CN110851344B - 基于计算公式复杂性的大数据测试方法、装置、电子设备 - Google Patents

基于计算公式复杂性的大数据测试方法、装置、电子设备 Download PDF

Info

Publication number
CN110851344B
CN110851344B CN201910875759.7A CN201910875759A CN110851344B CN 110851344 B CN110851344 B CN 110851344B CN 201910875759 A CN201910875759 A CN 201910875759A CN 110851344 B CN110851344 B CN 110851344B
Authority
CN
China
Prior art keywords
calculation formula
data
test
value
formula
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
CN201910875759.7A
Other languages
English (en)
Other versions
CN110851344A (zh
Inventor
郭碧仙
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.)
Hundsun Technologies Inc
Original Assignee
Hundsun Technologies Inc
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 Hundsun Technologies Inc filed Critical Hundsun Technologies Inc
Priority to CN201910875759.7A priority Critical patent/CN110851344B/zh
Publication of CN110851344A publication Critical patent/CN110851344A/zh
Application granted granted Critical
Publication of CN110851344B publication Critical patent/CN110851344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F11/3672—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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请实施例提出了基于计算公式复杂性的大数据测试方法、装置、电子设备，包括：从数据源处采集对应计算公式的测试数据，对测试数据进行清洗；基于清洗后的测试数据对计算公式进行训练，确定计算公式的参数值，根据已确定的参数值判定计算公式是否有效；当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值；基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试。通过对计算公式复杂性进行判断，能够选取更为适合当前计算公式的测试方式，解决大数据测试场景下因计算公式复杂性不同导致测试时长和准确性无法统一的缺陷。

Description

基于计算公式复杂性的大数据测试方法、装置、电子设备
技术领域
本发明属于数据处理领域，尤其涉及计算公式复杂性验证方法、装置、电子设备。
背景技术
近年来，随着互联网，数据仓库、数据挖掘、云计算等互联网技术的不断发展，大数据技术开始向商业、科技、医疗、政府、教育、经济、交通、物流及社会的各个领域渗透，与之对应的大数据商业应用系统也在不断涌现。
随着大数据技术的广泛应用，针对大数据技术具体应用的计算公式也变得更加复杂。考虑到计算公式的准确性会对大数据应用起到关键影响，因此对计算公式的快速验证已成为亟待解决的问题。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了基于计算公式复杂性的大数据测试方法、装置、电子设备，能够对当前大数据测试所使用的计算公式进行复杂性判断，并根据具体的判断结果确定是对测试数据进行修改或是建立针对性的测试脚本，以便缩短测试时间的同时确保测试准确性。
为了达到上述技术目的，根据本公开实施例的第一方面，本实施例提供了一种基于计算公式复杂性的大数据测试方法，所述大数据测试方法包括：
从数据源处采集对应计算公式的测试数据，对测试数据进行清洗；
基于清洗后的测试数据对计算公式进行训练，确定计算公式的参数值，根据已确定的参数值判定计算公式是否有效；
当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值；
基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试。
可选的，所述从数据源处采集对应计算公式的测试数据，对测试数据进行清洗，包括：
针对每个数据源数据存储方式不同，采取对应的访问方式从每个数据源处获取对应计算公式的测试数据；
删除存在格式错误的测试数据。
可选的，所述基于清洗后的测试数据对计算公式进行训练，确定计算公式的参数值，根据已确定的参数值判定计算公式是否有效，包括：
将测试数据划分为训练数据集和预测数据集；
确定对应计算公式的激活函数，将训练数据集中的数据导入激活函数中，计算得到计算公式的参数值，确定计算公式的完整表达式；
计算完整表达式相对于预测数据集的正确率，根据正确率判定计算公式是否有效。
可选的，所述确定对应计算公式的激活函数，将训练数据集中的数据导入激活函数中，计算得到计算公式的参数值，确定计算公式的完整表达式，包括：
将分类数学模型逻辑算法中的log函数作为计算公式的激活函数，如公式一所示；
将训练数据集中的测试数据按对应关系不同划分为至少两组测试数据，每组测试数据包括自变量、因变量两种类型，将自变量数据代入公式一中的X，将同组的因变量数据代入公式一中的P；
经过数据代入求解得到对应每个自变量X的权重值β，以及对应该组测试数据的截距值b，根据得到权重值β以及截距值b的确定计算公式的完整表达式。
