CN110515837B - 一种基于efsm模型和聚类分析的测试用例排序方法 - Google Patents

一种基于efsm模型和聚类分析的测试用例排序方法 Download PDF

Info

Publication number
CN110515837B
CN110515837B CN201910701110.3A CN201910701110A CN110515837B CN 110515837 B CN110515837 B CN 110515837B CN 201910701110 A CN201910701110 A CN 201910701110A CN 110515837 B CN110515837 B CN 110515837B
Authority
CN
China
Prior art keywords
test cases
cluster
test case
efsm
state
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.)
Active
Application number
CN201910701110.3A
Other languages
English (en)
Other versions
CN110515837A (zh
Inventor
魏丹
孙情瑛
王兴起
邵艳利
陈滨
方景龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deep Space Exploration Technology Beijing Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910701110.3A priority Critical patent/CN110515837B/zh
Publication of CN110515837A publication Critical patent/CN110515837A/zh
Application granted granted Critical
Publication of CN110515837B publication Critical patent/CN110515837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F11/3676—Test management for coverage analysis
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

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)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于EFSM模型和聚类分析的测试用例排序方法。本发明首先根据EFSM模型，构建复杂网络模型，计算EFSM模型的状态权重，然后构建测试用例的状态向量，结合状态向量和状态权重信息计算任意两个测试用例相似度，再根据相似度设计改进的K均值聚类算法，运用该聚类算法对测试用例进行聚类分析，尽可能使得不同簇中的测试用例不同。最后，结合聚类分析结果，设计测试用例排序策略。本发明相比传统基于模型的测试用例排序技术，考虑了测试用例之间的相关性，使得已排序的测试用例序列中相邻的测试用例尽可能来自不同的簇，即相邻测试用例具有不同的错误检测能力，能够尽早发现模型中不同的错误。

