CN112100067B - 一种基于回归分析的测试方法、系统及存储介质 - Google Patents
一种基于回归分析的测试方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112100067B CN112100067B CN202010948746.0A CN202010948746A CN112100067B CN 112100067 B CN112100067 B CN 112100067B CN 202010948746 A CN202010948746 A CN 202010948746A CN 112100067 B CN112100067 B CN 112100067B
- Authority
- CN
- China
- Prior art keywords
- regression analysis
- tested
- server
- performance parameters
- test
- 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
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
-
- 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
- G06F11/362—Software debugging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种基于回归分析的测试方法、系统及存储介质,该方法包括依据第一时间间隔在测试机中逐次添加测试机器人,测试机器人通过测试机与待测服务器进行交互并执行目标功能,依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果。本发明实施例可以有效地获得测试机器人在动态增长过程中待测服务器的性能参数,以有效地分析出登录用户在动态增长过程中待测服务器的性能参数。对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,可以对待测服务器中不显著且在用户动态增长过程会出现的难以发现的问题进行有效的分析。
Description
技术领域
本发明涉及游戏测试技术领域,特别是一种基于回归分析的测试方法、系统及存储介质。
背景技术
目前,游戏中的测试有很多的方式,其中压力测试通常是一次性使用大量的机器人模拟用户操作,使服务器的CPU或内存使用率达到100%,或不断的逼近100%,从而查看最大压力下的服务器状态与表现,并计算出在当前配置下服务器的最大承载用户数量。性能优化是在某个稳定的用户数量下,观察记录服务器运行时各函数或接口的状态与数量,并与程序优化后同样用户数量下服务器运行时各函数或接口的状态与数量进行对比,从而让服务程序不断向最优化的方向发展。
但是,很多情况下服务器在运行过程中会随着用户的增长动态出现异常,或是CPU与内存的关系出现问题,这些问题有时不明显,有时累计下来会发生非常难以调试并致命的问题,采用现有的测试方法无法有效的进行测试。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于回归分析的测试方法、系统及存储介质,能够对待测服务器中不显著且在用户动态增长过程会出现的难以发现的数据异常等问题进行有效的分析,有效地帮助技术人员找到采用现有测试方式难以查找的待测试服务器的问题。
根据本发明实施例的一方面,提供了一种基于回归分析的测试方法,包括:
依据第一时间间隔在测试机中逐次添加测试机器人,所述测试机器人通过测试机与待测服务器进行交互并执行目标功能;
依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录;
对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果。
可选地,指定数值倍数的第二时间间隔小于所述第一时间间隔。
可选地,若所述指定数值大于1,依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录,包括:
在第一时间间隔内,依据所述第二时间间隔获取待测服务器的指定数值组性能参数;
按照预设选取规则从获取到的待测服务器的指定数值组性能参数中选取一组性能参数进行记录。
可选地,按照预设选取规则从获取到的待测服务器的指定数值组性能参数中选取一组性能参数进行记录,包括:
从获取到的待测服务器的指定数值组性能参数中选取数值最大的性能参数进行记录;或
对获取到的待测服务器的指定数值组性能参数计算平均值,对计算得到的平均性能参数进行记录。
可选地,所述待测服务器的性能参数包括以下至少一项:
