CN110515753A - 一种功能缺陷类型检测方法及系统 - Google Patents
一种功能缺陷类型检测方法及系统 Download PDFInfo
- Publication number
- CN110515753A CN110515753A CN201910806396.1A CN201910806396A CN110515753A CN 110515753 A CN110515753 A CN 110515753A CN 201910806396 A CN201910806396 A CN 201910806396A CN 110515753 A CN110515753 A CN 110515753A
- Authority
- CN
- China
- Prior art keywords
- function
- defect type
- tested
- nearest neighbour
- algorithm model
- 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
- 230000007849 functional defect Effects 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 127
- 238000007635 classification algorithm Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000012360 testing method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 12
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种功能缺陷类型检测方法及系统,方法包括:获取待测试的功能的信息,基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。本发明通过功能缺陷类型的k最邻近分类算法模型,能够有效的确定出系统功能的缺陷类型,能够帮助系统开发人员最大程度的预知系统功能缺陷以及预防系统功能缺陷。
Description
技术领域
本发明涉及功能检测技术领域,尤其涉及一种功能缺陷类型检测方法及系统。
背景技术
通常情况下,一个系统功能的实现,需要经过开发人员的代码编写,测试人员对系统的功能进行功能测试后,再正式上线,而每一个系统在前期的研发、后期的使用中或多或少都会产生一些问题或者缺陷。
因此,如何确定系统功能的缺陷类型,是一项亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种功能缺陷类型检测方法,能够有效的确定出系统功能的缺陷类型。
本发明提供了一种功能缺陷类型检测方法,包括:
获取待测试的功能的信息;
基于所述待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定所述待测试的功能的缺陷类型。
优选地,在所述获取待测试的功能的信息前,还包括:
构建功能缺陷类型的k最邻近分类算法模型。
优选地,所述构建功能缺陷类型的k最邻近分类算法模型包括:
获取系统的历史功能缺陷类型;
基于所述历史功能缺陷类型构建k最邻近分类算法模型。
优选地,所述方法还包括:
优化功能缺陷类型的k最邻近分类算法模型。
一种功能缺陷类型检测系统,包括:
获取模块,用于获取待测试的功能的信息;
检测模块,用于基于所述待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定所述待测试的功能的缺陷类型。
优选地,所述系统还包括:
模型构建模块,用于构建功能缺陷类型的k最邻近分类算法模型。
优选地,所述模型构建模块在执行构建功能缺陷类型的k最邻近分类算法模型时,具体包括:
获取单元,用于获取系统的历史功能缺陷类型;
k最邻近分类算法模型构建单元,用于基于所述历史功能缺陷类型构建k最邻近分类算法模型。
优选地,所述系统还包括:
优化模块,用于优化功能缺陷类型的k最邻近分类算法模型。
综上所述,本发明公开了一种功能缺陷类型检测方法,当需要定位系统功能的缺陷类型时,首先获取待测试的功能的信息,然后基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。本发明通过功能缺陷类型的k最邻近分类算法模型,能够有效的确定出系统功能的缺陷类型,能够帮助系统开发人员最大程度的预知系统功能缺陷以及预防系统功能缺陷。
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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明公开的一种功能缺陷类型检测方法实施例1的方法流程图;
图2为本发明公开的一种功能缺陷类型检测方法实施例2的方法流程图;
图3为本发明公开的一种功能缺陷类型检测方法实施例3的方法流程图;
图4为本发明公开的一种功能缺陷类型检测方法实施例4的方法流程图;
图5为本发明公开的一种功能缺陷类型检测系统实施例1的结构示意图;
图6为本发明公开的一种功能缺陷类型检测系统实施例2的结构示意图;
图7为本发明公开的一种功能缺陷类型检测系统实施例3的结构示意图;