Description

一种基于EFSM模型和聚类分析的测试用例排序方法
技术领域
本发明是一种对基于模型的测试用例集进行优化处理的技术，目的在于通过该技术处理的测试用例集在对模型驱动开发的软件进行测试时，可以优先捕获软件中不同类型的错误，从而减少软件测试的开销。
背景技术
随着软件规模的不断扩大，软件测试在软件设计中逐渐扮演非常重要的角色。由于敏捷开发的快速发展，软件系统的更新越来越快，回归测试技术被广泛使用。回归测试是验证系统中引入的修改是否正确并且是否对系统的未更改部分产生负面影响的过程。在回归测试期间，首先测试系统的修改元素。然后需要使用现有的测试用例重新测试整个系统，以确保修改不会将新故障引入系统。但是，回归测试被应用于重新验证软件的质量，是一个昂贵的过程。
为了降低软件测试成本，在学术界和工业界研究了各种测试用例优先级技术。由于测试用例优先级技术通过调整测试用例的顺序而不减少测试用例的数量来提高软件测试的效率，因此逐渐成为回归测试的热点。对于已经存在的基于模型的测试用例排序技术没有考虑测试用例之间的相关性，将测试用例分类考虑，使得具有类似检错能力的测试用例可能被集中考虑，从而连续重复揭示较多相同错误，对不同错误的捕获效率较低。
发明内容
本发明针对现有技术的不足，提出了一种基于EFSM模型和聚类分析的测试用例排序方法，本发明在基于模型的测试用例排序方法中引入了聚类技术。聚类技术使得来自同一簇的测试用例尽可能相似，来自不同簇的测试用例尽可能相异。最终使得已经排序的测试用例集中相邻测试用例尽可能来自不同的簇，从而提高对不同错误的捕获效率。
本发明方法具体包括以下步骤：
步骤1、构建EFSM模型的复杂网络模型，统计状态权重。其具体实施步骤如下：
1-1.创建复杂网络模型的节点。根据EFSM的状态创建复杂网络模型的节点，即EFSM的状态映射为复杂网络模型的节点。
1-2.设置复杂网络模型节点之间的有向边。根据EFSM状态之间直接或者间接的关联性设置复杂网络模型节点之间的有向边。
1-3.设置复杂网络模型边的权值。假设在EFSM模型中状态se到sf最少经过Q条边，则在复杂网络模型中节点ne和nf之间边的权值为1/Q,其中Q≥1。
1-4.统计复杂网络模型节点的权值
Figure BDA0002150823200000021
在复杂网络模型中，入边表示某个函数被许多重要的方法调用，出边表示多个重要的方法被某个函数调用。复杂网络模型某节点的权值为该节点出边和入边加权求和。
1-5.获得EFSM模型状态的权值
Figure BDA0002150823200000022
因为复杂网络模型中节点是通过EFSM模型的状态映射而来，所以EFSM中状态的权值为复杂网络模型中对应的节点的权值。
步骤2、构建测试用例的状态向量。在EFSM模型中，状态矩阵体现了迁移上方法之间的调用关系，因此，使用状态向量来表示测试用例。测试用例状态向量为EFSM模型中所有状态是否在当前测试用例中被包含的有序对。假设EFSM模型中有m个状态，状态表示为s1,s2,s3,…,sm,则当前测试用例是否包含EFSM模型第a个状态表示为|sa|，1≤a≤m，当测试用例包含状态sa,则|sa|＝1,当不包含状态sa，则|sa|＝0,状态向量sv＝<|s1|,|s2|,|s3|,…,|sm|>。
步骤3、结合状态向量和状态权重信息计算任意两个测试用例相似度。相似度越大的两个测试用例的共同点越多，对错误的检测能力越相似，将根据相似度对测试用例进行聚类分析，使得获得不同错误检测能力的簇。
步骤4、根据相似度设计改进的K均值聚类对测试用例进行聚类分析，改进的K均值聚类由K均值聚类演变而来，最终使得已经排序的测试用例相邻的测试用例尽可能来自不同的簇，从而提高对不同错误的捕获效率。
步骤5、结合聚类方法，设计测试用例排序策略，其中，将未被覆盖的迁移的个数作为测试用例的优先级。
本发明的有益效果：
1.该技术考虑到基于模型的软件中测试用例之间的相似性。相似度越大的两个测试用例错误检测能力越相似。因此采用聚类算法将测试用例分到各自的簇中，对于最终测试用例集可以提高对不同错误的捕获效率。
2.该技术采用Additional策略准则，将未被覆盖迁移个数作为测试用例优先级，即考虑了测试用例的覆盖能力。覆盖能力较大的测试用例将被优先考虑。
附图说明
图1为基于EFSM模型和聚类分析的测试用例排序方法的整体流程
图2为复杂网络模型构建的流程
图3为改进的K均值算法的流程
图4为基于聚类的测试用例排序策略的流程