待测服务器的中央处理器使用率、内存使用率、网络流入速率、网络流出速率、磁盘输入/输出情况。
可选地,若一个测试机运行测试机器人的数量一定,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果之前,还包括:
在逐次添加测试机器人的过程中分析运行测试机器人的测试机数量是否达到第一阈值;
若测试机数量达到第一阈值,停止添加所述测试机器人。
可选地,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果之前,还包括:
在逐次添加测试机器人的过程中分析记录的所述待测服务器的性能参数是否达到对应的第二阈值;
若待测服务器的性能参数达到对应的第二阈值,停止添加所述测试机器人。
可选地,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果,包括:
对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型;
依据所述回归分析模型并采用图表生成工具生成对应的回归分析曲线,分析所述回归分析曲线的异常情况。
可选地,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型,包括:
依据测试机器人不同数量和分别对应记录的待测服务器的一种性能参数,构建回归分析模型;或
若获取到待测服务器的多种性能参数,依据测试机器人不同数量和分别对应记录的待测服务器的多种性能参数,构建基于多种性能参数的回归分析模型。
可选地,依据所述回归分析模型并采用图表生成工具生成对应的回归分析曲线,包括:
分析所述待测服务器的性能参数的记录方式是否一致;
若所述待测服务器的性能参数的记录方式不一致,依据所述回归分析模型并采用图表生成工具针对不同记录方式的性能参数在不同图表中生成对应的回归分析曲线;
若所述待测服务器的性能参数的记录方式一致,依据所述回归分析模型并采用图表生成工具针对多种性能参数在同一图表中生成对应的回归分析曲线。
可选地,还包括:
若分析待测服务器的性能参数的记录方式不一致,对记录的待测服务器的性能参数进行归一化处理。
可选地,所述回归分析曲线的异常情况包括以下至少一项:
回归分析曲线过拟合、回归分析曲线异常升高或降低、回归分析曲线对应的参数异常密集或稀疏、回归分析曲线对应的参数与所述待测服务器实际参数不符。
可选地,依据所述回归分析模型并采用图表生成工具生成对应的回归分析曲线,分析所述回归分析曲线的异常情况之后,还包括:
依据回归分析曲线的异常情况对所述待测服务器进行调试并重新构建回归分析模型,直到生成的回归分析曲线正常;
设置测试机器人的指定数量,将设置的测试机器人的指定数量输入至重新建立的回归分析模型;依据重新构建的回归分析模型分析在指定数量的测试机器人条件下所述待测服务器的性能参数的预估值;或设置待测服务器的性能参数,将设置的待测服务器的性能参数输入至重新构建的回归分析模型;依据重新构建的回归分析模型分析在设置的待测服务器的性能参数条件下所述测试机器人数量的预估值。
根据本发明实施例的另一方面,还提供了一种基于回归分析的测试系统,包括:
添加模块,适于依据第一时间间隔在测试机中逐次添加测试机器人,所述测试机器人通过测试机与待测服务器进行交互并执行目标功能;
记录模块,适于依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录;
分析模块,适于对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果。
根据本发明实施例的再一方面,还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行上文任意实施例中的基于回归分析的测试方法。
根据本发明实施例的再一方面,还提供了一种计算设备,包括:处理器;存储有计算机程序代码的存储器;当所述计算机程序代码被所述处理器运行时,导致所述计算设备执行上文任意实施例中的基于回归分析的测试方法。
本发明实施例通过按照第一时间间隔在测试机中逐次的添加测试机器人,并按照第二时间间隔获取待测服务器的性能参数,可以有效地获得测试机器人在动态增长过程中待测服务器的性能参数,以有效地分析出登录用户在动态增长过程中待测服务器的性能参数。对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,可以对待测服务器中不显著且在用户动态增长过程会出现的难以发现的数据异常等问题进行有效的分析,有效地帮助技术人员找到采用现有测试方式难以查找的待测试服务器的问题。进一步的,还可以在调试待测服务器没有问题后,利用回归分析结果对测试机器人数量和待测服务器的性能参数进行有效的预测。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了根据本发明一实施例的基于回归分析的测试方法的流程示意图;