可选的，所述计算完整表达式相对于预测数据集的正确率，根据正确率判定计算公式是否有效，包括：
将预测数据集中的数据导入完整表达式中计算得到理论输出值，结合预测数据集中的标准输出值计算理论输出值的正确率，当正确率高于预设阈值时判定计算公式有效。
可选的，所述当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值，包括：
在判定计算公式有效后，选取对应每个参数值的因素参数；
在对应计算公式的激活函数中，结合实际测试环境对每个因素参数进行赋值；
计算赋值后激活函数输出的复杂判定值。
可选的，所述基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试，包括：
如果复杂判定值大于等于判定阈值，表明计算公式为复杂公式，需建立针对计算公式的测试脚本完成大数据覆盖测试；
如果复杂判定值小于等于判定阈值，表明计算公式为非复杂公式，需补充针对计算公式的测试数据场景完成大数据覆盖测试。
根据本公开实施例的第二方面，基于计算公式复杂性的大数据测试装置，所述大数据测试装置包括：
数据处理模块，用于从数据源处采集对应计算公式的测试数据，对测试数据进行清洗；
有效性判定模块，用于基于清洗后的测试数据对计算公式进行训练，确定计算公式的参数值，根据已确定的参数值判定计算公式是否有效；
判定值计算模块，用于当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值；
测试处理模块，用于基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试。
可选的，所述数据处理模块包括：
数据获取单元，用于针对每个数据源数据存储方式不同，采取对应的访问方式从每个数据源处获取对应计算公式的测试数据；
数据剔除单元，用于删除存在格式错误的测试数据。
可选的，所述有效性判定模块包括：
数据划分单元，用于将测试数据划分为训练数据集和预测数据集；
表达式确定单元，用于确定对应计算公式的激活函数，将训练数据集中的数据导入激活函数中，计算得到计算公式的参数值，确定计算公式的完整表达式；
公式有效性判定单元，用于计算完整表达式相对于预测数据集的正确率，根据正确率判定计算公式是否有效。
可选的，所述表达式确定单元包括：
激活函数确定单元，用于将分类数学模型逻辑算法中的log函数作为计算公式的激活函数，如公式一所示；
参数代入单元，用于将训练数据集中的测试数据按对应关系不同划分为至少两组测试数据，每组测试数据包括自变量、因变量两种类型，将自变量数据代入公式一中的X，将同组的因变量数据代入公式一中的P；
公式构建单元，用于经过数据代入求解得到对应每个自变量X的权重值β，以及对应该组测试数据的截距值b，根据得到权重值β以及截距值b的确定计算公式的完整表达式。
可选的，所述公式有效性判定单元具体用于：
将预测数据集中的数据导入完整表达式中计算得到理论输出值，结合预测数据集中的标准输出值计算理论输出值的正确率，当正确率高于预设阈值时判定计算公式有效。
可选的，所述判定值计算模块包括：
参数选取单元，用于在判定计算公式有效后，选取对应每个参数值的因素参数；
赋值单元，用于在对应计算公式的激活函数中，结合实际测试环境对每个因素参数进行赋值；
复杂判定值计算单元，用于计算赋值后激活函数输出的复杂判定值。
可选的，所述测试处理模块包括：
第一测试处理单元，用于如果复杂判定值大于等于判定阈值，表明计算公式为复杂公式，需建立针对计算公式的测试脚本完成大数据覆盖测试；
第二测试处理单元，用于如果复杂判定值小于等于判定阈值，表明计算公式为非复杂公式，需补充针对计算公式的测试数据场景完成大数据覆盖测试。
根据本公开实施例的第三方面，本实施例提供了一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行前述基于计算公式复杂性的大数据测试方法的步骤。
根据本公开实施例的第四方面，本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行前述基于计算公式复杂性的大数据测试方法的步骤。
本发明提供的技术方案带来的有益效果是：
通过确定计算公式的复杂度判断为复杂公式或非复杂公式；如果判断计算公式为复杂公式，需要单独建立测试脚本进行测试，如果判断计算公式为非复杂公式，则在现有测试数据基础上增加测试数据场景，以便满足测试需求。这里通过对计算公式复杂性进行判断，能够选取更为适合当前计算公式的测试方式，解决大数据测试场景下因计算公式复杂性不同导致测试时长和准确性无法统一的缺陷。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例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为本实施例提出的基于计算公式复杂性的大数据测试方法的流程示意图；
图2为本实施例提出的测试数据中自变量、因变量的数据示意图；
图3为本实施例提出的基于计算公式复杂性的大数据测试装置的结构示意图；
图4为本实施例提出的用于执行基于计算公式复杂性的大数据测试方法的电子设备的结构示意图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
为了能够实现快速精确的对大数据进行测试，本实施例提出了基于测试用的计算公式的复杂性采取针对性措施的大数据测试方法，如果判断计算公式为复杂公式，需要单独建立测试脚本进行测试，如果判断计算公式为非复杂公式，则在现有测试数据基础上增加测试数据场景，以便满足测试需求。这里通过对计算公式复杂性进行判断，能够选取更为适合当前计算公式的测试方式，解决大数据测试场景下因计算公式复杂性不同导致测试时长和准确性无法统一的缺陷。出于便于说明的目的，本实施例中的执行方法以针对接口的测试用例进行说明
为了达到上述技术目的，如图1所示，本实施例提供了基于计算公式复杂性的大数据测试方法，所述大数据测试方法包括：
11、从数据源处采集对应计算公式的测试数据，对测试数据进行清洗；
12、基于清洗后的测试数据对计算公式进行训练，确定计算公式的参数值，根据已确定的参数值判定计算公式是否有效；
13、当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值；
14、基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试。
在实施中，前述步骤所示的大数据测试方法的具体内容如步骤11至14所示，其中步骤11用于对测试数据进行预处理，步骤12用于对计算公式的有效性进行判定，步骤13用于确定计算公式的复杂判定值，而步骤14则用于根据步骤13的判定结果针对性的采取对应操作完成大数据覆盖测试。
具体的，步骤11所提出的测试数据预处理步骤，具体包括：
111、针对每个数据源数据存储方式不同，采取对应的访问方式从每个数据源处获取对应计算公式的测试数据；
112、删除存在格式错误的测试数据。
在实施中，由于存储测试数据的数据源类型不同，因此在进行数据预处理时首先需要确定数据源的存储方式。典型的数据源存储方式包括数据库和文本文件两类。针对使用数据库储存数据的数据源，需要使用对应格式的访问语句向数据库发送数据读取请求，对于使用文本文件储存测试数据的数据源，需要调用读取文件读取指令打开文本文件。
由于测试数据导入数据源的方式各异，因此不可避免的使得测试数据中存在各种各样的错误。所以在使用不同的访问方式从不同数据源处获取到测试数据后，还需要对测试文件中存在的格式错误进行剔除。此处所指的格式错误包括数据首位值为零、末位值为零、数据中包含字母等情况，针对上述格式错误，可采取将错误处删除的处理方式，或者将体现格式错误的数据进行标记，对含有标记的数据不予使用的处理方式。
在执行完步骤11所示的测试数据预处理操作后，接着需要执行步骤12所示的计算公式有效性判定操作，具体包括：
121、将测试数据划分为训练数据集和预测数据集；
122、确定对应计算公式的激活函数，将训练数据集中的数据导入激活函数中，计算得到计算公式的参数值，确定计算公式的完整表达式；
123、计算完整表达式相对于预测数据集的正确率，根据正确率判定计算公式是否有效。
在实施中，确定计算公式有效性的操作为获取计算公式在对一系列测试数据后的计算值与该测试数据理论值之前正确率是否符合规定的方式，如果正确率在规定内，表明计算公式有效，反之为无效。
这里需要导入计算公式中的测试数据为步骤11中进行预处理后测试数据中的一部分。由步骤121可知，将步骤11输出的进行预处理后的测试数据分为训练数据集和预测数据集，前者用于执行如步骤122所示的对计算公式中包括各变量的权重在内的参数进行优化求解流程，后者则用于对优化处理后的计算公式进行如步骤123所示的有效性判定操作。
具体的，使用训练数据集的步骤122所示的具体内容包括：
1221、将分类数学模型逻辑算法中的log函数作为计算公式的激活函数，如公式一所示；
1222、将训练数据集中的测试数据按对应关系不同划分为至少两组测试数据，每组测试数据包括自变量、因变量两种类型，将自变量数据代入公式一中的X，将同组的因变量数据代入公式一中的P；
1223、经过数据代入求解得到对应每个自变量X的权重值β，以及对应该组测试数据的截距值b，根据得到权重值β以及截距值b的确定计算公式的完整表达式。
在分类数学模型逻辑算法中，常使用log函数作为激活函数，这里的激活函数与被测试的计算公式之间可互相反推得到。如公式一所示，等号右侧的P为计算公式的因变量表示激活函数的输出值，等号左侧的中的X为计算公式中的自变量，而β、b则分别为表示计算公式中自变量的权重值以及激活函数的截距值，e为自然对数中的常数。
如图2所示，本实施例给出了若干组训练参数集中的数据，具体包括表格中A列至F列所示的自变量的具体取值，以及如G列所示的因变量的取值，每一行对应的七个数据为应用于激活函数中进行参数求解的一组测试数据。
需要说明的是，公式一中的Xβ为自变量与权重值的整合式写法，其展开式为Xβ＝X1β1+X1β1+…X5β5+Xnβn，为了对应图2中自变量有六列，此处展开式仅包括至n的取值仅为6，具体可根据实际自变量的数量进行适应性修改。当把全部自变量取值代入公式一后可得截距值b的取值为-0.22652497。接着将图2中每行所示的一组测试数据中的自变量取值逐个代入公式一中，能够得到对应每个自变量的权重值β，具体的各个自变量的β如表1所示：
自变量X X对应的权重β
代码行数 0.01786129
函数种类 -0.00660653
计算公式输出字段个数 -0.0269625
关联表数量 0.10300946
计算公式的嵌套数 -0.06163253
组合套件关联数 -0.08384973
表1对应各个自变量的权重值
确定上述权重值以及截距值后，就确定了计算公式的完整表达式。接下来使用预测数据集的步骤123所示的具体内容包括：
1231、将预测数据集中的数据导入完整表达式中计算得到理论输出值，结合预测数据集中的标准输出值计算理论输出值的正确率，当正确率高于预设阈值时判定计算公式有效。
将前述步骤121划分得到的预测数据集中的自变量数值导入计算公式的完整表达式中，计算得到对应每组自变量的理论输出值，将理论输出值与预测数据集中已有的标准输出值进行比较得到正确率，具体数据如下：
所使用的各自变量的权重依次为0.01786129、-0.00660653、-0.0269625、0.10300946、-0.06163253、-0.08384973，所使用的截距值为-0.22652497，经计算得到在使用上述参数的前提下，当前计算公式的正确率为率87.5％，证明该模型公式有效。
在已经确定计算公式有效的情况下，需执行步骤13以便确定计算公式的复杂判定值，以便在后续步骤中根据该复杂判定值确定具体的大数据测试方法，这里的步骤13包括：
131、在判定计算公式有效后，选取对应每个参数值的因素参数；
132、在对应计算公式的激活函数中，结合实际测试环境对每个因素参数进行赋值；
133、计算赋值后激活函数输出的复杂判定值。
在实施中，测试人员根据当前的测试环境，确定图2中针对每列参数值的的因素参数及自变量取值X，并代入公式一所示的激活函数中求取输出值P。与前文类似的是，在计算P时公式一中的Xβ为自变量与权重值的整合式写法，其展开式为Xβ＝X1β1+X1β1+…X5β5+Xnβn，因此代入六组自变量取值X后能得到输出值P的唯一值，该唯一值即为复杂判定值。
在得到复杂判定值后，即可执行步骤14，以便完成不同的大数据覆盖测试方法，具体包括：
141、如果复杂判定值大于等于判定阈值，表明计算公式为复杂公式，需建立针对计算公式的测试脚本完成大数据覆盖测试；
142、如果复杂判定值小于等于判定阈值，表明计算公式为非复杂公式，需补充针对计算公式的测试数据场景完成大数据覆盖测试。
在实施中，如果计算得到的复杂判定值大于等于判定阈值，表明计算公式为复杂公式，反之则为非复杂公式。如果为复杂公式则需要建立单独的测试脚本，如果为非复杂公式则可以基于现有的测试数据场景，经简单补充后即可进行大数据测试。
1)针对复杂公式，建立测试脚本完成大数据覆盖测试的过程如下：
(1)根据被测计算公式的业务需求，单独撰写测试计算公式，并根据现有的测试数据人工先验证被测计算公式的运行结果正确性；
(2)开启第三方或者本大数据应用中的数据链路监控工具，跟踪被测计算公式和测试计算公式的运行数据链路是否一致；若一致，则进行下一步处理验证。若不一致，则对照业务需求检查测试计算公式的正确性。
若测试计算公式正确，则判定被测计算公式测试失败；提交当前测试问题后终止后续测试；
(3)在开启数据链路监控工具跟踪的情况下，基于基础测试数据，同时运行被测计算公式和测试计算公式，对比运行结果是否一致。若对比结果一致，则给测试计算公式打上测试通过标签；若对比结果不一致，则根据数据链路人工检查测试计算公式的正确性。
若测试计算公式正确，则判定被测计算公式测试失败，终止下一步测试。若测试计算公式不正确，则修复测试计算公式，重复本步骤测试；
(4)将验证通过的测试计算公式备份，并打上测试结果为正确，以及被测计算公式唯一编号的标签。以便下一次的验证测试使用；
这里提出的建立测试脚本以便完成大数据覆盖测试的思想为针对前述步骤得到的已确定诸多参数的计算公式，另外构建测试计算公式来验证被测计算公式(即已确定诸多参数的计算公式)的正确性。正确性的判断方法为基于数据链路监控工具来监控两类计算公式在计算过程中所涉及的过程数据是否完全一致，如果存在不一致的情况就单独计算构建的测试计算公式的正确性。即如果作为对照的测试计算公式正确，表明被测计算公式错误，没有继续大数据测试的必要，将测试计算公式作为备份等待使用。
2)针对非复杂公式，准备测试数据并进行覆盖的过程如下：
(1)开启第三方或者本大数据应用中的数据链路监控工具，跟踪运行被测计算公式的数据流链路；
(2)根据数据流链路，计算被测计算公式的运行结果，对比被测应用运行的实际结果，补充完善被测计算公式的测试数据场景，基于对应补充测试数据场景中的补充的测试数据，确定；
(3)将所有测试数据和运行结果导出备份称文件，并按照被测计算公式分类保存；测试数据保存为测试数据场景；运行结果保存为预期结果；以便下一次的验证测试使用。
相对于复杂公式的测试情况，非复杂公式的测试较为简单，直接调用数据链路监控工具获取被测计算公式在计算过程中所涉及的过程数据，同时增加测试数据场景以便扩充测试数据的来源，以便提升测试的准确性。
实施例二
与实施例一基于相同的技术构思，本实施例提供了基于计算公式复杂性的大数据测试装置2，如图3所示，所述大数据测试装置包括：
数据处理模块21，用于从数据源处采集对应计算公式的测试数据，对测试数据进行清洗；
有效性判定模块22，用于基于清洗后的测试数据对计算公式进行训练，确定计算公式的参数值，根据已确定的参数值判定计算公式是否有效；
判定值计算模块23，用于当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值；
测试处理模块24，用于基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试。
为了能够实现快速精确的对大数据进行测试，本实施例提出了基于测试用的计算公式的复杂性采取针对性措施的大数据测试装置，如果判断计算公式为复杂公式，需要单独建立测试脚本进行测试，如果判断计算公式为非复杂公式，则在现有测试数据基础上增加测试数据场景，以便满足测试需求。这里通过对计算公式复杂性进行判断，能够选取更为适合当前计算公式的测试方式，解决大数据测试场景下因计算公式复杂性不同导致测试时长和准确性无法统一的缺陷。出于便于说明的目的，本实施例中的执行方法以针对接口的测试用例进行说明
在实施中，前述步骤所示的大数据测试装置包括数据处理模块21、有效性判定模块22、判定值计算模块23、测试处理模块24，其中数据处理模块21用于对测试数据进行预处理，有效性判定模块22用于对计算公式的有效性进行判定，判定值计算模块23用于确定计算公式的复杂判定值，而测试处理模块24则用于根据判定值计算模块23的判定结果针对性的采取对应操作完成大数据覆盖测试。
可选的，数据处理模块21包括：
数据获取单元211，用于针对每个数据源数据存储方式不同，采取对应的访问方式从每个数据源处获取对应计算公式的测试数据；
数据剔除单元212，用于删除存在格式错误的测试数据。
在实施中，由于存储测试数据的数据源类型不同，因此在进行数据预处理时首先需要确定数据源的存储方式。典型的数据源存储方式包括数据库和文本文件两类。针对使用数据库储存数据的数据源，需要使用对应格式的访问语句向数据库发送数据读取请求，对于使用文本文件储存测试数据的数据源，需要调用读取文件读取指令打开文本文件。
由于测试数据导入数据源的方式各异，因此不可避免的使得测试数据中存在各种各样的错误。所以在使用不同的访问方式从不同数据源处获取到测试数据后，还需要对测试文件中存在的格式错误进行剔除。此处所指的格式错误包括数据首位值为零、末位值为零、数据中包含字母等情况，针对上述格式错误，可采取将错误处删除的处理方式，或者将体现格式错误的数据进行标记，对含有标记的数据不予使用的处理方式。
可选的，所述有效性判定模块22包括：
数据划分单元221，用于将测试数据划分为训练数据集和预测数据集；
表达式确定单元222，用于确定对应计算公式的激活函数，将训练数据集中的数据导入激活函数中，计算得到计算公式的参数值，确定计算公式的完整表达式；
公式有效性判定单元223，用于计算完整表达式相对于预测数据集的正确率，根据正确率判定计算公式是否有效。
在实施中，确定计算公式有效性的操作为获取计算公式在对一系列测试数据后的计算值与该测试数据理论值之前正确率是否符合规定的方式，如果正确率在规定内，表明计算公式有效，反之为无效。
这里需要导入计算公式中的测试数据为数据处理模块21中进行预处理后测试数据中的一部分。由数据划分单元221执行内容可知，将数据处理模块21输出的进行预处理后的测试数据分为训练数据集和预测数据集，前者用于执行如表达式确定单元222所示的对计算公式中包括各变量的权重在内的参数进行优化求解流程，后者则用于对优化处理后的计算公式进行如公式有效性判定单元223所示的有效性判定操作。