图8为本发明公开的一种功能缺陷类型检测系统实施例4的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明公开的一种功能缺陷类型检测方法实施例1的方法流程图,所述方法可以包括以下步骤:
S101、获取待测试的功能的信息;
当需要定位系统功能的缺陷类型时,首先获取需要进行测试的功能的信息。例如,获取系统的功能范围、代码类型、编码人员等数据。
S102、基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。
当获取到待测试的功能的信息后,将获取到的待测试的功能的信息输入预先构建的功能缺陷类型的k最邻近分类算法模型中,确定出待测试的功能的缺陷类型。
综上所述,当需要定位系统功能的缺陷类型时,首先获取待测试的功能的信息,然后基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。本发明通过功能缺陷类型的k最邻近分类算法模型,能够有效的确定出系统功能的缺陷类型,能够帮助系统开发人员最大程度的预知系统功能缺陷以及预防系统功能缺陷。
如图2所示,为本发明公开的一种功能缺陷类型检测方法实施例2的方法流程图,所述方法可以包括以下步骤:
S201、构建功能缺陷类型的k最邻近分类算法模型;
当需要定位系统功能的缺陷类型时,首先构建用于确定缺陷类型的k最邻近分类算法模型。
S202、获取待测试的功能的信息;
在定位系统功能的缺陷类型过程中,首先获取需要进行测试的功能的信息。例如,获取系统的功能范围、代码类型、编码人员等数据。
S203、基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。
当获取到待测试的功能的信息后,将获取到的待测试的功能的信息输入预先构建的功能缺陷类型的k最邻近分类算法模型中,确定出待测试的功能的缺陷类型。
综上所述,当需要定位系统功能的缺陷类型时,首先构建功能缺陷类型的k最邻近分类算法模型,然后获取待测试的功能的信息,然后基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。本发明通过构建的功能缺陷类型的k最邻近分类算法模型,能够有效的确定出系统功能的缺陷类型,能够帮助系统开发人员最大程度的预知系统功能缺陷以及预防系统功能缺陷。
如图3所示,为本发明公开的一种功能缺陷类型检测方法实施例3的方法流程图,所述方法可以包括以下步骤:
S301、获取系统的历史功能缺陷类型;
当需要定位系统功能的缺陷类型时,首先构建用于确定缺陷类型的k最邻近分类算法模型。
具体的,在构建用于确定缺陷类型的k最邻近分类算法模型时,首先获取系统的历史功能缺陷类型。例如,获取缺陷功能范围、缺陷代码类型、编码人员等数据,作为样本类别。
S302、基于历史功能缺陷类型构建k最邻近分类算法模型;
当获取到系统的历史功能缺陷类型后,通过k最邻近分类算法进行回归算法,得到每个样本类别的权值大小,构建出功能缺陷类型的k最邻近分类算法模型。
S303、获取待测试的功能的信息;
在定位系统功能的缺陷类型过程中,首先获取需要进行测试的功能的信息。例如,获取系统的功能范围、代码类型、编码人员等数据。
S304、基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。
当获取到待测试的功能的信息后,将获取到的待测试的功能的信息输入预先构建的功能缺陷类型的k最邻近分类算法模型中,确定出待测试的功能的缺陷类型。
综上所述,当需要定位系统功能的缺陷类型时,首先获取系统的历史功能缺陷类型,基于历史功能缺陷类型构建k最邻近分类算法模型,然后获取待测试的功能的信息,然后基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。本发明通过根据历史功能缺陷类型构建的功能缺陷类型的k最邻近分类算法模型,能够有效的确定出系统功能的缺陷类型,能够帮助系统开发人员最大程度的预知系统功能缺陷以及预防系统功能缺陷。
如图4所示,为本发明公开的一种功能缺陷类型检测方法实施例4的方法流程图,所述方法可以包括以下步骤:
S401、获取系统的历史功能缺陷类型;
当需要定位系统功能的缺陷类型时,首先构建用于确定缺陷类型的k最邻近分类算法模型。
具体的,在构建用于确定缺陷类型的k最邻近分类算法模型时,首先获取系统的历史功能缺陷类型。例如,获取缺陷功能范围、缺陷代码类型、编码人员等数据,作为样本类别。
S402、基于历史功能缺陷类型构建k最邻近分类算法模型;
当获取到系统的历史功能缺陷类型后,通过k最邻近分类算法进行回归算法,得到每个样本类别的权值大小,构建出功能缺陷类型的k最邻近分类算法模型。
S403、获取待测试的功能的信息;
在定位系统功能的缺陷类型过程中,首先获取需要进行测试的功能的信息。例如,获取系统的功能范围、代码类型、编码人员等数据。
S404、基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型;
当获取到待测试的功能的信息后,将获取到的待测试的功能的信息输入预先构建的功能缺陷类型的k最邻近分类算法模型中,确定出待测试的功能的缺陷类型。
具体的,k最邻近分类算法的核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。k最邻近分类算法在类别决策时,只与极少量的相邻样本有关。k最邻近分类算法不仅可以用于分类,还可以用于回归,通过找出一个样本的K个最近邻居,将这些邻居的属性的平均值赋给该样本,就可以得到该样本的属性,更有效的方法是将不同距离的邻居对该样本产生的影响给予不同的权值。