图2示出了根据本发明另一实施例的基于回归分析的测试方法的流程示意图;
图3示出了根据本发明一实施例的基于回归分析的测试系统的结构示意图;
图4示出了根据本发明另一实施例的基于回归分析的测试系统的结构示意图;
图5示出了根据本发明另一实施例的基于回归分析的测试系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为解决上述技术问题,本发明实施例提供了一种基于回归分析的测试方法,图1示出了根据本发明一实施例的基于回归分析的测试方法的流程示意图。参见图1,该方法包括步骤S102至步骤S106。
步骤S102,依据第一时间间隔在测试机中逐次添加测试机器人,测试机器人通过测试机与待测服务器进行交互并执行目标功能。
在本发明实施例中,按照第一时间间隔在测试机中逐次添加测试机器人时,可以按照第一时间间隔逐次添加指定数量的测试机器人,这里的指定数量可以是1、2、3等任意数量。例如,第一时间间隔为1500ms,指定数量为1,则可以每隔1500ms增加1个测试机器人。又例如,第一时间间隔为1500ms,指定数量为2,则可以每隔1500ms增加2个测试机器人。
步骤S104,依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录。
本发明实施例的待测服务器的性能参数可以包括待测服务器的CPU(CentralProcessing Unit,中央处理器)使用率、内存使用率、网络流入速率、网络流出速率、磁盘IO(put/Output,输入/输出)等中的至少一项,本发明实施例对待测服务器的性能参数不作具体的限定。
步骤S106,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果。
除了服务器的开服或其他特殊情况,通常情况下并不是很多账户同时登录游戏服务器,而是逐渐的增加或减少登录账户。因此,通过按照第一时间间隔在测试机中逐次的添加测试机器人,并按照第二时间间隔获取待测服务器的性能参数,可以有效地获得测试机器人在动态增长过程中待测服务器(如游戏服务器)的性能参数,有效地分析出登录用户在动态增长过程中待测服务器的性能参数。对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,可以对待测服务器中不显著且在用户动态增长过程会出现的难以发现的数据异常等问题进行有效的分析,有效地帮助技术人员找到采用现有测试方式难以查找的待测试服务器的问题。
本发明实施例的待测服务器可以是游戏服务器,测试机器人可以模拟用户在测试机上进行相应游戏操作以实现对应目标功能,测试机依据测试机器人模拟的游戏操作与游戏服务器进行信息交互,例如测试机器人登录游戏服务器时通过测试机向游戏服务器发送登录请求以实现登录功能。当然还可以包含其他信息交互内容,本发明实施例对测试机与待测服务器的信息交互内容及执行的目标功能不做具体限定。
参见上文步骤S102和步骤S104,在本发明一实施例中,指定数值倍数的第二时间间隔小于第一时间间隔。例如,第一时间间隔为X毫秒,第二时间间隔为Y毫秒,指定数值为n(n为正整数),则需要满足nY<X。在增加相邻两个测试机器人的间隔时间中可以获取到待测服务器的n组性能参数,从而记录到的待测服务器的性能参数很好的体现出测试机器人在动态增加过程中待测服务器的性能参数的变化。
在本发明实施例中,如果指定数值大于1,如n>1,在第一时间间隔内,依据第二时间间隔获取待测服务器的指定数值组性能参数,然后按照预设选取规则从获取到的待测服务器的n组性能参数中选取一组性能参数进行记录。本发明实施例按照预设选取规则从获取到的待测服务器的指定数值组性能参数中选取一组性能参数进行记录的方式可以包含如下两种方式。
方式一:从获取到的待测服务器的指定数值组性能参数中选取数值最大的性能参数进行记录。例如,获取的待测服务器的n组性能参数中,每组性能参数均包含CPU使用率和内存使用率,那么可以选取n组待测服务器的CPU使用率最大值和内存使用率最大值进行记录。
方式二:首先对获取到的待测服务器的指定数值组性能参数计算平均值,然后对计算得到的平均性能参数进行记录。例如,获取的待测服务器的n组性能参数中,每组性能参数均包含CPU使用率和内存使用率,那么对n组待测服务器的CPU使用率计算平均CPU使用率,并对n组待测服务器的内存使用率计算平均内存使用率并分别进行记录。
通常一个测试机上运行的测试机器人数量是有限的,如一个测试机最多运行预设数量的测试机器人,当依据第一时间间隔在测试机中逐次添加测试机器人时,一个测试机中运行的测试机器人数量达到预设数量后,会向另外的测试机上继续添加测试机器人。为避免测试机资源的浪费以及过多测试机与待测服务器进行交互造成对待测服务器资源的浪费,测试机数量不能无限制增加,即测试机器人数量不能无限增加。