具体的，表达式确定单元222包括：
激活函数确定单元2221，用于将分类数学模型逻辑算法中的log函数作为计算公式的激活函数，如公式一所示；
参数代入单元2222，用于将训练数据集中的测试数据按对应关系不同划分为至少两组测试数据，每组测试数据包括自变量、因变量两种类型，将自变量数据代入公式一中的X，将同组的因变量数据代入公式一中的P；
公式构建单元2223，用于经过数据代入求解得到对应每个自变量X的权重值β，以及对应该组测试数据的截距值b，根据得到权重值β以及截距值b的确定计算公式的完整表达式。
在分类数学模型逻辑算法中，常使用log函数作为激活函数，这里的激活函数与被测试的计算公式之间可互相反推得到。如公式一所示，等号右侧的P为计算公式的因变量表示激活函数的输出值，等号左侧的中的X为计算公式中的自变量，而β、b则分别为表示计算公式中自变量的权重值以及激活函数的截距值，e为自然对数中的常数。
如图2所示，本实施例给出了若干组训练参数集中的数据，具体包括表格中A列至F列所示的自变量的具体取值，以及如G列所示的因变量的取值，每一行对应的七个数据为应用于激活函数中进行参数求解的一组测试数据。
需要说明的是，公式一中的Xβ为自变量与权重值的整合式写法，其展开式为Xβ＝X1β1+X1β1+…X5β5+Xnβn，为了对应图2中自变量有六列，此处展开式仅包括至n的取值仅为6，具体可根据实际自变量的数量进行适应性修改。当把全部自变量取值代入公式一后可得截距值b的取值为-0.22652497。接着将图2中每行所示的一组测试数据中的自变量取值逐个代入公式一中，能够得到对应每个自变量的权重值β，具体的各个自变量的β如表1所示：
自变量X X对应的权重β
代码行数 0.01786129
函数种类 -0.00660653
计算公式输出字段个数 -0.0269625
关联表数量 0.10300946
计算公式的嵌套数 -0.06163253
组合套件关联数 -0.08384973
表1对应各个自变量的权重值
确定上述权重值以及截距值后，就确定了计算公式的完整表达式。接下来使用预测数据集的公式有效性判定单元223具体用于将预测数据集中的数据导入完整表达式中计算得到理论输出值，结合预测数据集中的标准输出值计算理论输出值的正确率，当正确率高于预设阈值时判定计算公式有效。
将前述数据划分单元221执行得到的预测数据集中的自变量数值导入计算公式的完整表达式中，计算得到对应每组自变量的理论输出值，将理论输出值与预测数据集中已有的标准输出值进行比较得到正确率，具体数据如下：
所使用的各自变量的权重依次为0.01786129、-0.00660653、-0.0269625、0.10300946、-0.06163253、-0.08384973，所使用的截距值为-0.22652497，经计算得到在使用上述参数的前提下，当前计算公式的正确率为率87.5％，证明该模型公式有效。
在已经确定计算公式有效的情况下，需判定值计算模块23执行相关操作以便确定计算公式的复杂判定值，以便在后续步骤中根据该复杂判定值确定具体的大数据测试方法，这里的判定值计算模块23包括：
参数选取单元231，用于在判定计算公式有效后，选取对应每个参数值的因素参数；
赋值单元232，用于在对应计算公式的激活函数中，结合实际测试环境对每个因素参数进行赋值；
复杂判定值计算单元233，用于计算赋值后激活函数输出的复杂判定值。
在实施中，测试人员根据当前的测试环境，确定图2中针对每列参数值的的因素参数及自变量取值X，并代入公式一所示的激活函数中求取输出值P。与前文类似的是，在计算P时公式一中的Xβ为自变量与权重值的整合式写法，其展开式为Xβ＝X1β1+X1β1+…X5β5+Xnβn，因此代入六组自变量取值X后能得到输出值P的唯一值，该唯一值即为复杂判定值。
在得到复杂判定值后，即可测试处理模块24执行相关处理内容，以便完成不同的大数据覆盖测试方法，具体测试处理模块24包括：
第一测试处理单元241，用于如果复杂判定值大于等于判定阈值，表明计算公式为复杂公式，需建立针对计算公式的测试脚本完成大数据覆盖测试；
第二测试处理单元241，用于如果复杂判定值小于等于判定阈值，表明计算公式为非复杂公式，需补充针对计算公式的测试数据场景完成大数据覆盖测试。
在实施中，在实施中，如果计算得到的复杂判定值大于等于判定阈值，表明计算公式为复杂公式，反之则为非复杂公式。如果为复杂公式则需要建立单独的测试脚本，如果为非复杂公式则可以基于现有的测试数据场景，经简单补充后即可进行大数据测试。
1)针对复杂公式，建立测试脚本完成大数据覆盖测试的过程如下：
(1)根据被测计算公式的业务需求，单独撰写测试计算公式，并根据现有的测试数据人工先验证被测计算公式的运行结果正确性；
(2)开启第三方或者本大数据应用中的数据链路监控工具，跟踪被测计算公式和测试计算公式的运行数据链路是否一致；若一致，则进行下一步处理验证。若不一致，则对照业务需求检查测试计算公式的正确性。
若测试计算公式正确，则判定被测计算公式测试失败；提交当前测试问题后终止后续测试；
(3)在开启数据链路监控工具跟踪的情况下，基于基础测试数据，同时运行被测计算公式和测试计算公式，对比运行结果是否一致。若对比结果一致，则给测试计算公式打上测试通过标签；若对比结果不一致，则根据数据链路人工检查测试计算公式的正确性。
若测试计算公式正确，则判定被测计算公式测试失败，终止下一步测试。若测试计算公式不正确，则修复测试计算公式，重复本步骤测试；
(4)将验证通过的测试计算公式备份，并打上测试结果为正确，以及被测计算公式唯一编号的标签。以便下一次的验证测试使用；
这里提出的建立测试脚本以便完成大数据覆盖测试的思想为针对前述步骤得到的已确定诸多参数的计算公式，另外构建测试计算公式来验证被测计算公式(即已确定诸多参数的计算公式)的正确性。正确性的判断方法为基于数据链路监控工具来监控两类计算公式在计算过程中所涉及的过程数据是否完全一致，如果存在不一致的情况就单独计算构建的测试计算公式的正确性。即如果作为对照的测试计算公式正确，表明被测计算公式错误，没有继续大数据测试的必要，将测试计算公式作为备份等待使用。
2)针对非复杂公式，准备测试数据并进行覆盖的过程如下：
(1)开启第三方或者本大数据应用中的数据链路监控工具，跟踪运行被测计算公式的数据流链路；