具体实施方式
下面根据附图结合一个无人机飞控系统的模块的测试用例优先排序过程对本发明进行详细说明。本发明的流程如附图图1所示，具体步骤如下：
步骤1：构建EFSM模型的复杂网络模型，统计状态权重。
步骤2：构建测试用例的状态向量。
步骤3：结合状态向量和状态权重信息计算任意两个测试用例相似度。
步骤4：根据相似度设计改进的K均值聚类对测试用例进行聚类分析，尽可能使得不同簇中的测试用例不同。
步骤5：结合聚类方法，设计测试用例排序策略，其中，将未被覆盖的迁移的个数作为测试用例的优先级。
进一步，在步骤1中，将根据无人机飞控软件的EFSM模型，构建复杂网络模型，再根据复杂网络模型统计EFSM模型的状态权重，该流程如附图2所示。
1-1.首先创建复杂网络模型的节点。根据EFSM的状态创建复杂网络模型的节点，即EFSM的状态映射为复杂网络模型的节点。设EFSM的状态序列为s1,s2,…,sL,则对应的复杂网络模型的节点为n1,n2,…,nL。
1-2.设置复杂网络模型节点之间的有向边。根据EFSM状态之间直接或者间接地关联性为复杂网络模型节点之间设置有向边。对于状态se和sf(1≤e＜L和1＜f≤L):
Figure BDA0002150823200000031
其中，tef表示状态se到sf的一条有向边，
Figure BDA0002150823200000041
表示复杂网络模型中节点ne和nf之间有边连接，
Figure BDA0002150823200000042
表示复杂网络模型中节点ne和nf之间无边连接。
1-3.设置复杂网络模型边的权值。假设在EFSM模型中状态se到sf最少经过Q条边，则在复杂网络模型中节点ne和nf之间边的权值为1/Q，其中Q≥1。
1-4.统计复杂网络模型节点的权值
Figure BDA0002150823200000043
在复杂网络模型中，入边表示某个函数被许多重要的方法调用，出边表示多个重要的方法被某个函数调用。复杂网络模型某节点的权值为该节点出边和入边加权求和。
1-5.获得EFSM模型状态的权值
Figure BDA0002150823200000044
复杂网络模型中节点的权值对应于EFSM中状态的权值，所以，
Figure BDA0002150823200000045
进一步，在步骤2中，根据无人机飞控软件EFSM模型生成测试用例，并构建测试用例的状态向量。在EFSM模型中，状态矩阵体现了迁移上方法之间的调用关系，因此，使用状态向量来表示测试用例。测试用例的状态向量被定义如下：
测试用例状态向量为EFSM模型中所有状态是否在当前测试用例中被包含的有序对。假设EFSM模型中有m个状态，状态表示为s1,s2,s3,…,sm，则当前测试用例是否包含EFSM模型第a个状态表示为|sa|，1≤a≤m，当测试用例包含状态sa,则|sa|＝1，当不包含状态sa，则|sa|＝0,sv＝<|s1|,|s2|,|s3|,…,|sm|>。
在无人机飞控软件中，其中一个EFSM模型总共有20个状态表示为s1,s2,s3,…,s20，生成三个测试用例表示为T1,T2,T3，生成的状态向量表示为sv1,sv2,sv3。其中T1包含s1,s2,s3,s5,s7,s8,T2包含s1,s2,s3,s9,s10,T3包含s1,s2,s3,s4,s6,s8,则sv1＝<1,1,1,0,1,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0>,sv2＝<1,1,1,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0,0>,sv3＝<1,1,1,1,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0>。
进一步，在步骤3中，结合无人机飞控软件EFSM模型的状态向量和状态权重信息计算任意两个测试用例相似度。相似度越大的两个测试用例的共同点越多，对错误的检测能力越相似，将根据相似度对测试用例进行聚类分析，使得获得不同错误检测能力的簇。测试用例之间的相似度(sim)，其定义如下：
假设EFSM模型中有m个状态，状态表示为s1,s2,s3,…,sm,存在两个测试用例Ti,Tj,对应的状态向量分别为svi＝<|s1|,|s2|,|s3|,…,|sm|>,svj＝<|s1|,|s2|,|s3|,…,|sm|>,两个测试用例共有的状态为sp,sq,sr，共有状态在状态向量中分别表示为|sp|,|sq|,|sr|,状态对应的权重分别为
Figure BDA0002150823200000051
因此可得出相似度公式如下：
Figure BDA0002150823200000052
其中，1≤p≤m,1≤q≤m,1≤r≤m and p≠q,p≠r,q≠r。
案例说明：
在无人机飞控软件中，其中一个EFSM模型中总共有20个状态表示为s1,s2,s3,…,s20，各个状态的权值表示为w1,w2,…,w20,存在两个测试用例T1,T2，生成的状态向量表示为sv1,sv2，sv1＝<1,1,1,0,1,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0>,sv2＝<1,1,1,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0,0>，
Figure BDA0002150823200000053
w3＝1,
Figure BDA0002150823200000054
Figure BDA0002150823200000055
10＝1,
Figure BDA0002150823200000056
13＝1,
Figure BDA0002150823200000057
Figure BDA0002150823200000058
20＝1则相似度为：
Figure BDA0002150823200000059
Figure BDA00021508232000000510
进一步，在步骤4中，根据无人机飞控软件EFSM模型中测试用例的相似度设计改进的K均值聚类算法对测试用例进行聚类分析，改进的K均值聚类算法根据K均值聚类演变而来，该算法流程如附图3所示。在描述改进的K均值聚类算法之前，需要先定义测试用例之间的距离、测试用例到簇的距离，具体实施如下：
4-1.测试用例之间的距离定义。越相似的两个测试用例则距离越近。所以，当两个测试用例相似度不为0时，采用相似度的倒数作为两个测试用例的距离测量；当两个测试用例相似度为0时，则距离为∞。因此，对于任意两个测试用例Ti和Tj，其距离
Figure BDA0002150823200000061
定义如下：
Figure BDA0002150823200000062
其中，
Figure BDA0002150823200000063
为根据公式(3)得到的两个测试用例的相似度。
4-2.测试用例到簇的距离定义。假设存在一个测试用例T和一个包含N个测试用例的簇C，N个测试用例分别为T1,T2,T3,…,TN，则该测试用例与簇C的距离(disTC)表示为：
Figure BDA0002150823200000064
4-3.改进的K均值聚类算法具体实现步骤为：
1)簇集合初始化。在未被聚类的测试用例集中选取K个测试用例，放到簇集合的各个簇中，作为各个簇的初始元素，各个簇表示为c1,c2,c3,…cK。
2)对于未聚类的测试用例集，根据公式(5)计算它们与这些簇的距离，按距离最近的准则将它们放到与之距离最近的簇中。当所有元素被分类到各个簇中，则完成第1次簇更新。
3)更新各个簇的元素。对于未聚类原始用例集中每一个元素，根据公式(5)计算它们与这些簇的距离(在第P次簇集合更新中，一个元素到cv的距离为该元素到第P-1次更新的簇集合中cv的距离)，将该元素归类到与之距离最小的簇中,1≤v≤K。
4)判断本次聚类结果与上一次是否一致。若一致，则输出聚类结果，若不一致，则执行步骤3。
步骤5、结合聚类方法，设计测试用例排序策略，策略流程如附图4所示。其中，将未被覆盖的迁移的个数作为测试用例的优先级。测试用例排序策略的设计，具体实施步骤如下：
5-1.将未排序测试用例集聚类。根据步骤4提出的改进的K均值聚类算法对未排序的测试用例进行聚类，得到包含K个簇的簇集合C，表示为C＝{c1,c2,c3,…cK},K＞1.
5-2.创建临时簇集合S。将簇集合C中所有的非空簇放入集合S中。
5-3.挑选高优先级测试用例放入已排序队列。从集合S中挑选优先级最高的测试用例，设置为Th，假设Th∈cx(1≤x≤K),将Th放入已经排序的队列，设置Th所有的迁移为已经覆盖，将Th从簇集合C中删除，将cx从簇集合S中删除，更新簇集合C和簇集合S中所有测试用例优先级。
5-4.判断。若集合S不为空，则执行步骤3，若集合S为空，则判断集合C是否为空，若集合C不为空，则执行步骤2，若为空则输出已经排序的队列。
5-5.输出已经排序的队列。

Claims (3)

1.一种基于EFSM模型和聚类分析的测试用例排序方法，其特征包括如下步骤：
步骤1：构建EFSM模型的复杂网络模型，统计状态权重；
步骤2：构建测试用例的状态向量；
测试用例状态向量被定义为EFSM模型中所有状态是否在当前测试用例中被包含的有序对；假设EFSM模型中有m个状态，状态表示为s1，s2，s3，...，sm，则当前测试用例是否包含EFSM模型第a个状态表示为|sa|，1≤a≤m，当测试用例包含状态sa，则|sa|＝1，当不包含状态sa，则|sa|＝0，状态向量sv＝＜|s1|，|s2|，|s3|，...，|sm|＞；
步骤3：结合状态向量和状态权重信息计算任意两个测试用例相似度；
具体如下：假设EFSM模型中有m个状态，状态表示为s1，s2，s3，...，sm，存在两个测试用例Ti，Tj，对应的状态向量分别为svi＝＜|s1|，|s2|，|s3|，...，|sm|＞，svj＝＜|s1|，|s2|，|s3|，...，|sm|＞，两个测试用例共有的状态为sp，sq，sr，共有状态在状态向量中分别表示为|sp|，|sq|，|sr|，状态对应的权重分别为
Figure FDA0002150823190000011
因此可得出相似度公式如下，
Figure FDA0002150823190000012
其中1≤p≤m，1≤q≤m，1≤r≤m and p≠q，p≠r，q≠r；
步骤4：根据相似度设计改进的K均值聚类，对测试用例进行聚类分析，尽可能使得不同簇中的测试用例不同；
具体为：4-1.测试用例之间的距离定义；
越相似的两个测试用例则距离越近，则当两个测试用例相似度不为0时，采用相似度的倒数作为两个测试用例的距离测量；当两个测试用例相似度为0时，则距离为∞；因此，对于任意两个测试用例Ti和Tj，其距离
Figure FDA0002150823190000013
定义如下：
Figure FDA0002150823190000014
其中，
Figure FDA0002150823190000021
为根据公式(3)得到的两个测试用例的相似度；
4-2.测试用例到簇的距离定义；假设存在一个测试用例T和一个包含N个测试用例的簇C，N个测试用例分别为T1，T2，T3，...，TN，则该测试用例与簇C的距离disTC表示为：
Figure FDA0002150823190000022
4-3.改进的K均值聚类算法具体实现步骤为：
1)簇集合初始化；在未被聚类的测试用例集中选取K个测试用例，放到簇集合的各个簇中，作为各个簇的初始元素，各个簇表示为c1，c2，c3，...cK；
2)对于未聚类的测试用例集，根据公式(5)计算它们与这些簇的距离，按距离最近的准则将它们放到与之距离最近的簇中；当所有元素被分类到各个簇中，则完成第1次簇更新；
3)更新各个簇的元素；对于未聚类原始用例集中每一个元素，根据公式(5)计算它们与这些簇的距离，即在第P次簇集合更新中，一个元素到cv的距离为该元素到第P-1次更新的簇集合中cv的距离，将该元素归类到与之距离最小的簇中，1≤v≤K；
4)判断本次聚类结果与上一次是否一致；若一致，则输出聚类结果，若不一致，则执行3)；
步骤5：结合聚类结果，设计测试用例排序策略，其中，将未被覆盖的迁移的个数作为测试用例的优先级。
2.根据权利要求1所述的一种基于EFSM模型和聚类分析的测试用例排序方法，其特征在于步骤1所述的构建EFSM模型的复杂网络模型，统计状态权重具体实施步骤如下：
2-1.创建复杂网络模型的节点；根据EFSM的状态创建复杂网络模型的节点，即EFSM的状态映射为复杂网络模型的节点；设EFSM的状态序列为s1，s2，...，sL，则对应的复杂网络模型的节点为n1，n2，...，nL；
2-2.设置复杂网络模型节点之间的有向边；根据EFSM状态之间直接或者间接的关联性为复杂网络模型节点之间设置有向边；对于状态se和sf，1≤e＜L并且1＜f≤L：
Figure FDA0002150823190000023
其中，tef表示状态se到sf的一条有向边，
Figure FDA0002150823190000031
表示复杂网络模型中节点ne和nf之间有边连接，
Figure FDA0002150823190000032
表示复杂网络模型中节点ne和nf之间无边连接；
2-3.设置复杂网络模型边的权值；假设在EFSM模型中状态se到sf最少经过Q条边，则在复杂网络模型中节点ne和nf之间边的权值为1/Q，其中Q≥1；
2-4.统计复杂网络模型节点的权值
Figure FDA0002150823190000033
在复杂网络模型中，入边表示某个函数被许多重要的方法调用，出边表示多个重要的方法被某个函数调用；复杂网络模型某节点的权值为该节点出边和入边加权求和；
2-5.获得EFSM模型状态的权值
Figure FDA0002150823190000034
复杂网络模型中节点的权值对应于EFSM中状态的权值，所以，
Figure FDA0002150823190000035
3.根据权利要求1所述的一种基于EFSM模型和聚类分析的测试用例排序方法，其特征在于步骤5所述的测试用例排序策略的设计，具体实施步骤如下：
3-1.将未排序测试用例集聚类；根据改进的K均值聚类算法对未排序的测试用例进行聚类，得到包含K个簇的簇集合C，表示为C＝{c1，c2，c3，...cK}，K＞1.
3-2.创建临时簇集合S；将簇集合C中所有的非空簇放入集合S中；
3-3.将未被覆盖的迁移的个数作为测试用例的优先级，挑选高优先级测试用例放入已排序队列；从集合S中挑选优先级最高的测试用例，设置为Th，假设Th∈cx(1≤x≤K)，将Th放入已经排序的队列，设置Th所有的迁移为已经覆盖，将Th从簇集合C中删除，将cx从簇集合S中删除，更新簇集合C和簇集合S中所有测试用例优先级；
3-4.判断；若集合S不为空，则执行步骤3，若集合S为空，则判断集合C是否为空，若集合C不为空，则执行步骤2，若为空则输出已经排序的队列；
3-5.输出已经排序的队列。
CN201910701110.3A 2019-07-31 2019-07-31 一种基于efsm模型和聚类分析的测试用例排序方法 Active CN110515837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910701110.3A CN110515837B (zh) 2019-07-31 2019-07-31 一种基于efsm模型和聚类分析的测试用例排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910701110.3A CN110515837B (zh) 2019-07-31 2019-07-31 一种基于efsm模型和聚类分析的测试用例排序方法

