CN111639024B - 基于特征频度数据挖掘的软件质量预测方法 - Google Patents
基于特征频度数据挖掘的软件质量预测方法 Download PDFInfo
- Publication number
- CN111639024B CN111639024B CN202010420320.8A CN202010420320A CN111639024B CN 111639024 B CN111639024 B CN 111639024B CN 202010420320 A CN202010420320 A CN 202010420320A CN 111639024 B CN111639024 B CN 111639024B
- Authority
- CN
- China
- Prior art keywords
- quality
- software
- entity
- quality prediction
- entity element
- 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
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
- G06F11/3604—Software analysis for verifying properties of programs
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
Abstract
本发明涉及基于特征频度数据挖掘的软件质量预测方法,包括:A.根据软件模块的变更内容,获取所有实体元素的历史质量分析结果记录;B.以朴素贝叶斯分类器作为软件质量预测模型,建立每个实体元素的软件质量预测模型;C.以所述的历史质量分析结果记录作为训练数据集对软件质量预测模型进行训练;D.统计软件模块变更内容中所有实体元素当前的所有缺陷数据的质量特征的频度,通过软件质量预测模型运算后输出各实体元素的预测结果;E.得到整个软件模块的质量预测结果。本发明能够显著提高对软件质量预测的客观性,减少了人为主观的影响,并且明显提高了软件质量预测的准确性。
Description
技术领域
本发明涉及数据挖掘的方法,具体讲是基于特征频度数据挖掘的软件质量预测方法。
背景技术
在软件研发领域,如何根据现有的数据来预测软件质量处于何种水平一直是一个难题,目前业界还没有一个标准化的成熟的技术能够解决该问题。其原因是,一方面,软件质量的评判往往比较主观,测试人员常常根据软件“当前存在多少缺陷”来评判当前的软件质量,但无法对软件的质量进行合理的预测,以期能够提前采取一些控制措施,避免软件质量下滑。另一方面,测试人员往往依据自己的经验,根据软件“当前存在多少缺陷”的数据的分析来预测软件质量可能会处于什么水平。这种做法具有较大的随意性,且受测试人员的经验所影响,准确度和可信度难以保证。
发明内容
本发明提供了一种基于特征频度数据挖掘的软件质量预测方法,以提高对软件质量预测的客观性,减少人为主观的影响,提高软件质量预测的准确性。
本发明基于特征频度数据挖掘的软件质量预测方法,包括:
A.根据实体元素建立软件质量预测模型:根据被测软件的当前开发版本中的软件模块的变更内容,获取变更内容中界面里包含的所有实体元素,在数据库的质量分析结果表中查询出所述所有实体元素对应的所有历史质量分析结果记录,在所述的历史质量分析结果记录中包括每个实体元素在历史缺陷中对应的所有质量特征,以及每个实体元素对应的每种质量特征的频度和综合质量等级;
B.以朴素贝叶斯分类器作为软件质量预测模型,以每个实体元素的每个质量特征的频度集合作为朴素贝叶斯分类器的特征集合,每个实体元素的综合质量等级集合作为朴素贝叶斯分类器的类别集合,分别建立每个实体元素的软件质量预测模型;
C.训练软件质量预测模型:以步骤A所述的每个实体元素各自对应的所有历史质量分析结果记录作为各自的软件质量预测模型的训练数据集,对各自的软件质量预测模型进行训练,将训练结果与历史质量分析结果记录中对应的综合质量等级进行比较,当训练误差值低于阈值时,终止训练,得到满足要求的质量预测模型;
D.根据更新的实体元素的缺陷进行预测:从数据库的缺陷表中查询出软件模块变更内容中包含的所述所有实体元素当前的所有缺陷数据,以及每个缺陷对应的质量特征,统计所有质量特征的频度,逐一将每个实体元素的所述质量特征的频度输入到已训练完成的该实体元素的软件质量预测模型中,运算后输出该实体元素的综合质量预测结果;
E.根据每个实体元素的综合质量预测结果,得到整个被测软件模块的质量预测结果。
根据软件质量的定义,软件质量是“软件与明确地和隐含地定义的需求相一致的程度”。更具体地说,软件质量是软件与需求文档中明确地或隐含地叙述的功能和性能需求、文档中明确描述的开发标准以及其他类似的任何专业开发的软件产品都应该具有的隐含特征相一致的程度。根据GB/T16260.1标准,影响软件质量的主要因素可以划分为六个特性:功能性、可靠性、易用性、效率、可维护性、可移植性。
因此,本发明根据更新模块中包含的实体元素,从当前缺陷以及所有历史缺陷中挖掘出影响被测软件质量的所有质量特征,通过朴素贝叶斯分类器的软件质量预测模型,将被测软件历史上的每一次发布时的质量特征频度数据作为训练数据来训练模型,训练完成后,使用被测软件的当前开发版本的软件模块的变更内容数据作为输入数据进行运算,就可以得到一个本次变更对软件质量会带来何种程度的影响的预测值,即软件质量的预测值,进而促使开发人员和测试人员采取措施,规避软件质量下滑风险。
本发明是将文字化的测试用例、缺陷中包含的软件功能、软件模块、软件代码等元素进行组件化,对这些组件化元素中可以决定软件质量的质量特征进行提取和对质量特征出现的频度进行统计和分析,得到被测软件当前版本的质量分析结果,并建立质量特征频度和软件质量分析结果之间的关联关系。以此类推,可以在软件的每一次变更时,都建立质量特征频度和该版本的软件质量分析结果的关联关系,形成软件的所有历史版本的质量特征频度和质量分析结果的关系数据集。建立软件质量预测模型,以上述关系数据集作为训练数据来训练模型,得到最优的模型参数。再以软件的当前开发版本中软件模块的变更内容以及对应的质量特征频度作为输入数据,输入到训练完的软件质量预测模型中进行运算,输出得到一个对未来的软件质量的合理的、精确的预测值,具有较高的可信度。
进一步的,步骤D中,在对软件质量预测模型进行数据输入时,是逐一将每个实体元素的质量特征的频度形成频度集合的数据结构后,再将所述的频度集合输入到该实体元素的软件质量预测模型中。
进一步的,根据步骤E对每个实体元素的质量预测结果,对质量预测结果低于质量阈值范围的实体元素,进行更详细的测试,规避该实体元素的质量风险。
进一步的,根据步骤E对每个实体元素的质量预测结果,对质量预测结果在质量阈值范围内的实体元素,进行常规测试。
进一步的,根据步骤E对每个实体元素的质量预测结果,对质量预测结果高于质量阈值范围的实体元素,减少测试内容。
本发明基于特征频度数据挖掘的软件质量预测方法,能够显著提高对软件质量预测的客观性,极大程度减少了人为主观的影响,并且明显提高了软件质量预测的准确性、可靠性和可信度。
以下结合实施例的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下,根据本领域普通技术知识和惯用手段做出的各种替换或变更,均应包括在本发明的范围内。
附图说明
图1为本发明基于特征频度数据挖掘的软件质量预测方法的流程图。
具体实施方式
如图1所示本发明基于特征频度数据挖掘的软件质量预测方法,包括:
A.根据实体元素建立软件质量预测模型:根据被测软件的当前开发版本中的软件模块的变更内容,获取变更内容中界面里包含的所有实体元素,在数据库的质量分析结果表中查询出所述所有实体元素对应的所有历史质量分析结果记录,在所述的历史质量分析结果记录中包括每个实体元素在历史缺陷中对应的所有质量特征,以及每个实体元素对应的每种质量特征的频度和综合质量等级;
B.以朴素贝叶斯分类器作为软件质量预测模型,以每个实体元素的每个质量特征的频度集合作为朴素贝叶斯分类器的特征集合,每个实体元素的综合质量等级集合作为朴素贝叶斯分类器的类别集合,分别建立每个实体元素的软件质量预测模型;
C.训练软件质量预测模型:以步骤A所述的每个实体元素各自对应的所有历史质量分析结果记录作为各自的软件质量预测模型的训练数据集,对各自的软件质量预测模型进行训练,将训练结果与历史质量分析结果记录中对应的综合质量等级进行比较,当训练误差值低于阈值时,终止训练,得到满足要求的质量预测模型;
D.根据更新的实体元素的缺陷进行预测:从数据库的缺陷表中查询出软件模块变更内容中包含的所述所有实体元素当前的所有缺陷数据,以及每个缺陷对应的质量特征,统计所有质量特征的频度,逐一将每个实体元素的所述质量特征的频度形成频度数据集,输入到已训练完成的该实体元素的软件质量预测模型中,运算后输出该实体元素的综合质量预测结果;
E.根据每个实体元素的综合质量预测结果,得到整个被测软件模块的质量预测结果。根据每个实体元素的质量预测结果,对质量预测结果低于质量阈值范围的实体元素,进行更详细的测试,规避该实体元素的质量风险。对质量预测结果在质量阈值范围内的实体元素,进行常规测试。对质量预测结果高于质量阈值范围的实体元素,减少测试内容。
根据软件质量的定义,软件质量是“软件与明确地和隐含地定义的需求相一致的程度”。更具体地说,软件质量是软件与需求文档中明确地或隐含地叙述的功能和性能需求、文档中明确描述的开发标准以及其他类似的任何专业开发的软件产品都应该具有的隐含特征相一致的程度。根据GB/T16260.1标准,影响软件质量的主要因素可以划分为六个特性:功能性、可靠性、易用性、效率、可维护性、可移植性。
因此,本发明根据更新模块中包含的实体元素,从当前缺陷以及所有历史缺陷中挖掘出影响被测软件质量的所有质量特征,通过朴素贝叶斯分类器的软件质量预测模型,将被测软件历史上的每一次发布时的质量特征频度数据作为训练数据来训练模型,训练完成后,使用被测软件的当前开发版本的软件模块的变更内容数据作为输入数据进行运算,就可以得到一个本次变更对软件质量会带来何种程度的影响的预测值,即软件质量的预测值,进而促使开发人员和测试人员采取措施,规避软件质量下滑风险。
以下以一个实例进行进一步的说明:
实施例:
假定现在有一个网站,包含“首页”、“注册页面”、“购物车页面”等模块。现在需要对“注册页面”这个模块进行新功能开发,该模块包含了“A:用户名”、“B:设置密码”、“C:确认密码”、“D:注册按钮”等四个实体元素。A、B、C、D四个实体元素在过往的软件研发历史中出现过100个缺陷,其中6个缺陷举例如下:
测试环境缺陷(1):
(a)测试用例:访客进入注册页面,输入不存在的用户名,输入设置密码,输入确认密码,点击注册按钮。期望:注册页面提示“注册成功”
(b)发生缺陷步骤:期望:注册页面提示“注册成功”
(c)发生缺陷实体元素:注册页面
(d)缺陷类别:功能故障-显示故障-文案错误
(e)缺陷状态:关闭
测试环境缺陷(2):
(a)测试用例:访客进入注册页面,输入不存在的用户名,输入设置密码,输入确认密码,点击注册按钮。期望:注册页面提示“注册成功”
(b)发生缺陷步骤:访客进入注册页面
(c)发生缺陷实体元素:注册页面
(d)缺陷类别:性能故障-网络故障-页面响应超时
(e)缺陷状态:关闭
测试环境缺陷(3):
(a)测试用例:访客进入注册页面,输入不存在的用户名,输入设置密码,输入确认密码,点击注册按钮。期望:注册页面提示“注册成功”
(b)发生缺陷步骤:输入设置密码
(c)发生缺陷实体元素:设置密码
(d)缺陷类别:用户体验故障-用户体验不友好
(e)缺陷状态:关闭
生产环境缺陷(1):
(a)测试用例:访客进入注册页面,输入不存在的用户名,输入设置密码,输入确认密码,点击注册按钮。期望:注册页面提示“注册成功”
(b)发生缺陷步骤:期望:注册页面提示“注册成功”
(c)发生缺陷实体元素:注册页面
(d)缺陷类别:功能故障-显示故障-文案错误
(e)缺陷状态:关闭
生产环境缺陷(2):
(a)测试用例:访客进入注册页面,输入不存在的用户名,输入设置密码,输入确认密码,点击注册按钮。期望:注册页面提示“注册成功”
(b)发生缺陷步骤:访客进入注册页面
(c)发生缺陷实体元素:注册页面
(d)缺陷类别:性能故障-网络故障-页面响应超时
(e)缺陷状态:关闭
生产环境缺陷(3):
(a)测试用例:访客进入注册页面,输入不存在的用户名,输入设置密码,输入确认密码,点击注册按钮。期望:注册页面提示“注册成功”
(b)发生缺陷步骤:输入确认密码
(c)发生缺陷实体元素:确认密码
(d)缺陷类别:容错性故障-未提示错误
(e)缺陷状态:关闭
这100个历史缺陷,关联了4个质量特征:“X:功能有故障”、“Y:性能不好”、“Z:用户体验不友好”、“W:容错性不足”。
一、根据软件模块的变更内容,获取软件模块的所有实体元素,并提取这些实体元素的历史质量分析结果数据。
a.“注册页面”模块是本次软件更新需要开发新功能的软件模块,且包含“A:用户名”、“B:设置密码”、“C:确认密码”、“D:注册按钮”等四个实体元素,根据四个实体元素语义,在数据库的实体元素表查询到以上四个实体元素的信息。
b.根据四个实体元素的ID,在数据库的缺陷表中,查询到四个实体元素关联的所有历史缺陷,数量为100个,其中包括了测试环境缺陷(1)、测试环境缺陷(2)、测试环境缺陷(3)、生产环境缺陷(1)、生产环境缺陷(2)、生产环境缺陷(3)等6个缺陷。
c.根据所述100个缺陷所关联的4个质量特征,即“X:功能有故障”、“Y:性能不好”、“Z:用户体验不友好”、“W:容错性不足”,结合缺陷对应的实体元素ID,在数据库的质量分析结果表中查询这些实体元素的历史质量分析结果,并形成每个实体元素的历史质量分析结果记录。以实体元素A的历史质量分析结果举例,如表1:
表1:
d.重复以上步骤,直到实体元素B、C、D的历史质量分析结果全部查出,并分别形成B、C、D的历史质量分析结果数据集。
二、以朴素贝叶斯分类器分别作为每个实体元素的软件质量预测模型。以所有质量特征的频度作为朴素贝叶斯分类器的特征集合,所有综合质量分析结果等级作为朴素贝叶斯分类器的类别集合。
a.以实体元素“A:用户名”举例,以朴素贝叶斯分类器作为A的软件质量预测模型。以A的所有质量特征的频度集合作为预测模型的特征集合,对于A来说,A的软件质量预测模型的特征集合为{X频度、Y频度、Z频度、W频度};以A的所有综合质量分析结果的等级集合作为预测模型的类别集合,对于A来说,A的软件质量预测模型的类别集合为{优秀、良好、一般、较差、很差}。
b.重复步骤2.a,分别建立实体元素B、C、D的软件质量预测模型。
三、以所有实体元素的历史质量分析结果数据集作为训练数据集,对软件质量预测模型进行训练,并得到符合要求的预测模型。
a.以实体元素A的软件质量预测模型举例,设定软件质量预测模型的训练误差阈值,例如设为5%,即当错误结果次数占总训练次数的比例低于5%时,训练即可结束。。
b.以A的所有历史质量分析结果数据集作为训练数据集,如表2:
表2:
c.以上述训练数据集对实体元素A的软件质量预测模型进行训练。并计算训练误差,判断是否低于阈值。若未达到阈值,则继续训练,否则终止训练。
d.重复以上步骤,直到完成所有实体元素A、B、C、D的软件质量预测模型的训练,得到四个实体元素的满足要求的软件质量预测模型。
四、在数据库的缺陷表中查询得到所有实体元素的当前缺陷数据以及对应的质量特征,统计这些质量特征的频度。将实体元素和质量特征频度数据输入预测模型,通过预测模型运算后输出实体元素的综合质量预测结果。
a.针对A、B、C、D四个实体元素,到数据库中查询得到它们的当前版本缺陷,并进一步查询出这些缺陷中含有的质量特征,即为X、Y、Z、W四个特征。
b.分别统计A、B、C、D的所有当前版本缺陷中X、Y、Z、W的频度,如表3:
表3:
实体元素 | X频度 | Y频度 | Z频度 | W频度 |
A | 5 | 4 | 2 | 3 |
B | 0 | 1 | 0 | 1 |
C | 2 | 2 | 2 | 1 |
D | 4 | 1 | 1 | 1 |
c.将每一个实体元素的所有质量特征频度,构建成特征集合,输入软件质量预测模型,进行综合质量分析结果的预测。例如,对实体元素A,将它的质量特征频度构建成特征集合{5,4,2,3},输入A的软件质量预测模型,进行运算,最后得到A的综合质量分析结果的预测值,如表4:
表4:
d.重复以上步骤,直到完成所有实体元素的综合质量分析结果预测,最后得到一个包含所有实体元素A、B、C、D的综合质量分析结果预测值列表,如表5:
表5:
五、根据每个实体元素的质量预测结果,评判整个软件模块的质量预测结果。如果结果较差,则调整软件模块的开发工作和测试工作,以规避软件质量风险。
a.根据步骤4中的所有实体元素A、B、C、D的质量预测结果,判断整个软件模块中实体元素A的质量很差,需要重点针对实体元素A进行更多更详细的测试,以期找到更多缺陷,规避A的质量风险。
b.继续判断整个软件模块中实体元素B和C的质量较好,因此针对B和C的测试工作可以适当减少。
c.继续判断整个软件模块中实体元素D的质量一般,因此针对D的测试工作需要照常执行。
d.重复以上步骤,完成整个软件模块的所有实体元素的质量判断和测试工作调整,规避整个软件模块的质量风险。
Claims (2)
1.基于特征频度数据挖掘的软件质量预测方法,其特征包括:
A.根据实体元素建立软件质量预测模型:根据被测软件的当前开发版本中的软件模块的变更内容,获取变更内容中界面里包含的所有实体元素,在数据库的质量分析结果表中查 询出所述所有实体元素对应的所有历史质量分析结果记录,在所述的历史质量分析结果记录 中包括每个实体元素在历史缺陷中对应的所有质量特征,以及每个实体元素对应的每种质量 特征的频度和综合质量等级;
B.以朴素贝叶斯分类器作为软件质量预测模型,以每个实体元素的每个质量特征的频度集合作为朴素贝叶斯分类器的特征集合,每个实体元素的综合质量等级集合作为朴素贝叶 斯分类器的类别集合,分别建立每个实体元素的软件质量预测模型;
C.训练软件质量预测模型:以步骤 A 所述的每个实体元素各自对应的所有历史质量分 析结果记录作为各自的软件质量预测模型的训练数据集,对各自的软件质量预测模型进行训 练,将训练结果与历史质量分析结果记录中对应的综合质量等级进行比较,当训练误差值低 于阈值时,终止训练,得到满足要求的质量预测模型;
D.根据更新的实体元素的缺陷进行预测:从数据库的缺陷表中查询出软件模块变更内容中包含的所述所有实体元素当前的所有缺陷数据,以及每个缺陷对应的质量特征,统计所 有质量特征的频度,逐一将每个实体元素的所述质量特征的频度输入到已训练完成的该实体 元素的软件质量预测模型中,运算后输出该实体元素的综合质量预测结果;
E.根据每个实体元素的综合质量预测结果,对质量预测结果低于质量阈值范围的实体元素,进行更详细的测试,规避该实体元素的质量风险;对质量预测结果在质量阈值范围内的实体元素,进行常规测试;对质量预测结果高于质量阈值范围的实体元素,减少测试内容。
2.如权利要求 1 所述的基于特征频度数据挖掘的软件质量预测方法,其特征为:步骤D 中,在对软件质量预测模型进行数据输入时,是逐一将每个实体元素的质量特征的频度形 成频度集合的数据结构后,再将所述的频度集合输入到该实体元素的软件质量预测模型中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420320.8A CN111639024B (zh) | 2020-05-18 | 2020-05-18 | 基于特征频度数据挖掘的软件质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420320.8A CN111639024B (zh) | 2020-05-18 | 2020-05-18 | 基于特征频度数据挖掘的软件质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639024A CN111639024A (zh) | 2020-09-08 |
CN111639024B true CN111639024B (zh) | 2023-06-09 |
Family
ID=72331091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010420320.8A Active CN111639024B (zh) | 2020-05-18 | 2020-05-18 | 基于特征频度数据挖掘的软件质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639024B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908020A (zh) * | 2010-08-27 | 2010-12-08 | 南京大学 | 一种基于分类挖掘和版本变更的测试用例优先化方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2460187C2 (ru) * | 2008-02-01 | 2012-08-27 | Рокстек Аб | Переходная рама с встроенным прижимным устройством |
CN105653450A (zh) * | 2015-12-28 | 2016-06-08 | 中国石油大学(华东) | 基于改进遗传算法与Adaboost结合的软件缺陷数据特征选择方法 |
CN106845240A (zh) * | 2017-03-10 | 2017-06-13 | 西京学院 | 一种基于随机森林的Android恶意软件静态检测方法 |
US10754640B2 (en) * | 2017-03-24 | 2020-08-25 | Microsoft Technology Licensing, Llc | Engineering system robustness using bug data |
CN108354315B (zh) * | 2017-12-05 | 2019-08-27 | 牛家祺 | 一种基于双单元非对称声场的刷牙质量检测系统及方法 |
CN109062763B (zh) * | 2018-07-31 | 2022-03-04 | 云南大学 | 一种从svn日志事件流中动态实时挖掘软件过程活动的方法 |
CN110321291A (zh) * | 2019-07-12 | 2019-10-11 | 中国工商银行股份有限公司 | 测试案例智能提取系统及方法 |
CN110727593B (zh) * | 2019-10-12 | 2023-07-25 | 四川新网银行股份有限公司 | 基于历史需求数据挖掘的测试用例智能生成方法及介质 |
-
2020
- 2020-05-18 CN CN202010420320.8A patent/CN111639024B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908020A (zh) * | 2010-08-27 | 2010-12-08 | 南京大学 | 一种基于分类挖掘和版本变更的测试用例优先化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111639024A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107391369B (zh) | 一种基于数据筛选和数据过采样的跨项目缺陷预测方法 | |
CN100587507C (zh) | 测试制造后的集成电路器件的方法和系统 | |
WO2019202595A1 (en) | Integrated circuit profiling and anomaly detection | |
CN111597122B (zh) | 一种基于历史缺陷数据挖掘的软件故障注入方法 | |
US7904279B2 (en) | Methods and apparatus for data analysis | |
CN102257496A (zh) | 用于加速的数据质量增强的方法和系统 | |
CN111597121B (zh) | 一种基于历史测试用例挖掘的精准测试方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN108829878B (zh) | 一种工业实验数据异常点检测方法及装置 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN112069069A (zh) | 缺陷自动定位分析方法、设备及可读存储介质 | |
CN111639024B (zh) | 基于特征频度数据挖掘的软件质量预测方法 | |
CN114090556A (zh) | 一种电力营销数据采集方法及系统 | |
CN113468301A (zh) | 集成电路测试方案的自动化生成方法和系统 | |
CN110532122B (zh) | 故障分析方法及系统、电子设备、存储介质 | |
CN113569988B (zh) | 一种算法模型评测方法及系统 | |
CN114912372A (zh) | 一种基于人工智能算法的高精度充填管路故障预警方法 | |
CN111965995B (zh) | 一种三库合一飞机航电系统健康评估与预测系统及其方法 | |
CN112163189A (zh) | 基于测试顺序概率矩阵的装备故障诊断方法 | |
CN114818502B (zh) | 一种性能测试数据的分析方法及系统 | |
CN111475319A (zh) | 一种基于机器学习的硬盘筛选方法及装置 | |
CN114665986B (zh) | 一种蓝牙钥匙的测试系统及方法 | |
CN111737096B (zh) | 一种tpc-h前测试系统整体定级的检测方法及装置 | |
CN115994081A (zh) | 测试用例处理方法、装置、电子设备和存储介质 | |
CN116796669A (zh) | 一种电力边缘计算芯片的可靠性校验方法及系统 |
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 |