(2)根据数据流链路，计算被测计算公式的运行结果，对比被测应用运行的实际结果，补充完善被测计算公式的测试数据场景，基于对应补充测试数据场景中的补充的测试数据，确定；
(3)将所有测试数据和运行结果导出备份称文件，并按照被测计算公式分类保存；测试数据保存为测试数据场景；运行结果保存为预期结果；以便下一次的验证测试使用。
相对于复杂公式的测试情况，非复杂公式的测试较为简单，直接调用数据链路监控工具获取被测计算公式在计算过程中所涉及的过程数据，同时增加测试数据场景以便扩充测试数据的来源，以便提升测试的准确性。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本示例实施方式中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例中所述基于计算公式复杂性的大数据测试方法的步骤。所述基于计算公式复杂性的大数据测试方法的具体步骤可参考前述实施例中关于上述权限修改个步骤的详细描述，此处不再赘述。所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本示例实施方式中，还提供一种电子设备，该电子设备可以包括处理器以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任一实施例中基于计算公式复杂性的大数据测试方法的步骤。该基于计算公式复杂性的大数据测试方法的步骤可参考前述方法实施例中的详细描述，此处不再赘述。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
图4示出根据本公开示例实施方式中一种电子设备的示意图。例如，电子设备可以被提供为一服务器或客户端。参照图4，电子设备包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述方法。
电子设备还可以包括一个电源组件526被配置为执行电子设备的电源管理，一个有线或无线网络接口550被配置为将电子设备连接到网络，和一个输入输出(I/O)接口558。电子设备可以操作基于存储在存储器532的操作系统，例如Windows Server TM，Mac OSXTM，Unix TM、Linux TM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (14)

1.基于计算公式复杂性的大数据测试方法，其特征在于，所述大数据测试方法包括：
从数据源处采集对应计算公式的测试数据，对测试数据进行清洗；
基于清洗后的测试数据对计算公式进行训练，确定计算公式的参数值，根据已确定的参数值判定计算公式是否有效，具体包括：
将测试数据划分为训练数据集和预测数据集；
确定对应计算公式的激活函数，将训练数据集中的数据导入激活函数中，计算得到计算公式的参数值，确定计算公式的完整表达式；
计算完整表达式相对于预测数据集的正确率，根据正确率判定计算公式是否有效；
其中计算公式的激活函数为log函数；
当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值；
基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试。
2.根据权利要求1所述的基于计算公式复杂性的大数据测试方法，其特征在于，所述从数据源处采集对应计算公式的测试数据，对测试数据进行清洗，包括：
针对每个数据源数据存储方式不同，采取对应的访问方式从每个数据源处获取对应计算公式的测试数据；
删除存在格式错误的测试数据。
3.根据权利要求1所述的基于计算公式复杂性的大数据测试方法，其特征在于，所述确定对应计算公式的激活函数，将训练数据集中的数据导入激活函数中，计算得到计算公式的参数值，确定计算公式的完整表达式，包括：
将分类数学模型逻辑算法中的log函数作为计算公式的激活函数，如公式一所示；
将训练数据集中的测试数据按对应关系不同划分为至少两组测试数据，每组测试数据包括自变量、因变量两种类型，将自变量数据代入公式一中的X，将同组的因变量数据代入公式一中的P；
经过数据代入求解得到对应每个自变量X的权重值β，以及对应该组测试数据的截距值b，根据得到权重值β以及截距值b的确定计算公式的完整表达式。
4.根据权利要求1所述的基于计算公式复杂性的大数据测试方法，其特征在于，所述计算完整表达式相对于预测数据集的正确率，根据正确率判定计算公式是否有效，包括：
将预测数据集中的数据导入完整表达式中计算得到理论输出值，结合预测数据集中的标准输出值计算理论输出值的正确率，当正确率高于预设阈值时判定计算公式有效。
5.根据权利要求1所述的基于计算公式复杂性的大数据测试方法，其特征在于，所述当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值，包括：
在判定计算公式有效后，选取对应每个参数值的因素参数；
在对应计算公式的激活函数中，结合实际测试环境对每个因素参数进行赋值；
计算赋值后激活函数输出的复杂判定值。
6.根据权利要求1所述的基于计算公式复杂性的大数据测试方法，其特征在于，所述基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试，包括：
如果复杂判定值大于等于判定阈值，表明计算公式为复杂公式，需建立针对计算公式的测试脚本完成大数据覆盖测试；
如果复杂判定值小于判定阈值，表明计算公式为非复杂公式，需补充针对计算公式的测试数据场景完成大数据覆盖测试。
7.基于计算公式复杂性的大数据测试装置，其特征在于，所述大数据测试装置包括：
数据处理模块，用于从数据源处采集对应计算公式的测试数据，对测试数据进行清洗；
有效性判定模块，用于基于清洗后的测试数据对计算公式进行训练，确定计算公式的参数值，根据已确定的参数值判定计算公式是否有效，具体包括：
数据划分单元，用于将测试数据划分为训练数据集和预测数据集；
表达式确定单元，用于确定对应计算公式的激活函数，将训练数据集中的数据导入激活函数中，计算得到计算公式的参数值，确定计算公式的完整表达式；
公式有效性判定单元，用于计算完整表达式相对于预测数据集的正确率，根据正确率判定计算公式是否有效；
其中计算公式的激活函数为log函数；