在一可选实施例中,可以预先设置测试机数量的最大阈值。例如,设置测试机数量的最大阈值为第一阈值(如5个、6个等阈值),在逐次添加测试机器人的过程中分析运行测试机器人的测试机数量是否达到第一阈值。若分析得到测试机数量达到第一阈值,则停止添加测试机器人。
在另一可选实施例中,还可以预先设置待测服务器的性能参数的最大阈值(即性能参数的峰值)。例如,设置待测服务器的性能参数的最大阈值为第二阈值,在逐次添加测试机器人的过程中分析记录的待测服务器的性能参数是否达到对应的第二阈值。若待测服务器的性能参数达到对应的第二阈值,则停止添加测试机器人。
这里需要说明的是,若待测服务器的性能参数包含至少两种,那么会针对两种性能参数分别设置相应的第二阈值。例如待测服务器的性能参数包含中央处理器使用率和内存使用率,那么对中央处理器使用率设置的第二阈值可以是90%,对内存使用率设置的第二阈值可以与中央处理器的第二阈值相同(如90%),即也可以是其他数值(如93%、95%等)。
参见上文步骤S106,在本发明一实施例中,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果时,可以对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型。然后,依据回归分析模型并采用图表生成工具生成对应的回归分析曲线,分析回归分析曲线的异常情况。本发明实施例的图表生成工具可以采用excel、python、R等图表工具,本发明实施例对此不作具体限定。
在一可选实施例中,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型时,具体可以依据测试机器人不同数量和分别对应记录的待测服务器的一种性能参数(如CPU使用率或内存使用率或磁盘IO)构建回归分析模型。这里回归分析模型可以通过回归函数表示,例如,定义一种待测服务器性能参数为自变量,定义机器人数量为因变量,依据定义的自变量和因变量对应的数据生成回归函数。又例如,定义机器人数量为自变量,定义一种待测服务器性能参数为因变量,依据定义的自变量和因变量对应的数据生成回归函数。
在另一可选实施例中,若获取到待测服务器的多种性能参数(如CPU使用率、内存使用率、磁盘IO),对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析构建回归分析模型时,具体可以依据测试机器人不同数量和分别对应记录的待测服务器的多种性能参数,构建基于多种性能参数的回归分析模型。这里基于多种性能参数的回归分析模型可以通过多项式回归函数表示,例如,定义多种待测服务器性能参数均为自变量,定义机器人数量为因变量,依据定义的自变量和因变量对应的数据生成多项式回归函数。又例如,定义机器人数量为自变量,定义多种待测服务器性能参数均为因变量,依据定义的自变量和因变量对应的数据生成多项式回归函数。
回归分析模型可以是回归函数、多项式回归函数,依据回归分析模型并采用图表生成工具生成的回归分析曲线为函数曲线。例如,定义测试机器人数量为自变量,定义待测服务器性能参数CPU使用率为因变量,则可以采用测试机器人数量作为X轴,CPU使用率作为Y轴,依据回归函数生成对应的函数曲线。当然,也可以采用待测服务器的性能参数作为X轴,测试机器人数量作为Y轴,本发明实施例对此不作具体的限定。
在本发明一实施例中,在对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析之前,还可以先对记录的待测服务器的性能参数进行数据清洗,以保证回归分析过程中所使用的性能参数的准确性和完整性。另外,本发明实施例在依据回归分析模型并采用图表生成工具生成对应的回归分析曲线时,还可以先分析待测服务器的性能参数的记录方式是否一致,若分析待测服务器的性能参数的记录方式不一致,还可以对记录的待测服务器的性能参数进行归一化处理,即对待测服务器的性能参数进行标准化处理,以使得待测服务器的性能参数记录方式一致,方便各项性能参数之间的对比分析和回归分析。例如,待测服务器的CPU使用率采用百分比的方式记录,那么其他性能参数可以通过标准化或归一化处理采用百分比的方式记录。
本发明另一可选实施例中,依据回归分析模型并采用图表生成工具生成对应的回归分析曲线时,若待测服务器的性能参数的记录方式不一致,可以依据回归分析模型并采用图表生成工具针对不同记录方式的性能参数在不同图表中生成对应的回归分析曲线。例如,性能参数CPU使用率采用百分比方式记录,内存占用采用MB方式记录,由于不同性能参数的记录方式不一致,所需的图表的标尺不同,因此针对不同的性能参数可以在不同图表中分别生成对应的回归分析曲线。
在待测服务器的性能参数的记录方式一致时,可以依据回归分析模型并采用图表生成工具针对多种性能参数在同一图表中生成对应的回归分析曲线。例如,待测服务器的性能参数内存占用和IO使用均采用MB方式记录,所需的图表的标尺可以相同,因此可以针对不同性能参数在同一图表中分别生成对应的回归分析曲线。
基于同一发明构思,本发明实施例还提供了另一种基于回归分析的测试方法,参见图2,该方法包括步骤S202至步骤S210。
步骤S202,依据第一时间间隔在测试机中逐次添加测试机器人,测试机器人通过测试机与待测服务器进行交互并执行目标功能。
步骤S204,依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录。
步骤S206,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型。
步骤S208,依据回归分析模型并采用图表生成工具生成对应的回归分析曲线,分析回归分析曲线的异常情况。
本发明实施例中,回归分析曲线的异常情况可以包括回归分析曲线过拟合、回归分析曲线异常升高或降低、回归分析曲线对应的参数异常密集或稀疏、回归分析曲线对应的参数与待测服务器实际参数不符等,本发明实施例对此不作具体限定。
步骤S210,依据回归分析曲线的异常情况对待测服务器进行调试并重新构建回归分析模型,直到生成的回归分析曲线正常。
在本发明实施例中,分析回归分析曲线的异常情况之后,还可以依据回归分析曲线的异常情况对待测服务器进行调试,调式待测服务器后重新逐次添加测试机器人并获取待测服务器的性能参数,从而重新构建回归分析模型,直到依据回归分析模型生成的回归分析曲线正常。
例如,通过分析回归分析曲线得出回归分析曲线存在突然升高的情况,可以根据突然升高的情况有针对性的调试测试服务器。又例如,基于回归分析曲线并结合卡方公式等统计分析方式分析出动态增加测试机器人的过程中记录的待测服务器的性能参数与待测服务器的实际性能参数不一致,则由技术人员调试测试服务器。再例如,通过分析回归分析曲线的变化趋势得知回归分析曲线过拟合,那么可以采用L2范式来消除过拟合现象。
在本发明一实施例中,在重新生成的回归分析曲线正常之后,可以依据重新构建的回归分析模型对待测服务器的各项性能参数、测试机器人数量进行相应的预测。在一可选实施例中,对待测服务器的性能参数进行预测的过程中,首先,设置测试机器人的指定数量,并将设置的测试机器人的指定数量输入至重新建立的回归分析模型。然后,依据重新构建的回归分析模型分析在指定数量的测试机器人条件下待测服务器的性能参数的预估值。例如,设置测试机器人的数量为1000个并输入至重新建立的回归分析模型,从而可以预测得到当测试机器人的数量为1000个时,待测服务器的各项性能参数的预估值。
在另一可选实施例中,对测试机器人的数量进行预测的过程中,首先,设置待测服务器的性能参数,并将设置的待测服务器的性能参数输入至重新构建的回归分析模型。然后,依据重新构建的回归分析模型分析在设置的待测服务器的性能参数条件下测试机器人数量的预估值。例如,设置待测服务器的性能参数CPU占用率为59%并输入至重新构建的回归分析模型,从而可以预测得到在待测服务器的CPU占用率为59%时能承受的测试机器人数量,即待测服务器CPU占用率为59%时最多可以承受的登录账户数量。本发明实施例可以预测出待测服务器的不同性能参数下所能承受的测试机器人数量,特别是对于待测服务器的性能参数达到峰值时对测试机器人数量的预估,无需通过实际增加测试机器人数量使待测服务器的性能参数达到峰值,能够有效减轻对待测服务器的负载负担,避免对待测服务器造成不必要的损耗。
在本发明实施例中,若首次依据回归分析模型并采用图表生成工具生成对应的回归分析曲线,且分析出回归分析曲线不存在异常情况,则可以无需调试待测服务器,直接利用回归分析模型进行测试机器人数量、待测服务器的性能参数的预测。
基于同一发明构思,本发明实施例还提供了一种基于回归分析的测试系统,图3示出了根据本发明一实施例的基于回归分析的测试系统的结构示意图。参见图3,该系统包括添加模块310、记录模块320及分析模块330。
添加模块310,适于依据第一时间间隔在测试机中逐次添加测试机器人,测试机器人通过测试机与待测服务器进行交互并执行目标功能。
记录模块320,适于依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录。
分析模块330,适于对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果。
在本发明一实施例中,指定数值倍数的第二时间间隔小于第一时间间隔。
在本发明一实施例中,若指定数值大于1,记录模块320还适于:在第一时间间隔内,依据第二时间间隔获取待测服务器的指定数值组性能参数;按照预设选取规则从获取到的待测服务器的指定数值组性能参数中选取一组性能参数进行记录。