Publications (2)

Publication Number Publication Date
CN110515837A CN110515837A (zh) 2019-11-29
CN110515837B true CN110515837B (zh) 2022-12-02

Family

ID=68623754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910701110.3A Active CN110515837B (zh) 2019-07-31 2019-07-31 一种基于efsm模型和聚类分析的测试用例排序方法

Country Status (1)

Country Link
CN (1) CN110515837B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629998B (zh) * 2022-12-22 2023-03-10 北京航空航天大学 一种基于KMeans聚类和相似度的测试用例筛选方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050125159A1 (en) * 2001-10-01 2005-06-09 Stein Joshua C. Methods for analyzing biological elements
CN102253889B (zh) * 2011-08-07 2014-02-26 南京大学 一种回归测试中基于分布的测试用例优先级划分方法
CN108021509B (zh) * 2017-12-27 2020-08-18 西安交通大学 基于程序行为网络聚合的测试用例动态排序方法

Also Published As

Publication number Publication date
CN110515837A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
US20190279088A1 (en) Training method, apparatus, chip, and system for neural network model
JP7117934B2 (ja) 画像分類装置及びプログラム
CN111047563B (zh) 一种应用于医学超声图像的神经网络构建方法
CN109460793A (zh) 一种节点分类的方法、模型训练的方法及装置
CN111507370A (zh) 获得自动标注图像中检查标签的样本图像的方法和装置
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN112465040A (zh) 一种基于类不平衡学习算法的软件缺陷预测方法
CN113282409B (zh) 边缘计算任务的处理方法、装置和计算机设备
CN113807499A (zh) 轻量级神经网络模型训练方法、系统、装置及存储介质
CN111275114A (zh) 一种sdn架构下的基于集成学习的网络资质图片鉴别方法
CN110515837B (zh) 一种基于efsm模型和聚类分析的测试用例排序方法
CN113850311A (zh) 一种基于分组和多样性增强的长尾分布图像识别方法
CN107066328A (zh) 大规模数据处理平台的构建方法
CN107193940A (zh) 大数据优化分析方法
CN112434734A (zh) 基于动态分类器序列组合的选择性集成方法
CN117349151A (zh) 一种基于聚类的测试用例优先级排序方法、装置及存储介质
CN114650321A (zh) 用于边缘计算的任务调度方法及边缘计算终端
CN110097184B (zh) 信息处理方法以及信息处理系统
CN117056018A (zh) 资源调度方法、装置、设备、程序产品和存储介质
CN114048040B (zh) 基于内存与图像分类模型时延关系的任务调度方法
CN113610350B (zh) 复杂工况故障诊断方法、设备、存储介质及装置
CN111061626B (zh) 基于神经元激活频率分析的测试用例优先级排序方法
CN107103095A (zh) 基于高性能网络架构的数据计算方法
CN101866426A (zh) 一种基于k近邻方法的加权收缩方法
CN112487295A (zh) 5g套餐推送方法、装置、电子设备及计算机存储介质

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wei Dan

Inventor after: Sun Qingying

Inventor after: Wang Xingqi

Inventor after: Shao Yanli

Inventor after: Chen Bin

Inventor after: Fang Jinglong

Inventor before: Wang Xingqi

Inventor before: Sun Qingying

Inventor before: Wei Dan

Inventor before: Shao Yanli

Inventor before: Chen Bin

Inventor before: Fang Jinglong

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230616

Address after: 601, 6th Floor, Building 5, Courtyard 2, Qunming Hunan Road, No. 68 Shijingshan Road, Beijing, 100043

Patentee after: Deep Space Exploration Technology (Beijing) Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University