具体的,k最邻近分类算法包括以下步骤:
1、准备数据,对数据进行预处理;
2、选用合适的数据结构存储训练数据和测试元组;
3、设定参数,如k;
4、维护一个大小为k的按距离由大到小的优先级队列,用于存储最近邻训练元组。随机从训练元组中挑选k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,将训练元组标号和距离存入优先级队列;
5、遍历训练元组集,计算当前训练元组与测试元组的距离,将所得距离L与优先级队列中的最大距离Lmax进行比较,若L>=Lmax,则舍弃该元组,遍历下一个元组。若L<Lmax,删除优先级队列中最大距离的元组,将当前训练元组存入优先级队列;
6、遍历完毕,计算优先级队列中k个元组的多数类,并将其作为测试元组的类别;
7、测试元组集测试完毕后计算误差率,继续设定不同的k值重新进行训练,最后取误差率最小的k值。
S405、优化功能缺陷类型的k最邻近分类算法模型。
在对功能的缺陷类型进行检测时,还可以根据实际需求,对k最邻近分类算法模型进行优化。例如,根据不同的功能缺陷类型设定不同的k最邻近分类算法模型参数。
如图5所示,为本发明公开的一种功能缺陷类型检测系统实施例1的结构示意图,所述系统可以包括:
获取模块501,用于获取待测试的功能的信息;
当需要定位系统功能的缺陷类型时,首先获取需要进行测试的功能的信息。例如,获取系统的功能范围、代码类型、编码人员等数据。
检测模块502,用于基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。
当获取到待测试的功能的信息后,将获取到的待测试的功能的信息输入预先构建的功能缺陷类型的k最邻近分类算法模型中,确定出待测试的功能的缺陷类型。
综上所述,当需要定位系统功能的缺陷类型时,首先获取待测试的功能的信息,然后基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。本发明通过功能缺陷类型的k最邻近分类算法模型,能够有效的确定出系统功能的缺陷类型,能够帮助系统开发人员最大程度的预知系统功能缺陷以及预防系统功能缺陷。
如图6所示,为本发明公开的一种功能缺陷类型检测系统实施例2的结构示意图,所述系统可以包括:
模型构建模块601,用于构建功能缺陷类型的k最邻近分类算法模型;
当需要定位系统功能的缺陷类型时,首先构建用于确定缺陷类型的k最邻近分类算法模型。
获取模块602,用于获取待测试的功能的信息;
在定位系统功能的缺陷类型过程中,首先获取需要进行测试的功能的信息。例如,获取系统的功能范围、代码类型、编码人员等数据。
检测模块603,用于基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。
当获取到待测试的功能的信息后,将获取到的待测试的功能的信息输入预先构建的功能缺陷类型的k最邻近分类算法模型中,确定出待测试的功能的缺陷类型。
综上所述,当需要定位系统功能的缺陷类型时,首先构建功能缺陷类型的k最邻近分类算法模型,然后获取待测试的功能的信息,然后基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。本发明通过构建的功能缺陷类型的k最邻近分类算法模型,能够有效的确定出系统功能的缺陷类型,能够帮助系统开发人员最大程度的预知系统功能缺陷以及预防系统功能缺陷。
如图7所示,为本发明公开的一种功能缺陷类型检测系统实施例3的结构示意图,所述系统可以包括:
获取单元701,用于获取系统的历史功能缺陷类型;
当需要定位系统功能的缺陷类型时,首先构建用于确定缺陷类型的k最邻近分类算法模型。
具体的,在构建用于确定缺陷类型的k最邻近分类算法模型时,首先获取系统的历史功能缺陷类型。例如,获取缺陷功能范围、缺陷代码类型、编码人员等数据,作为样本类别。
k最邻近分类算法模型构建单元702,用于基于历史功能缺陷类型构建k最邻近分类算法模型。
当获取到系统的历史功能缺陷类型后,通过k最邻近分类算法进行回归算法,得到每个样本类别的权值大小,构建出功能缺陷类型的k最邻近分类算法模型。
获取模块703,用于获取待测试的功能的信息;
在定位系统功能的缺陷类型过程中,首先获取需要进行测试的功能的信息。例如,获取系统的功能范围、代码类型、编码人员等数据。
检测模块704,用于基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。
当获取到待测试的功能的信息后,将获取到的待测试的功能的信息输入预先构建的功能缺陷类型的k最邻近分类算法模型中,确定出待测试的功能的缺陷类型。
综上所述,当需要定位系统功能的缺陷类型时,首先获取系统的历史功能缺陷类型,基于历史功能缺陷类型构建k最邻近分类算法模型,然后获取待测试的功能的信息,然后基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型。本发明通过根据历史功能缺陷类型构建的功能缺陷类型的k最邻近分类算法模型,能够有效的确定出系统功能的缺陷类型,能够帮助系统开发人员最大程度的预知系统功能缺陷以及预防系统功能缺陷。
如图8所示,为本发明公开的一种功能缺陷类型检测系统实施例4的结构示意图,所述系统可以包括:
获取单元801,用于获取系统的历史功能缺陷类型;
当需要定位系统功能的缺陷类型时,首先构建用于确定缺陷类型的k最邻近分类算法模型。
具体的,在构建用于确定缺陷类型的k最邻近分类算法模型时,首先获取系统的历史功能缺陷类型。例如,获取缺陷功能范围、缺陷代码类型、编码人员等数据,作为样本类别。
k最邻近分类算法模型构建单元802,用于基于历史功能缺陷类型构建k最邻近分类算法模型。
当获取到系统的历史功能缺陷类型后,通过k最邻近分类算法进行回归算法,得到每个样本类别的权值大小,构建出功能缺陷类型的k最邻近分类算法模型。
获取模块803,用于获取待测试的功能的信息;
在定位系统功能的缺陷类型过程中,首先获取需要进行测试的功能的信息。例如,获取系统的功能范围、代码类型、编码人员等数据。
检测模块804,用于基于待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定待测试的功能的缺陷类型;
当获取到待测试的功能的信息后,将获取到的待测试的功能的信息输入预先构建的功能缺陷类型的k最邻近分类算法模型中,确定出待测试的功能的缺陷类型。
具体的,k最邻近分类算法的核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。k最邻近分类算法在类别决策时,只与极少量的相邻样本有关。k最邻近分类算法不仅可以用于分类,还可以用于回归,通过找出一个样本的K个最近邻居,将这些邻居的属性的平均值赋给该样本,就可以得到该样本的属性,更有效的方法是将不同距离的邻居对该样本产生的影响给予不同的权值。
具体的,k最邻近分类算法包括以下步骤:
1、准备数据,对数据进行预处理;
2、选用合适的数据结构存储训练数据和测试元组;
3、设定参数,如k;
4、维护一个大小为k的按距离由大到小的优先级队列,用于存储最近邻训练元组。随机从训练元组中挑选k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,将训练元组标号和距离存入优先级队列;
5、遍历训练元组集,计算当前训练元组与测试元组的距离,将所得距离L与优先级队列中的最大距离Lmax进行比较,若L>=Lmax,则舍弃该元组,遍历下一个元组。若L<Lmax,删除优先级队列中最大距离的元组,将当前训练元组存入优先级队列;
6、遍历完毕,计算优先级队列中k个元组的多数类,并将其作为测试元组的类别;
7、测试元组集测试完毕后计算误差率,继续设定不同的k值重新进行训练,最后取误差率最小的k值。
优化模块805,用于优化功能缺陷类型的k最邻近分类算法模型。
在对功能的缺陷类型进行检测时,还可以根据实际需求,对k最邻近分类算法模型进行优化。例如,根据不同的功能缺陷类型设定不同的k最邻近分类算法模型参数。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种功能缺陷类型检测方法,其特征在于,包括:
获取待测试的功能的信息;
基于所述待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定所述待测试的功能的缺陷类型。
2.根据权利要求1所述的方法,其特征在于,在所述获取待测试的功能的信息前,还包括:
构建功能缺陷类型的k最邻近分类算法模型。
3.根据权利要求2所述的方法,其特征在于,所述构建功能缺陷类型的k最邻近分类算法模型包括:
获取系统的历史功能缺陷类型;
基于所述历史功能缺陷类型构建k最邻近分类算法模型。
4.根据权利3所述的方法,其特征在于,还包括:
优化功能缺陷类型的k最邻近分类算法模型。
5.一种功能缺陷类型检测系统,其特征在于,包括:
获取模块,用于获取待测试的功能的信息;
检测模块,用于基于所述待测试的功能的信息,以及功能缺陷类型的k最邻近分类算法模型,确定所述待测试的功能的缺陷类型。
6.根据权利要求5所述的系统,其特征在于,还包括:
模型构建模块,用于构建功能缺陷类型的k最邻近分类算法模型。
7.根据权利要求6所述的系统,其特征在于,所述模型构建模块在执行构建功能缺陷类型的k最邻近分类算法模型时,具体包括:
获取单元,用于获取系统的历史功能缺陷类型;
k最邻近分类算法模型构建单元,用于基于所述历史功能缺陷类型构建k最邻近分类算法模型。
8.根据权利要求7所述的系统,其特征在于,还包括:
优化模块,用于优化功能缺陷类型的k最邻近分类算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806396.1A CN110515753A (zh) | 2019-08-28 | 2019-08-28 | 一种功能缺陷类型检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806396.1A CN110515753A (zh) | 2019-08-28 | 2019-08-28 | 一种功能缺陷类型检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110515753A true CN110515753A (zh) | 2019-11-29 |
Family
ID=68627820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910806396.1A Pending CN110515753A (zh) | 2019-08-28 | 2019-08-28 | 一种功能缺陷类型检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110515753A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170082555A1 (en) * | 2015-09-18 | 2017-03-23 | Kla-Tencor Corporation | Adaptive Automatic Defect Classification |
CN107203450A (zh) * | 2016-03-16 | 2017-09-26 | 伊姆西公司 | 故障的分类方法和设备 |
CN107341104A (zh) * | 2017-06-16 | 2017-11-10 | 广州云测信息技术有限公司 | 一种基于云测试的测试结果处理方法及系统 |
CN109446076A (zh) * | 2018-10-15 | 2019-03-08 | 广东省科技基础条件平台中心 | 软件项目测试方法、系统、存储介质及终端设备 |
-
2019
- 2019-08-28 CN CN201910806396.1A patent/CN110515753A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170082555A1 (en) * | 2015-09-18 | 2017-03-23 | Kla-Tencor Corporation | Adaptive Automatic Defect Classification |
CN107203450A (zh) * | 2016-03-16 | 2017-09-26 | 伊姆西公司 | 故障的分类方法和设备 |
CN107341104A (zh) * | 2017-06-16 | 2017-11-10 | 广州云测信息技术有限公司 | 一种基于云测试的测试结果处理方法及系统 |
CN109446076A (zh) * | 2018-10-15 | 2019-03-08 | 广东省科技基础条件平台中心 | 软件项目测试方法、系统、存储介质及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104185840B (zh) | 在持续部署流水线中用来优先化多个测试的方法、系统和装置 | |
CN106549772B (zh) | 资源预测方法、系统和容量管理装置 | |
CN108804266A (zh) | 一种存储系统性能测试方法、装置和计算机可读存储介质 | |
CN114547827A (zh) | 一种基础设施群运行状态评价方法、电子设备及存储介质 | |
CN107678972A (zh) | 一种测试用例的评估方法及相关装置 | |
WO2006007588A2 (en) | Method and system for test case generation | |
CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与系统 | |
CN107220121A (zh) | 一种numa架构下沙箱环境测试方法及其系统 | |
CN110347590A (zh) | 业务系统的接口测试控制方法及装置 | |
CN110262959A (zh) | 底层服务压力测试方法、装置、电子设备及存储介质 | |
CN109828750A (zh) | 自动配置数据埋点的方法、装置、电子设备及存储介质 | |
CN108959101A (zh) | 测试结果处理方法、装置、设备及存储器软件测试系统 | |
US20150089641A1 (en) | Computer system and signature verification server | |
CN106899436A (zh) | 一种云平台故障预测诊断系统 | |
CN103049310B (zh) | 一种基于采样的多核模拟并行加速方法 | |
CN114610639A (zh) | 一种对图形用户界面测试的方法、装置、设备及存储介质 | |
CN110442474A (zh) | 一种数据一致性验证方法、系统及数据验证端 | |
US9021289B2 (en) | Method and system for power estimation based on a number of signal changes | |
CN110515753A (zh) | 一种功能缺陷类型检测方法及系统 | |
CN109634569A (zh) | 基于注解的流程实现方法、装置、设备及可读存储介质 | |
CN107911252A (zh) | 一种非结构化分布式存储系统性能分析方法、系统及设备 | |
CN113383319B (zh) | 目标驱动的动态对象放置优化 | |
CN107239572A (zh) | 一种存储管理软件的数据缓存方法及装置 | |
CN107220116A (zh) | 一种numa架构下的沙箱环境任务处理方法及系统 | |
CN106202374A (zh) | 一种数据处理方法及装置 |
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 |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |