习,形成BMC的NLP模型。
进一步地,所述NLP对BMC的SEL log屏幕截图进行监督式学习,形成BMC的NLP模型的具体过程为:
标记要学习的信息,包括SEL log的错误信息;
根据OCR对BMC的SEL log屏幕截图转化的文字结果,NLP基于标记信息进行分类学习,形成BMC的NLP模型。
进一步地,所述BMC的NLP模型包括SEL log内的错误信息及对应的决定规则。
进一步地,所述比较当前log与NLP学习的测试程式,决定测试规则,形成多伺服器通用的测试程式的具体过程为:
获取伺服器当前SEL log屏幕截图对应的文字结果,得到对应的错误信息;
获取当前错误讯息对应的分类,从BMC的NLP模型中获取对用的测试规则;
应用所述测试规则,控制伺服器的测试进程。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明实施例通过IPMI的SOL登陆系统,并自动获取屏幕截图,无需人为逐个截图,节省时间;且结合OCR,将屏幕截图转化为文字,并通过NLP对转化的文字进行句意分析,同时NLP学习在不同场景下对应的测试策略,从而对当前的句意分析结果给出对应的测试策略,增加了测试的兼容性。研发人员不需要因为不同的伺服器机种而耗费大量的时间来开发对应的测试程式,节省测试成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所述方法的流程示意图;
图2是本发明BIOS部分,选择测试脚本的流程示意图;
图3是本发明BMC部分,控制伺服器测试进程的流程示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明基于NLP的伺服器测试方法,包括以下步骤:
S1,使用IPMI的sol登入系统,进行屏幕截图;
S2,基于OCR,将所述屏幕截图转化为文字;
S3,基于NLP,对所述文字进行具意分析,比较当前BIOS的功能配置与NLP学习的功能,并根据BIOS的选项选择测试脚本;
S4,比较当前log与NLP学习的测试程式,决定测试规则,形成多伺服器通用的测试程式。
步骤S1中,得到的屏幕截图包括BIOS屏幕截图和BMC的SEL log屏幕截图。
OCR本质是图像识别,是对文字资料的图像档案进行分析辨认处理,取得文字及版面信息的过程。步骤S2利用OCR技术,将步骤S1中得到的屏幕截图转换为文字信息。
NLP是针对人类语言文字进行各种自动化处理的技术,其目标是要让电脑认识、分析、理解、合成人类语言,进行各式运算,希望最终以自然语言为没接,让电脑跟人类顺畅沟通,已完成各项指定的任务。
自然语言处理涵盖的议题包括短词、词性标记、专有名词标记、词义消歧、代名词释义、句法剖析、文法比对、语意角色标注、语意逻辑推论、自动音译、机器翻译、语音辨识、语音合成等。而针对文字内文内容,NLP可以是伺服器专用的名词来判断目前使用功能的具意。
如图2所示,步骤S3中形成BIOS的NLP模型选择测试脚本的具体过程为:
S31,标记要学习的信息,包括关键字和/或关键字关联的字眼;
S32,根据OCR对BIOS屏幕截图转化的文字结果,NLP基于标记信息进行学习,形成BIOS的NLP模型。
S33,获取伺服器当前BIOS屏幕截图对应的文字结果,得到对应的BIOS选项;
S34,获取当前BIOS的功能配置,从BIOS的NLP模型中查找当前BIOS功能配置对应的测试脚本;
S35,调用所述测试脚本进行测试。
步骤S31和步骤S32是进行监督式学习,建立BIOS的NLP模型的过程。该过程中,依次学习不同伺服器机种在不同测试条件下对测试脚本的选择,并对应保存至NLP模型中。
步骤S31中,进行要学习信息的标记,并利用Labeling function函数判断标记内容的正确与否,标记关键字进行学习时,会将关键字及相关联的字眼同时学习,且学习目的针对性强,学习效率高。
利用NLP获取当前BIOS选项中description的内容,该description内有功能的描述,测试策略中会对一些测试条件进行修改,如测试内容中新增ACS(Access controlservice,存取控制服务)去开启或关闭它进行测试,NLP会对以上过程进行学习并保存到NLP模型中,在步骤S33进行比较,若当前BIOS的功能配置为新增ACS,NLP就会利用学习的内容,进行开启或关闭测试。
如图3所示,步骤S4中形成BMC的NLP模型并控制伺服器测试进行的具体过程为:
S41,标记要学习的信息,包括SEL log的错误信息;
S42,根据OCR对BMC的SEL log屏幕截图转化的文字结果,NLP基于标记信息进行分类学习,形成BMC的NLP模型;
S43,获取伺服器当前SEL log屏幕截图对应的文字结果,得到对应的错误信息;
S44,获取当前错误讯息对应的分类,从BMC的NLP模型中获取对用的测试规则;
S45,应用所述测试规则,控制伺服器的测试进程。
步骤S41中,SEL log中的错误信息包括error、warning和notice,且对错误信息进行进一步分类,如对错误信息error分类,如PCIE correctable error类。
步骤S42中,利用监督式学习,对不同伺服器机种对应的SEL log中错误信息的处理方式进行学习,并形成BMC的NLP模型。
步骤S43中,若对比到当前SEL log中的错误信息为PCIE correctable error类,则根据学习的结果,控制伺服器测试中断或减速。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视为本发明的保护范围。
Claims (10)
1.一种基于NLP的伺服器测试方法,其特征是,包括以下步骤:
使用IPMI的sol登入系统,进行屏幕截图;
基于OCR,将所述屏幕截图转化为文字;
基于NLP,对所述文字进行具意分析,比较当前BIOS的功能配置与NLP学习的功能,并根据BIOS的选项选择测试脚本;
比较当前log与NLP学习的测试程式,决定测试规则,形成多伺服器通用的测试程式。
2.根据权利要求1所述的一种基于NLP的伺服器测试方法,其特征是,所述屏幕截图包括BIOS屏幕截图和BMC的SEL log屏幕截图。
3.根据权利要求2所述的一种基于NLP的伺服器测试方法,其特征是,所述比较当前BIOS的功能配置与NLP学习的功能之前还包括步骤:
NLP对BIOS屏幕截图进行监督式学习,形成BIOS的NLP模型。
4.根据权利要求3所述的一种基于NLP的伺服器测试方法,其特征是,所述NLP对BIOS屏幕截图进行监督式学习,形成BIOS的NLP模型的具体过程为:
标记要学习的信息,包括关键字和/或关键字关联的字眼;
根据OCR对BIOS屏幕截图转化的文字结果,NLP基于标记信息进行学习,形成BIOS的NLP模型。
5.根据权利要求4所述的一种基于NLP的伺服器测试方法,其特征是,所述BIOS的NLP模型包括根据BIOS的配置描述得到BIOS的功能,及所述功能对应的测试脚本。
6.根据权利要求5所述的一种基于NLP的伺服器测试方法,其特征是,所述比较当前BIOS的功能配置与NLP学习的功能,并根据BIOS的选项选择测试脚本的具体过程为:
获取伺服器当前BIOS屏幕截图对应的文字结果,得到对应的BIOS选项;
获取当前BIOS的功能配置,从BIOS的NLP模型中查找当前BIOS功能配置对应的测试脚本;
调用所述测试脚本进行测试。
7.根据权利要求2所述的一种基于NLP的伺服器测试方法,其特征是,所述比较当前log与NLP学习的测试程式之前还包括步骤:
NLP对BMC的SEL log屏幕截图进行监督式学习,形成BMC的NLP模型。
8.根据权利要求7所述的一种基于NLP的伺服器测试方法,其特征是,所述NLP对BMC的SEL log屏幕截图进行监督式学习,形成BMC的NLP模型的具体过程为:
标记要学习的信息,包括SEL log的错误信息;
根据OCR对BMC的SEL log屏幕截图转化的文字结果,NLP基于标记信息进行分类学习,形成BMC的NLP模型。
9.根据权利要求8所述的一种基于NLP的伺服器测试方法,其特征是,所述BMC的NLP模型包括SEL log内的错误信息及对应的决定规则。
10.根据权利要求9所述的一种基于NLP的伺服器测试方法,其特征是,所述比较当前log与NLP学习的测试程式,决定测试规则,形成多伺服器通用的测试程式的具体过程为:
获取伺服器当前SEL log屏幕截图对应的文字结果,得到对应的错误信息;
获取当前错误讯息对应的分类,从BMC的NLP模型中获取对用的测试规则;
应用所述测试规则,控制伺服器的测试进程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863540.5A CN110489350B (zh) | 2019-09-12 | 2019-09-12 | 一种基于nlp的伺服器测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863540.5A CN110489350B (zh) | 2019-09-12 | 2019-09-12 | 一种基于nlp的伺服器测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110489350A true CN110489350A (zh) | 2019-11-22 |
CN110489350B CN110489350B (zh) | 2022-07-08 |
Family
ID=68557847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910863540.5A Active CN110489350B (zh) | 2019-09-12 | 2019-09-12 | 一种基于nlp的伺服器测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110489350B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608565A (zh) * | 2024-01-23 | 2024-02-27 | 杭州实在智能科技有限公司 | 基于屏幕截图分析的rpa中ai类组件推荐方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304328A (zh) * | 2018-02-05 | 2018-07-20 | 苏州大学 | 一种众包测试报告的文本描述生成方法、系统及装置 |
CN108763068A (zh) * | 2018-05-15 | 2018-11-06 | 福建天泉教育科技有限公司 | 一种基于机器学习的自动化测试方法及终端 |
-
2019
- 2019-09-12 CN CN201910863540.5A patent/CN110489350B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304328A (zh) * | 2018-02-05 | 2018-07-20 | 苏州大学 | 一种众包测试报告的文本描述生成方法、系统及装置 |
CN108763068A (zh) * | 2018-05-15 | 2018-11-06 | 福建天泉教育科技有限公司 | 一种基于机器学习的自动化测试方法及终端 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608565A (zh) * | 2024-01-23 | 2024-02-27 | 杭州实在智能科技有限公司 | 基于屏幕截图分析的rpa中ai类组件推荐方法及系统 |
CN117608565B (zh) * | 2024-01-23 | 2024-05-10 | 杭州实在智能科技有限公司 | 基于屏幕截图分析的rpa中ai类组件推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110489350B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699377A (zh) | 基于切片属性图表示学习的函数级代码漏洞检测方法 | |
CN109753636A (zh) | 机器处理及文本纠错方法和装置、计算设备以及存储介质 | |
US9589049B1 (en) | Correcting natural language processing annotators in a question answering system | |
CN108764480A (zh) | 一种信息处理的系统 | |
CN111951789B (zh) | 语音识别模型的训练、语音识别方法、装置、设备及介质 | |
CN112149399A (zh) | 基于rpa及ai的表格信息抽取方法、装置、设备及介质 | |
CN109871322B (zh) | 一种基于机器学习的程序题自动评分方法 | |
CN107301164B (zh) | 数学公式的语义解析方法及装置 | |
US20210182733A1 (en) | Training method and device for machine translation model and storage medium | |
WO2023236252A1 (zh) | 答案生成方法、装置、电子设备及存储介质 | |
US20220414463A1 (en) | Automated troubleshooter | |
CN113672931A (zh) | 一种基于预训练的软件漏洞自动检测方法及装置 | |
CN112766255A (zh) | 一种光学文字识别方法、装置、设备及存储介质 | |
CN111221961A (zh) | 一种基于s-lstm模型与槽值门的说话人意图识别系统及方法 | |
WO2023236253A1 (zh) | 文档检索方法、装置及电子设备 | |
CN110489350A (zh) | 一种基于nlp的伺服器测试方法 | |
JP2001056634A (ja) | 自動採点システム | |
CN113204488A (zh) | 一种针对递归神经网络驱动的对话系统的自动化测试方法 | |
CN106548787B (zh) | 优化生词的评测方法及评测系统 | |
Pabasara et al. | Grammatical error detection and correction model for Sinhala language sentences | |
CN114564967B (zh) | 一种面向情感语义的语义标注及语义依存分析方法及装置 | |
CN113761209B (zh) | 文本拼接方法及装置、电子设备、存储介质 | |
KR20230064304A (ko) | 자동 레이블링 장치 및 이를 이용한 발화 문장의 레이블링 방법 | |
CN116432666A (zh) | 一种文本评估方法、装置、电子设备和存储介质 | |
CN113407676A (zh) | 题目批改方法和系统、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |