CN111176990A - 基于数据决策的测试数据生成方法、装置、计算机设备 - Google Patents
基于数据决策的测试数据生成方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN111176990A CN111176990A CN201911334811.4A CN201911334811A CN111176990A CN 111176990 A CN111176990 A CN 111176990A CN 201911334811 A CN201911334811 A CN 201911334811A CN 111176990 A CN111176990 A CN 111176990A
- Authority
- CN
- China
- Prior art keywords
- data
- test
- tested
- project
- item
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3414—Workload generation, e.g. scripts, playback
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及智能决策的一种基于数据决策的测试数据生成方法、装置、计算机设备和存储介质。所述方法包括:获取终端发送的项目配置数据,项目配置数据包括项目类型;对项目配置数据进行解析,得到待测项目的待测指标数据;根据项目类型和待测指标数据进行决策处理,得到待测项目的测试策略;根据项目类型调用已训练的数据集成模型,将项目需求数据和待测指标数据输入至数据集成模型,输出根据测试策略生成的测试数据;对测试数据进行编码,得到编码后的测试数据集,将测试数据存储至测试数据库,并利用测试数据集对待测项目进行测试。采用本方法能够高效地生成可用性较高且较为全面的测试数据。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于数据决策的测试数据生成方法、装置、计算机设备。
背景技术
随着计算机技术的高速发展,互联网软件产品也随之迅速发展。应用系统或软件产品一般都需要进行不同阶段的测试验证工作,包括原型功能测试、功能测试、性能测试等,则需要大量的测试数据进行测试。测试数据有时可以直接复用历史数据,但很多情况下,基于历史数据建立的测试数据可能会出现内容缺失不全、数据量级不够、数据涉密不能导出、数据已加密无法参与计算等情况,不能直接作为测试数据进行测试。
传统的测试数据生成的方式中,通常只是根据业务逻辑相匹配,进而随机生成或者人工生成相应的测试数据,而这种方式产出的测试数据的覆盖率较低或容易遗漏,导致生成测试数据的有效性和可用性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够高效地生成可用性较高且较为全面的测试数据的基于数据决策的测试数据生成方法、装置、计算机设备。
一种基于数据决策的测试数据生成方法,所述方法包括:
获取终端发送的项目配置数据,所述项目配置数据包括项目类型;
对所述项目配置数据进行解析,得到待测项目的待测指标数据;
根据所述项目类型和待测指标数据进行决策处理,得到所述待测项目的测试策略;
根据所述项目类型调用已训练的数据集成模型,将所述项目需求数据和所述待测指标数据输入至所述数据集成模型,输出根据所述测试策略生成的测试数据;
对所述测试数据进行编码,得到编码后的测试数据集,将所述测试数据存储至测试数据库,并利用所述测试数据集对所述待测项目进行测试。
在其中一个实施例中,所述从所述配置数据中提取待测项目的测试指标数据包括:提取所述配置数据中的测试参数;根据所述项目类型获取预设的测试配置表;根据所述测试参数从所述测试配置表中匹配测试指标字段;利用所述测试指标字段和所述测试参数生成待测项目的测试指标数据。
在其中一个实施例中,所述根据所述项目类型和待测指标数据进行决策分析,得到所述待测项目的测试策略包括:对所述测试指标数据进行组合决策,决策出多个组合策略;计算所述多个组合策略的特征属性,根据所述特征属性生成多个策略特征集;利用所述多个策略特征集生成所述待测项目的测试策略。
在其中一个实施例中,所述输出根据所述测试策略生成的测试数据包括:提取所述测试策略对应的测试逻辑;获取所述测试策略和所述测试逻辑对应的数据生成参数;根据所述数据生成参数进行拟合预测,生成多条模拟数据;利用所述多条模拟数据集成所述待测项目的测试数据。
在其中一个实施例中,所述方法还包括:获取利用所述测试数据集对所述待测项目进行测试后的测试反馈数据;获取所述测试反馈数据中的异常指标和对应测试结果值,根据所述异常指标和对应测试结果值计算测试差异指数;根据所述测试差异指数生成模型优化参数;根据所述模型优化参数对所述数据集成模型进行调参优化。
一种基于数据决策的测试数据生成装置,所述装置包括:
数据获取模块,用于获取终端发送的项目配置数据,所述项目配置数据包括项目类型;
数据分析模块,用于对所述项目配置数据进行解析,得到待测项目的待测指标数据;根据所述项目类型和待测指标数据进行决策处理,得到所述待测项目的测试策略;
数据生成模块,用于根据所述项目类型调用已训练的数据集成模型,将所述项目需求数据和所述待测指标数据输入至所述数据集成模型,输出根据所述测试策略生成的测试数据;
数据编码模块,用于对所述测试数据进行编码,得到编码后的测试数据集,将所述测试数据存储至测试数据库,并利用所述测试数据集对所述待测项目进行测试。
在其中一个实施例中,所述数据分析模块还用于对所述测试指标数据进行组合决策,决策出多个组合策略;计算所述多个组合策略的特征属性,根据所述特征属性生成多个策略特征集;利用所述多个策略特征集生成所述待测项目的测试策略。
在其中一个实施例中,所述数据生成模块还用于提取所述测试策略对应的测试逻辑;获取所述测试策略和所述测试逻辑对应的数据生成参数;根据所述数据生成参数进行拟合预测,生成多条模拟数据;利用所述多条模拟数据集成所述待测项目的测试数据。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的基于数据决策的测试数据生成方法的步骤。
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时实现本申请任意一个实施例中提供的基于数据决策的测试数据生成方法的步骤。
上述基于数据决策的测试数据生成方法、装置、计算机设备,获取终端发送的配置数据后,对项目配置数据进行解析得到待测项目的待测指标数据。通过根据项目类型和待测指标数据进行决策处理,从而能够有效决策出待测项目的测试策略。服务器进一步根据项目类型调用数据集成模型,利用数据集成模型根据测试策略集成进行数据预测集成,从而能够有效生成多条测试数据。服务器生成待测项目的测试数据后,对测试数据进行编码得到编码后的测试数据集,并将测试数据存储至测试数据库,并利用测试数据集对待测项目进行测试。通过利用数据集成模型根据测试策略集成进行数据预测集成,从而能够有效生成多条测试数据,由此能够高效地生成可用性较高且较为全面的测试数据,有效保障了生成的测试数据的可用性和有效性。
附图说明
图1为一个实施例中基于数据决策的测试数据生成方法的应用场景图;
图2为一个实施例中基于数据决策的测试数据生成方法的流程示意图;
图3为一个实施例中测试策略决策步骤的流程示意图;
图4为一个实施例中模型优化步骤的流程示意图;
图5为一个实施例中基于数据决策的测试数据生成装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于数据决策的测试数据生成方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。服务器104获取终端102发送的配置数据后,对项目配置数据进行解析得到待测项目的待测指标数据。服务器通过根据项目类型和待测指标数据进行决策处理,从而能够有效决策出待测项目的测试策略。服务器104进一步根据项目类型调用数据集成模型,利用数据集成模型根据测试策略集成进行数据预测集成,从而能够有效生成多条测试数据。服务器104对测试数据进行编码得到编码后的测试数据集,并将测试数据存储至测试数据库,并利用测试数据集对待测项目进行测试。通过利用数据集成模型根据测试策略集成进行数据预测集成,从而能够有效生成多条测试数据,由此能够高效地生成可用性较高且较为全面的测试数据。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于数据决策的测试数据生成方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取终端发送的项目配置数据,项目配置数据包括项目类型。
其中,项目是指利用特定方式将人力、材料和财务等资源组织起来,在一定的费用和时间等范围内完成一项特定的工作任务,以期达到由数量和质量指标所限定的目标。例如软件研发项目、产品开发项目等。其中,软件项目在卡发完成后,通常需要对软件项目的功能、性能等进行测试。为节省测设成本,可以采用模拟生成的仿真测试数据对软件项目进行测试。测试数据是指用以测试程序逻辑的数据,通过执行测试用例并验证软件应用程序中的预期输出所需的数据,可根据测试的用途及目的生成相应的测试数据。
其中,项目配置数据可以是指需要对待测项目进行测试的相关配置数据,例如项目配置数据中可以包括项目需求数据、项目设计文档数据以及资源配置数据等,项目配置数据还表示用于将有用的信息及其与信息活动有关的信息设施、信息人员、信息系统、信息网络等资源在数量、时间、空间范围内进行匹配、流动和重组。例如还可以包括数量配置、时间配置、空间配置等多种类型。其中,项目配置数据还包括待测项目的项目类型和待测需求数据。待测需求数据包括测试所需的配置参数信息,例如可以包括待测项以及待测项的数据类型、长度、范围是否可为空等参数。
测试人员可以通过对应的终端预先配置待测项目的项目配置数据,项目配置数据还可以包括利用项目设计文档生成的配置数据。终端生成项目配置数据后,可以基于项目测试平台向服务器发送测试数据生成请求。服务器则根据测试数据生成请求获取终端发送的项目配置数据。
步骤204,对项目配置数据进行解析,得到待测项目的待测指标数据。
其中,待测指标数据可以表示待测项目的待测指标字段和相应的指标参数。例如,待测指标字段可以包括姓名、身份证号码、出生日期、年龄、手机号、邮箱等多个指标字段。相应的指标参数可以表示每个指标字段对应的的数据类型、长度、范围是否可为空等参数。
服务器中还可以预先存储有测试配置表,测试配置表中可以配置有多种项目类型所对应关联的多种待测指标字段。测试配置表可以是项目管理人员预先根据测试需求配置的多种待测指标字段,也可以服务器根据大量历史项目记录数据进行分析所得到的各个项目类型对应的待测指标字段。
服务器获取终端发送的项目配置数据后,对项目配置数据进行解析。具体地,服务器提取项目配置数据中的项目标识、项目类型、项目设计数据以及待测需求数据。服务器可以获取预先配置的测试配置表,根据项目类型从测试配置表中获取多个待测指标字段,并将多个待测指标字段与项目配置数据中的项目设计数据和待测数据进行匹配,根据待测指标字段提取项目配置数据中的指标字段和相应的字段参数。从而利用提取出的指标字段和相应的字段参数生成待测项目的待测指标数据。
步骤206,根据项目类型和待测指标数据进行决策处理,得到待测项目的测试策略。
其中,决策分析是指从若干可能的方案中通过决策分析技术,选择其一的决策过程的定量分析方法,例如决策分析方式可以为期望值法或决策树法等。测试策略可以是指用于对待测项目进行测试的测试方案集合,表示对项目软件开发周期进行测试的测试方案描述信息。可以包括测试目标、测试功能的方式、项目所需的总时间和资源以及测试环境等数据。测试策略可以是基于项目配置数据和项目设计文档生成的,对于项目软件开发的每个阶段,都可以建立相应阶段的策略特征集对项目软件进行测试。