判定值计算模块，用于当计算公式有效时，将对应参数值的因素参数进行赋值，计算赋值后的复杂判定值；
测试处理模块，用于基于复杂判定值与判定阈值的大小关系，判定建立针对计算公式的测试脚本完成大数据覆盖测试，或补充针对计算公式的测试数据场景完成大数据覆盖测试。
8.根据权利要求7所述的基于计算公式复杂性的大数据测试装置，其特征在于，所述数据处理模块包括：
数据获取单元，用于针对每个数据源数据存储方式不同，采取对应的访问方式从每个数据源处获取对应计算公式的测试数据；
数据剔除单元，用于删除存在格式错误的测试数据。
9.根据权利要求7所述的基于计算公式复杂性的大数据测试装置，其特征在于，所述表达式确定单元包括：
激活函数确定单元，用于将分类数学模型逻辑算法中的log函数作为计算公式的激活函数，如公式一所示；
参数代入单元，用于将训练数据集中的测试数据按对应关系不同划分为至少两组测试数据，每组测试数据包括自变量、因变量两种类型，将自变量数据代入公式一中的X，将同组的因变量数据代入公式一中的P；
公式构建单元，用于经过数据代入求解得到对应每个自变量X的权重值β，以及对应该组测试数据的截距值b，根据得到权重值β以及截距值b的确定计算公式的完整表达式。
10.根据权利要求7所述的基于计算公式复杂性的大数据测试装置，其特征在于，所述公式有效性判定单元具体用于：
将预测数据集中的数据导入完整表达式中计算得到理论输出值，结合预测数据集中的标准输出值计算理论输出值的正确率，当正确率高于预设阈值时判定计算公式有效。
11.根据权利要求7所述的基于计算公式复杂性的大数据测试装置，其特征在于，所述判定值计算模块包括：
参数选取单元，用于在判定计算公式有效后，选取对应每个参数值的因素参数；
赋值单元，用于在对应计算公式的激活函数中，结合实际测试环境对每个因素参数进行赋值；
复杂判定值计算单元，用于计算赋值后激活函数输出的复杂判定值。
12.根据权利要求7所述的基于计算公式复杂性的大数据测试装置，其特征在于，所述测试处理模块包括：
第一测试处理单元，用于如果复杂判定值大于等于判定阈值，表明计算公式为复杂公式，需建立针对计算公式的测试脚本完成大数据覆盖测试；
第二测试处理单元，用于如果复杂判定值小于判定阈值，表明计算公式为非复杂公式，需补充针对计算公式的测试数据场景完成大数据覆盖测试。
13.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至6任一项所述基于计算公式复杂性的大数据测试方法的步骤。
14.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行根据权利要求1至6任一项所述基于计算公式复杂性的大数据测试方法的步骤。
CN201910875759.7A 2019-09-17 2019-09-17 基于计算公式复杂性的大数据测试方法、装置、电子设备 Active CN110851344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910875759.7A CN110851344B (zh) 2019-09-17 2019-09-17 基于计算公式复杂性的大数据测试方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910875759.7A CN110851344B (zh) 2019-09-17 2019-09-17 基于计算公式复杂性的大数据测试方法、装置、电子设备

Publications (2)

Publication Number Publication Date
CN110851344A CN110851344A (zh) 2020-02-28
CN110851344B true CN110851344B (zh) 2023-09-08

Family

ID=69594759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910875759.7A Active CN110851344B (zh) 2019-09-17 2019-09-17 基于计算公式复杂性的大数据测试方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN110851344B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111966431A (zh) * 2020-06-24 2020-11-20 浙江中控技术股份有限公司 一种应用于实验室管理系统的计算公式自定义方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6131078A (en) * 1999-05-06 2000-10-10 Plaisted; David A. Method for design verification of hardware and non-hardware systems
CN105512030A (zh) * 2015-11-30 2016-04-20 中国空间技术研究院 一种基于卫星指令码字智能构造提升卫星测试效率的方法
CN108153658A (zh) * 2016-12-02 2018-06-12 富士通株式会社 优先级模型训练方法及确定测试用例优先级的方法和装置
CN108804266A (zh) * 2018-05-22 2018-11-13 郑州云海信息技术有限公司 一种存储系统性能测试方法、装置和计算机可读存储介质
CN109902021A (zh) * 2019-03-13 2019-06-18 北京国舜科技股份有限公司 一种信息系统安全测试质量评价方法及系统
CN109933514A (zh) * 2017-12-18 2019-06-25 北京京东尚科信息技术有限公司 一种数据测试方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004063831A2 (en) * 2003-01-15 2004-07-29 Bracco Imaging S.P.A. System and method for optimization of a database for the training and testing of prediction algorithms