服务器提取出待测项目的待测指标数据后,则根据项目类型和待测指标数据进行决策分析,具体地,服务器可以决策待测项目的测试类型、测试方式和相应的多项测试粒度特征,例如测试粒度特征可以包括项目功能、项目性能、安全性、兼容性、可用性、可靠性、可维护性、可移植性以及可安装性等。
服务器根据多项测试粒度特征生成相应的策略特征集,进而利用策略特征集中的多项策略特征以及测试类型和测试方式生成待测项目的测试策略,从而能够有效地决策出该待测项目对应的测试策略。
步骤208,根据项目类型调用数据集成模型,将项目需求数据和待测指标数据输入至数据集成模型,输出根据测试策略生成的测试数据。
其中,测试数据集成模型是用于生成大量测试数据的数据生成模型,以将不同来源、类型、特点性质的数据根据特定的逻辑关系生成大量的测试用例数据。例如,可以是基于随机森林的预测模型,也可以是基于XGBoost(eXtreme Gradient Boosting,极端梯度提升)的预测模型等。不同的项目类型可以对应不同的数据集成模型,每种项目类型与相对应的数据集成模型相关联。
服务器得到待测项目的测试策略后,则根据项目类型调用已训练的数据集成模型,并将项目需求数据和待测指标数据以及测试策略输入至数据集成模型中。服务器则通过数据集成模型根据测试策略识别对应的测试逻辑,数据集成模型进而按照测试策略和测试逻辑根据待测指标数据进行指标变量预测,以生成多条测试数据。具体地。服务器可以根据测试策略和测试逻辑对待测指标数据字段数据中的指标字段进行指标值的预测,例如可以调用预测函数随机生成指标字段对应的多个指标值,以生成各个待测指标对应的多条模拟数据。模拟数据可以为数据集成模型利用预设算法进行预测生成的变量值数据。
待测项目的测试数据则可以由多个待测指标字段相应的多条模拟数据组成。从而能够有效生成与测试策略相符的测试数据,保证了生成的测试数据的有效性和可用性。
步骤210,对测试数据进行编码,得到编码后的测试数据集,将测试数据存储至测试数据库,并利用测试数据集对待测项目进行测试。
服务器利用数据集成模型生成待测项目的测试数据后,进一步对生成的测试数据进行编码。具体地,服务器可以获取待测项目的业务逻辑。其中,业务逻辑可以表示该待测项目实现功能所具备的规则和流程,包括领域实体、业务规则、工作流和数据完整性等。业务逻辑包括多种类别的业务逻辑标识。
服务器进而根据待测项目的业务逻辑按照预设方式对生成的测试数据进行编码,具体地,服务器可以对生成的测试数据添加相应的业务逻辑标识。进一步的,待测项目还包括多个业务功能模块,每个业务功能模块可以包括相应的业务接口,业务接口包括对应的接口标识。服务器还可以对业务功能模块的测试数据添加相应的接口标识,从而对测试数据添加相应的编码标识以进行编码,由此在利用测试数据对待测项目进行测试时,能够便捷有效地调用测试数据。
服务器利用添加编码标识后的测试数据生成该待测项目的测试数据集,并将测试数据存储至测试数据库。其中,测试数据集可以是一种测试文件,在调用测试数据时,可直接调用测试数据集根据业务编码及测试数据对相应的测试项进行测试。服务器将测试数据集添加测试数据库时,还可以按照预设格式存储至测试数据库中,例如可以导出自动测试化工具所能够读取的格式的测试数据集,也可以转换为数据库脚本格式的测试数据集,并对导出的测试数据及进行存储。
服务器还可以将生成的测试数据集发送至终端,终端可以对生成的测试数据集进行审核,以校验测试数据的有效性。服务器进而利用生成的测试数据集对待测项目进行测试。
例如,生成待测项目的测试数据后,可以进一步采用黑盒测试的方式对待测项目进行测试。由于测试数据是根据测试策略进行智能决策生成的,因此在利用测试数据进行测试时,可以直接调用测试数据进行测试,由此可以有效提高待测项目的测试效率。
服务器通过对待测项目的配置数据进行决策分析,能够有效决策出待测项目的测试策略,利用数据集成模型根据测试策略集成进行数据预测集成,从而能够有效生成多条测试数据,由此能够高效地生成可用性较高且较为全面的测试数据,有效保障了生成的测试数据的可用性和有效性。
上述基于数据决策的测试数据生成方法中,服务器获取终端发送的配置数据后,对项目配置数据进行解析得到待测项目的待测指标数据。服务器通过根据项目类型和待测指标数据进行决策分析,从而能够有效决策出待测项目的测试策略。服务器进一步根据项目类型调用数据集成模型,利用数据集成模型根据测试策略集成进行数据预测集成,从而能够有效生成多条测试数据。服务器生成待测项目的测试数据后,对测试数据进行编码得到编码后的测试数据集,并将测试数据存储至测试数据库。通过利用数据集成模型根据测试策略集成进行数据预测集成,从而能够有效生成多条测试数据,由此能够高效地生成可用性较高且较为全面的测试数据,有效保障了生成的测试数据的可用性和有效性。
在一个实施例中,从配置数据中提取待测项目的测试指标数据包括:提取项目配置数据中的测试参数;根据项目类型获取预设的测试配置表;根据测试参数从测试配置表中匹配测试指标字段;利用测试指标字段和测试参数生成待测项目的测试指标数据。
其中,项目配置数据中可以包括待测项目对应的测试参数,测试参数可以表示针对待测项目的测试指标字段以及字段参数。而项目配置数据中的测试指标字段以及字段参数等测试参数可能是不全面的。其中,待测指标数据可以表示待测项目的待测指标字段和相应的指标参数。例如,待测指标字段可以包括姓名、身份证号码、出生日期、年龄、手机号、邮箱等多个指标字段。指标字段相应的字段参数可以表示每个指标字段对应的的数据类型、长度、范围是否可为空等参数,还可以表示物品类型、颜色、数量等数据需求类型和对应的取值范围等参数。
服务器获取终端发送的项目配置数据后,从项目配置数据中提取出测试参数。具体地,服务器可以通过关键字识别出待测项目的测试指标字段,并提取出测试指标字段对应的字段参数,进而利用待测项目的多项测试指标字段以及字段参数生成对应的测试参数。
服务器进一步获取预设的测试配置表,测试配置表中可以配置有多种项目类型所对应关联的多种待测指标字段。测试配置表可以是项目管理人员预先根据测试需求配置的多种待测指标字段,也可以是服务器根据大量历史项目记录数据进行分析所得到的各个项目类型对应的待测指标字段。
服务器则根据项目类型和测试参数从测试配置表中匹配对应的测试指标字段。具体地,服务器提取配置信息中的项目标识、项目类型、项目设计数据以及待测需求数据。服务器可以获取预先配置的测试配置表,根据项目类型从测试配置表中获取多个待测指标字段,并将多个待测指标字段与配置数据中的项目设计数据和待测数据进行匹配,根据待测指标字段提取配置数据中的指标字段和相应的字段参数。从而利用提取出的指标字段和相应的字段参数生成待测项目的待测指标数据,由此能够有效地生成待测项目的测试指标数据。
服务器对项目配置数据进行解析得到待测项目的测试指标数据后,还可以进一步分析待测指标字段的正常取值范围和异常取值范围。其中,用户还可以在项目配置数据中预先选择待测项目的需求标记策略。例如对待测字段的等价类、边界值等对应的取值策略,服务器则可以根据等价类和边界值的取值策略,生成有效等价类和无效等价类,并在生成测试数据的过程中分别进行取值。服务器生成测试数据后可以分别标注有效值和异常值的测试数据,以对待测项目进行测试,或提供给用户进行选择。这样生成的测试数据更有价值,通常大多测试数据生成工具通常忽视了异常数据的生成,而相对正常数据,通过增加异常数据进行测试,更能够保证测试的有效性和全面性。
在一个实施例中,如图3所示,根据项目类型和待测指标数据进行决策处理,得到待测项目的测试策略的步骤,具体包括以下内容:
步骤302,对测试指标数据进行组合决策,决策出多个组合策略。
步骤304,计算多个组合策略的特征属性,根据特征属性生成多个策略特征集。
步骤306,利用多个策略特征集生成待测项目的测试策略。
其中,测试策略表示用于对待测项目进行测试的测试方案集合。测试策略可以包括测试目标、测试功能的方式、项目所需的总时间和资源以及测试环境等数据。测试策略可以是基于项目配置数据和项目设计文档生成的,对于项目软件开发的每个阶段,都可以建立相应阶段的策略特征集对项目软件进行测试。
服务器获取终端发送的项目配置数据后,对项目配置数据进行解析,得到待测项目的待测指标数据。服务器则根据项目类型对待测指标数据进行决策分析,以决策出待测项目的测试策略。
服务器可以决策待测项目的测试类型、测试方式和相应的多项测试特征,例如测试特征可以包括项目功能、项目性能、安全性、兼容性、可用性、可靠性、可维护性、可移植性以及可安装性等多个粗粒度级的测试特征。其中,项目功能还可以包括完成度、精准度、互用性、并发性和效率等,项目性能可以包括资源利用率、吞吐量和持久力等,安全性可以包括认证、授权和隐私等,兼容性可以包括应用兼容、硬件兼容等,可用性包括易操作性和可达性等,可靠性可以包括稳定性、健壮性、可恢复性和数据完整性等,可维护性包括可扩展性、修复和构建等。测试特征中还可以包括多个测试参数特征,测试参数特征可以是详细的待测指标和指标参数对应的特征。
具体地,服务器可以提取出待测指标数据中的多个测试参数特征,并对多个测试参数特征进行策略组合决策,其中,服务器可以采用预先构建的决策树对待测指标数据进行决策分析,以决策出多个分析结果。分析结果中可以包括多项组合测试参数特征的特征属性。服务器则根据多个特征属性计算出组合属性参数和生成属性参数,根据组合属性参数和生成属性参数计算得到对应的组合策略特征,并根据测试数据类型和组合策略特征生成对应的策略特征集。
其中,策略组合分析可以是正交分析方式,分析结果中可以包括多种组合测试方式,分析结果中包括了用于生成数据组合策略的多个特征属性。例如特征属性可以包括字段类型、取值范围、数据数量、边界值、生成优先级以及分隔符等多个指标属性参数。例如,服务器可以采用分成遗传算法(GA)和蚁群算法(ACA)以及完全随机(Rand)等算法,对多个测试指标数据按照预设算法进行参数组合,从而得到多个不同的组合策略。
服务器进而利用策略特征集中的多项组合策略特征以及测试类型和测试方式生成待测项目的测试策略,通过对待测试指标数据进行规则组合分析,可以得到不同规则对应的测试数据生成策略,从而能够有效地决策出该待测项目对应的测试策略,由此可以得到较为全面的测试数据。
在其中一个实施例中,服务器在调用测试数据集成模型生成测试数据之前,还需要预先训练出数据集成模型。数据集成模型可以是基于随机森林、XGBoost以及线性回归等神经网络模型所构建的。服务器可以预先从本地或第三方数据库中获取大量的测试用例数据,测试用例数据包括项目类型、测试数据和测试结果等数据。
服务器可以获取预置的神经网络模型。其中,预置的神经网络模型中可以包括多个网络层和预设的网络超参数。网络超参数是在训练神经网络模型之前预先设置的参数。预置的神经网络模型中还包括损失函数。损失函数则用于反映当前网络输出和实际结果之间一种量化之后的差异程度,即损失函数的函数值越大,反映出模型预测的结果越不准确。
具体地,服务器可以测试用例数据分为训练集和验证集。服务器首先根据对训练集中的测试用例数据进行分析,提取出多项待测需求特征和待测指标特征和测试结果特征。服务器获取预置的神经网络模型,将提取出多项待测需求特征和待测指标特征和测试结果特征输入至神经网络模型中进行机器学习训练。当训练数据满足预设条件阈值时,得到训练完成的初始数据集成模型。
服务器利用训练集中的数据训练得到初始数据集成模型后,进一步利用验证集中的测试用例数据对初始数据集成模型进行验证,当验证通过后,得到所需的数据集成模型。通过对大量的测试用例数据进行不断训练和机器学习,能够有效地学习历史测试用例数据生成规律和特性,从而能够有效地构建出预测准确率较高的数据集成模型,进而能够高效地生成可用性和有效性较高的测试数据。
在一个实施例中,输出根据测试策略生成的测试数据包括:提取测试策略对应的测试逻辑;获取测试策略和测试逻辑对应的数据生成参数;根据数据生成参数进行拟合预测,生成多条模拟数据;利用多条模拟数据集成待测项目的测试数据。
其中,测试数据集成模型是用于生成大量测试数据的数据生成模型,可以是能够根据特定参数条件随机生成观测数据的模型,以将不同来源、类型、特点性质的数据根据特定的逻辑关系生成大量的测试用例数据。例如,测试数据集成模型可以是基于随机森林的预测模型,也可以是基于XGBoost的机器学习模型等。
服务器决策得到待测项目的测试策略后,则根据项目类型调用已训练的数据集成模型,并将项目需求数据和待测指标数据以及测试策略输入至数据集成模型中。服务器则通过数据集成模型根据测试策略识别对应的测试逻辑,数据集成模型进而按照测试策略和测试逻辑根据待测指标数据进行指标变量预测,以生成多条测试数据。具体地,服务器提取测试策略对应的测试逻辑后,提取出根据测试策略和测试逻辑对应的数据生成参数,进而根据数据生成参数进行拟合预测,生成多条模拟数据。模拟数据可以表示对待测指标数据字段数据中的待测指标字段对应的多项指标预测值,例如可以利用预测函数随机生成指标字段对应的多指标预测值,以生成多条模拟数据。
例如,服务器可以根据已确定的测试策略进行数据拟合和预测,生成相应参数所对应的多条模拟数据。例如,可以采用正交阵列与覆盖阵列直接生成多项待测指标和指标参数对应的多条指标变量数据;还可以采用迭代组合策略基于测试策略的策略参数迭代生成多条组合策略对应的组合用例数据。
服务器通过对待测指标数据进行策略组合分析,得到待测项目的测试策略,进而根据测试策略生成相应的多条测试数据。待测项目的测试数据则可以由多个待测指标字段相应的多条指标变量相应的模拟数据组成。从而能够有效生成与测试策略相符的测试数据,保证了生成的测试数据的有效性和可用性。
在一个实施例中,服务器生成测试数据集之后,还可以对测试数据集进行关联性验证。具体地,服务器可以对测试数据进行相关性和重复性验证,服务器可以计算各个指标字段的测试数据之间的关联性,以及识别关键字段对应的多项数据是否存在重复的数据。当若测试数据集中存在关联性未达到阈值的测试数据,则将关联性未达到阈值的测试数据以及重复的测试数据从测试数据集中剔除。从而有效保障测试数据的可用性和有效性。
在一个实施例中,如图4所示,该方法还包括模型优化的步骤,该步骤具体包括以下内容:
步骤402,获取利用测试数据集对待测项目进行测试后的测试反馈数据。
步骤404,获取测试反馈数据中的异常指标和对应测试结果值,根据异常指标和对应测试结果值计算测试差异指数。
步骤406,根据测试差异指数生成模型优化参数。
步骤408,根据模型优化参数对数据集成模型进行调参,得到优化后的数据集成模型。
其中,测试差异指数表示利用测试数据对待测项目进行测试存在异常的一些指标参数。在利用测试数据对待测项目进行测试的过程中,测试数据可能存在一些异常的数据,导致存在测试差异,进而会导致测试结果存在差异。
服务器在生成测试数据之后,可以直接利用测试数据对待测项目进行测试,还可以将测试数据发送至对应在测试终端,以使得测试终端利用测试数据对待测项目进行测试。对待测项目进行测试后,生成相应的测试反馈数据。
服务器则可以获取对待测项目进行测试后的测试反馈数据。测试反馈数据中可以包括多项测试指标和对应测试结果值。当测试反馈数据中存在测试异常的数据时,服务器获取测试反馈数据中异常数据对应的异常指标和对应测试结果值,并对异常数据进行分析,根据异常指标和对应测试结果值计算出测试差异指数。服务器进一步根据测试差异指数计算出数据集成模型的模型优化参数,进而利用模型优化参数对数据集成模型进行调参优化,并实时更新,从而得到优化后的数据集成模型。其中,服务器还可以按照预设的频率,利用多项历史测试反馈数据的测试差异指数生成模型优化参数,以对数据集成模型进行优化更新。通过对测试后的测试反馈数据进行分析得到模型优化参数,并利用模型优化参数对数据集成模型进行调参优化,得到优化后的数据集成模型。由此能够有效地对数据集成模型进行优化,从而能够有效提高数据集成模型的准确性,以使得生成的测试数据具有更高的可用性和准确性。
例如,数据集成模型中可以包括多个网络层和预设的网络超参数。网络超参数是在训练神经网络模型之前预先设置的参数,通常情况下,需要对网络超参数进行优化,以学习得到一组最优网络超参数,以提高学习的性能和效果。数据集成模型中还可以包括损失函数。在机器学习中,需要衡量神经网络输出和所预期的输出之间的差异大小。损失函数则用于反映当前网络输出和实际结果之间一种量化之后的差异程度,即损失函数的函数值越大,反映出模型预测的结果越不准确。服务器则利用计算得到的预测偏差度和预测离异指数计算相应的网络超参数,并对网络超参数进行更新。服务器进而根据网络超参数调整数据集成模型的网络超参数和损失函数,从而得到优化后的数据集成模型。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于数据决策的测试数据生成装置,包括:数据获取模块502、数据分析模块504、数据生成模块508和数据编码模块510,其中:
数据获取模块502,用于获取终端发送的项目配置数据,项目配置数据包括项目类型;
数据分析模块504,用于对项目配置数据进行解析,得到待测项目的待测指标数据;根据项目类型和待测指标数据进行决策处理,得到待测项目的测试策略;
数据生成模块506,用于根据项目类型调用已训练的数据集成模型,将项目需求数据和待测指标数据输入至数据集成模型,输出根据测试策略生成的测试数据;
数据编码模块508,用于对测试数据进行编码,得到编码后的测试数据集,将测试数据存储至测试数据库,并利用测试数据集对待测项目进行测试。
在一个实施例中,数据分析模块504还用于提取配置数据中的测试参数;根据项目类型获取预设的测试配置表;根据测试参数从测试配置表中匹配测试指标字段;利用测试指标字段和测试参数生成待测项目的测试指标数据。
在一个实施例中,数据分析模块504还用于对测试指标数据进行组合决策,决策出多个组合策略;计算多个组合策略的特征属性,根据特征属性生成多个策略特征集;利用多个策略特征集生成待测项目的测试策略。
在一个实施例中,数据生成模块506还用于提取测试策略对应的测试逻辑;获取测试策略和测试逻辑对应的数据生成参数;根据数据生成参数进行拟合预测,生成多条模拟数据;利用多条模拟数据集成待测项目的测试数据。
在一个实施例中,该装置还包括模型优化模块,用于获取利用测试数据集对待测项目进行测试后的测试反馈数据;获取测试反馈数据中的异常指标和对应测试结果值,根据异常指标和对应测试结果值计算测试差异指数;根据测试差异指数生成模型优化参数;根据模型优化参数对数据集成模型进行调参,得到优化后的数据集成模型。
关于基于数据决策的测试数据生成装置的具体限定可以参见上文中对于基于数据决策的测试数据生成方法的限定,在此不再赘述。上述基于数据决策的测试数据生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储项目配置数据、测试数据集等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请任意一个实施例中提供的基于数据决策的测试数据生成方法的步骤。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供的基于数据决策的测试数据生成方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于数据决策的测试数据生成方法,所述方法包括:
获取终端发送的项目配置数据,所述项目配置数据包括项目类型;
对所述项目配置数据进行解析,得到待测项目的待测指标数据;
根据所述项目类型和待测指标数据进行决策处理,得到所述待测项目的测试策略;
根据所述项目类型调用已训练的数据集成模型,将所述项目需求数据和所述待测指标数据输入至所述数据集成模型,输出根据所述测试策略生成的测试数据;
对所述测试数据进行编码,得到编码后的测试数据集,将所述测试数据存储至测试数据库,并利用所述测试数据集对所述待测项目进行测试。
2.根据权利要求1所述的方法,其特征在于,所述从所述配置数据中提取待测项目的测试指标数据包括:
提取所述配置数据中的测试参数;
根据所述项目类型获取预设的测试配置表;
根据所述测试参数从所述测试配置表中匹配测试指标字段;
利用所述测试指标字段和所述测试参数生成待测项目的测试指标数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述项目类型和待测指标数据进行决策处理,得到所述待测项目的测试策略包括:
对所述测试指标数据进行组合决策,决策出多个组合策略;
计算所述多个组合策略的特征属性,根据所述特征属性生成多个策略特征集;
利用所述多个策略特征集生成所述待测项目的测试策略。
4.根据权利要求1所述的方法,其特征在于,所述输出根据所述测试策略生成的测试数据包括:
提取所述测试策略对应的测试逻辑;
获取所述测试策略和所述测试逻辑对应的数据生成参数;
根据所述数据生成参数进行拟合预测,生成多条模拟数据;
利用所述多条模拟数据集成所述待测项目的测试数据。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述方法还包括:
获取利用所述测试数据集对所述待测项目进行测试后的测试反馈数据;
获取所述测试反馈数据中的异常指标和对应测试结果值,根据所述异常指标和对应测试结果值计算测试差异指数;
根据所述测试差异指数生成模型优化参数;
根据所述模型优化参数对所述数据集成模型进行调参,得到优化后的数据集成模型。
6.一种基于数据决策的测试数据生成装置,其特征在于,所述装置包括:
数据获取模块,用于获取终端发送的项目配置数据,所述项目配置数据包括项目类型;
数据分析模块,用于对所述项目配置数据进行解析,得到待测项目的待测指标数据;根据所述项目类型和待测指标数据进行决策处理,得到所述待测项目的测试策略;
数据生成模块,用于根据所述项目类型调用已训练的数据集成模型,将所述项目需求数据和所述待测指标数据输入至所述数据集成模型,输出根据所述测试策略生成的测试数据;
数据编码模块,用于对所述测试数据进行编码,得到编码后的测试数据集,将所述测试数据存储至测试数据库,并利用所述测试数据集对所述待测项目进行测试。
7.根据权利要求6所述的装置,其特征在于,所述数据分析模块还用于对所述测试指标数据进行组合决策,决策出多个组合策略;计算所述多个组合策略的特征属性,根据所述特征属性生成多个策略特征集;利用所述多个策略特征集生成所述待测项目的测试策略。
8.根据权利要求6所述的装置,其特征在于,所述数据生成模块还用于提取所述测试策略对应的测试逻辑;获取所述测试策略和所述测试逻辑对应的数据生成参数;根据所述数据生成参数进行拟合预测,生成多条模拟数据;利用所述多条模拟数据集成所述待测项目的测试数据。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911334811.4A CN111176990B (zh) | 2019-12-23 | 2019-12-23 | 基于数据决策的测试数据生成方法、装置、计算机设备 |
PCT/CN2020/087722 WO2021128679A1 (zh) | 2019-12-23 | 2020-04-29 | 基于数据决策的测试数据生成方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911334811.4A CN111176990B (zh) | 2019-12-23 | 2019-12-23 | 基于数据决策的测试数据生成方法、装置、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176990A true CN111176990A (zh) | 2020-05-19 |
CN111176990B CN111176990B (zh) | 2023-05-30 |
Family
ID=70622526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911334811.4A Active CN111176990B (zh) | 2019-12-23 | 2019-12-23 | 基于数据决策的测试数据生成方法、装置、计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111176990B (zh) |
WO (1) | WO2021128679A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148620A (zh) * | 2020-10-12 | 2020-12-29 | 中国农业银行股份有限公司 | 一种测试案例生成方法及相关设备 |
CN112527574A (zh) * | 2020-11-19 | 2021-03-19 | 山东云海国创云计算装备产业创新中心有限公司 | 一种处理器测试方法、装置、设备及可读存储介质 |
CN113158497A (zh) * | 2021-05-26 | 2021-07-23 | 中国平安人寿保险股份有限公司 | 在线服务实验方法、装置、计算机设备和存储介质 |
CN113448865A (zh) * | 2021-07-14 | 2021-09-28 | 中国银行股份有限公司 | 基于形式模型的关系型测试数据生成方法及装置 |
CN113704077A (zh) * | 2020-05-20 | 2021-11-26 | 中国移动通信集团浙江有限公司 | 测试用例生成方法及装置 |
CN113821481A (zh) * | 2020-06-19 | 2021-12-21 | 北京金山云网络技术有限公司 | 测试数据源的生成方法、装置及服务器 |
CN113836012A (zh) * | 2021-09-17 | 2021-12-24 | 上海瑾盛通信科技有限公司 | 算法测试方法、装置、电子设备及存储介质 |
CN114490316A (zh) * | 2021-12-16 | 2022-05-13 | 四川大学 | 一种基于损失函数的单元测试用例自动生成方法 |
CN114676042A (zh) * | 2022-02-28 | 2022-06-28 | 国网冀北电力有限公司信息通信分公司 | 电力物联网测试数据生成方法及装置 |
CN116204417A (zh) * | 2023-01-09 | 2023-06-02 | 睿智合创(北京)科技有限公司 | 一种快速生成决策测试数据的方法 |
CN113821481B (zh) * | 2020-06-19 | 2024-05-24 | 北京金山云网络技术有限公司 | 测试数据源的生成方法、装置及服务器 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672520A (zh) * | 2021-09-08 | 2021-11-19 | 京东科技控股股份有限公司 | 测试案例的生成方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100175052A1 (en) * | 2009-01-05 | 2010-07-08 | Tata Consultancy Services Limited | System and method for automatic generation of test data to satisfy modified condition decision coverage |
CN104615667A (zh) * | 2015-01-13 | 2015-05-13 | 联动优势电子商务有限公司 | 一种基础数据生成方法、测试用数据生成方法及其装置 |
CN106502890A (zh) * | 2016-10-18 | 2017-03-15 | 乐视控股(北京)有限公司 | 测试用例生成方法及系统 |
CN107807878A (zh) * | 2016-09-09 | 2018-03-16 | 北京航空航天大学 | 基于关键字的自动化测试引擎 |
-
2019
- 2019-12-23 CN CN201911334811.4A patent/CN111176990B/zh active Active
-
2020
- 2020-04-29 WO PCT/CN2020/087722 patent/WO2021128679A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100175052A1 (en) * | 2009-01-05 | 2010-07-08 | Tata Consultancy Services Limited | System and method for automatic generation of test data to satisfy modified condition decision coverage |
CN104615667A (zh) * | 2015-01-13 | 2015-05-13 | 联动优势电子商务有限公司 | 一种基础数据生成方法、测试用数据生成方法及其装置 |
CN107807878A (zh) * | 2016-09-09 | 2018-03-16 | 北京航空航天大学 | 基于关键字的自动化测试引擎 |
CN106502890A (zh) * | 2016-10-18 | 2017-03-15 | 乐视控股(北京)有限公司 | 测试用例生成方法及系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113704077B (zh) * | 2020-05-20 | 2023-09-19 | 中国移动通信集团浙江有限公司 | 测试用例生成方法及装置 |
CN113704077A (zh) * | 2020-05-20 | 2021-11-26 | 中国移动通信集团浙江有限公司 | 测试用例生成方法及装置 |
CN113821481A (zh) * | 2020-06-19 | 2021-12-21 | 北京金山云网络技术有限公司 | 测试数据源的生成方法、装置及服务器 |
CN113821481B (zh) * | 2020-06-19 | 2024-05-24 | 北京金山云网络技术有限公司 | 测试数据源的生成方法、装置及服务器 |
CN112148620B (zh) * | 2020-10-12 | 2024-04-12 | 中国农业银行股份有限公司 | 一种测试案例生成方法及相关设备 |
CN112148620A (zh) * | 2020-10-12 | 2020-12-29 | 中国农业银行股份有限公司 | 一种测试案例生成方法及相关设备 |
CN112527574B (zh) * | 2020-11-19 | 2023-03-21 | 山东云海国创云计算装备产业创新中心有限公司 | 一种处理器测试方法、装置、设备及可读存储介质 |
CN112527574A (zh) * | 2020-11-19 | 2021-03-19 | 山东云海国创云计算装备产业创新中心有限公司 | 一种处理器测试方法、装置、设备及可读存储介质 |
CN113158497A (zh) * | 2021-05-26 | 2021-07-23 | 中国平安人寿保险股份有限公司 | 在线服务实验方法、装置、计算机设备和存储介质 |
CN113448865A (zh) * | 2021-07-14 | 2021-09-28 | 中国银行股份有限公司 | 基于形式模型的关系型测试数据生成方法及装置 |
CN113836012A (zh) * | 2021-09-17 | 2021-12-24 | 上海瑾盛通信科技有限公司 | 算法测试方法、装置、电子设备及存储介质 |
CN113836012B (zh) * | 2021-09-17 | 2024-05-03 | 上海瑾盛通信科技有限公司 | 算法测试方法、装置、电子设备及存储介质 |
CN114490316A (zh) * | 2021-12-16 | 2022-05-13 | 四川大学 | 一种基于损失函数的单元测试用例自动生成方法 |
CN114490316B (zh) * | 2021-12-16 | 2023-04-18 | 四川大学 | 一种基于损失函数的单元测试用例自动生成方法 |
CN114676042A (zh) * | 2022-02-28 | 2022-06-28 | 国网冀北电力有限公司信息通信分公司 | 电力物联网测试数据生成方法及装置 |
CN116204417A (zh) * | 2023-01-09 | 2023-06-02 | 睿智合创(北京)科技有限公司 | 一种快速生成决策测试数据的方法 |
CN116204417B (zh) * | 2023-01-09 | 2023-10-20 | 睿智合创(北京)科技有限公司 | 一种快速生成决策测试数据的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021128679A1 (zh) | 2021-07-01 |
CN111176990B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176990B (zh) | 基于数据决策的测试数据生成方法、装置、计算机设备 | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109636607B (zh) | 基于模型部署的业务数据处理方法、装置和计算机设备 | |
CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
CN111897673B (zh) | 运维故障根因识别方法、装置、计算机设备和存储介质 | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN110489314B (zh) | 模型异常检测方法、装置、计算机设备和存储介质 | |
CN109783604B (zh) | 基于少量样本的信息提取方法、装置和计算机设备 | |
CN110751533B (zh) | 产品画像生成方法、装置、计算机设备和存储介质 | |
CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
CN111191871A (zh) | 项目基线数据生成方法、装置、计算机设备和存储介质 | |
CN111124898B (zh) | 问答系统测试方法、装置、计算机设备和存储介质 | |
CN111767192A (zh) | 基于人工智能的业务数据检测方法、装置、设备和介质 | |
CN110765351A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN114692785B (zh) | 行为分类方法、装置、设备及存储介质 | |
CN110909975A (zh) | 科研平台效益评估方法、装置 | |
CN113077185B (zh) | 工作量评估方法、装置、计算机设备和存储介质 | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN110378481B (zh) | 基于粗糙集的决策处理方法、装置、计算机和存储介质 | |
CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 | |
CN117236261B (zh) | Mos管参数模型的构建方法、装置、设备及存储介质 | |
CN113065605B (zh) | 金银花识别模型的训练方法、装置、计算机设备及介质 |
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 |