US8434069B2 (en) * 2008-12-16 2013-04-30 Oracle International Corporation System and method for effort estimation
US10805316B2 (en) * 2016-05-31 2020-10-13 University Of South Florida Systems and methods for detecting attacks in big data systems
US10684939B2 (en) * 2016-09-08 2020-06-16 International Business Machines Corporation Using workload profiling and analytics to understand and score complexity of test environments and workloads
US11023824B2 (en) * 2017-08-30 2021-06-01 Intel Corporation Constrained sample selection for training models

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6131078A (en) * 1999-05-06 2000-10-10 Plaisted; David A. Method for design verification of hardware and non-hardware systems
CN105512030A (zh) * 2015-11-30 2016-04-20 中国空间技术研究院 一种基于卫星指令码字智能构造提升卫星测试效率的方法
CN108153658A (zh) * 2016-12-02 2018-06-12 富士通株式会社 优先级模型训练方法及确定测试用例优先级的方法和装置
CN109933514A (zh) * 2017-12-18 2019-06-25 北京京东尚科信息技术有限公司 一种数据测试方法和装置
CN108804266A (zh) * 2018-05-22 2018-11-13 郑州云海信息技术有限公司 一种存储系统性能测试方法、装置和计算机可读存储介质
CN109902021A (zh) * 2019-03-13 2019-06-18 北京国舜科技股份有限公司 一种信息系统安全测试质量评价方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵会群 ; 孙晶 ; 杨岩坤 ; 毛立志 ; .复杂事件模式检测与CEP测试数据生成算法研究.计算机学报.(01),全文. *

Also Published As

Publication number Publication date
CN110851344A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
US20160092290A1 (en) Processing data errors for a data processing system
CN106326116B (zh) 产品测试的方法和装置
US20160217061A1 (en) Determining test case efficiency
CN107578210B (zh) 合同审批流程的自动化测试方法及装置
CN109308225B (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
CN112416778A (zh) 测试用例推荐方法、装置和电子设备
US20200201741A1 (en) Identification of software program fault locations
CN110851344B (zh) 基于计算公式复杂性的大数据测试方法、装置、电子设备
CN114240177A (zh) 一种政务数据质量评估方法及系统
CN109508204B (zh) 一种前端代码质量检测方法及装置
Santos et al. An empirical study on the influence of context in computing thresholds for Chidamber and Kemerer metrics.
CN115525660A (zh) 一种数据表的校验方法、装置、设备及介质
CN114665986B (zh) 一种蓝牙钥匙的测试系统及方法
CN114841663A (zh) Gps设备安装质量的核验方法、装置、设备及存储介质
CN111209214B (zh) 代码测试处理方法、装置、电子设备及介质
CN104156312A (zh) 一种评估软件可靠性的方法
CN114443493A (zh) 一种测试案例生成方法、装置、电子设备和存储介质
CN114139853A (zh) 一种基于大数据的钢结构产品清单处理方法和装置
Saxena et al. Realiability Assessment Model to Estimate Quality of the Effective E-Procurement Process in Adoption
CN113902457A (zh) 房源信息可靠性的评估方法、装置、电子设备及存储介质
CN113791980A (zh) 测试用例的转化分析方法、装置、设备及存储介质
CN113919609A (zh) 一种配电网模型质量综合评估方法和系统
CN112612882A (zh) 检阅报告生成方法、装置、设备和存储介质
Chang et al. Validating halstead metrics for scratch program using process data
Oladele et al. On empirical comparison of checklist-based reading and adhoc reading for code inspection

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