在本发明一实施例中,记录模块320还适于:从获取到的待测服务器的指定数值组性能参数中选取数值最大的性能参数进行记录。
在本发明一实施例中,记录模块320还适于:对获取到的待测服务器的指定数值组性能参数计算平均值,对计算得到的平均性能参数进行记录。
在本发明一实施例中,待测服务器的性能参数包括以下至少一项:待测服务器的中央处理器使用率、内存使用率、网络流入速率、网络流出速率、磁盘输入/输出情况。
在本发明一实施例中,若一个测试机运行测试机器人的数量一定,分析模块330还适于:在逐次添加测试机器人的过程中分析运行测试机器人的测试机数量是否达到第一阈值;若测试机数量达到第一阈值,停止添加测试机器人。
在本发明一实施例中,分析模块330还适于:在逐次添加测试机器人的过程中分析记录的待测服务器的性能参数是否达到对应的第二阈值;若待测服务器的性能参数达到对应的第二阈值,停止添加测试机器人。
在本发明一实施例中,分析模块330还适于:对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型;依据回归分析模型并采用图表生成工具生成对应的回归分析曲线,分析回归分析曲线的异常情况。
在本发明一实施例中,分析模块330还适于:依据测试机器人不同数量和分别对应记录的待测服务器的一种性能参数,构建回归分析模型。
在本发明一实施例中,若获取到待测服务器的多种性能参数,分析模块330还适于:依据测试机器人不同数量和分别对应记录的待测服务器的多种性能参数,构建基于多种性能参数的回归分析模型。
在本发明一实施例中,分析模块330还适于:分析待测服务器的性能参数的记录方式是否一致;若待测服务器的性能参数的记录方式不一致,依据回归分析模型并采用图表生成工具针对不同记录方式的性能参数在不同图表中生成对应的回归分析曲线;若待测服务器的性能参数的记录方式一致,依据回归分析模型并采用图表生成工具针对多种性能参数在同一图表中生成对应的回归分析曲线。
参见图4,本发明实施例还提供了另一种基于回归分析的测试系统,图4所示基于回归分析的测试系统除了包含图3所示的各模块之外,还包括处理模块340。
处理模块340,适于若分析待测服务器的性能参数的记录方式不一致,对记录的待测服务器的性能参数进行归一化处理。
在本发明一实施例中,回归分析曲线的异常情况包括以下至少一项:回归分析曲线过拟合、回归分析曲线异常升高或降低、回归分析曲线对应的参数异常密集或稀疏、回归分析曲线对应的参数与待测服务器实际参数不符。
参见图5,本发明实施例还提供了另一种基于回归分析的测试系统,图4所示基于回归分析的测试系统除了包含图3所示的各模块之外,还包括生成模块350、第一预估模块360、第二预估模块370。
生成模块350,适于依据回归分析曲线的异常情况对待测服务器进行调试并重新构建回归分析模型,直到生成的回归分析曲线正常。
第一预估模块360,适于设置测试机器人的指定数量,将设置的测试机器人的指定数量输入至重新建立的回归分析模型;依据重新构建的回归分析模型分析在指定数量的测试机器人条件下待测服务器的性能参数的预估值。
第二预估模块370,适于设置待测服务器的性能参数,将设置的待测服务器的性能参数输入至重新构建的回归分析模型;依据重新构建的回归分析模型分析在设置的待测服务器的性能参数条件下测试机器人数量的预估值。
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,计算机存储介质存储有计算机程序代码,当计算机程序代码在计算设备上运行时,导致计算设备执行上文任意实施例中的基于回归分析的测试方法。
基于同一发明构思,本发明实施例还提供了一种计算设备,包括:处理器;存储有计算机程序代码的存储器;当计算机程序代码被处理器运行时,导致计算设备执行上文任意实施例中的基于回归分析的测试方法。
所属领域的技术人员可以清楚地了解到,上述描述的系统、装置、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,为简洁起见,在此不另赘述。
另外,在本发明各个实施例中的各功能单元可以物理上相互独立,也可以两个或两个以上功能单元集成在一起,还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现,也可以采用软件或者固件的形式实现。
本领域普通技术人员可以理解:所述集成的功能单元如果以软件的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,其包括若干指令,用以使得一台计算设备(例如个人计算机,服务器,或者网络设备等)在运行所述指令时执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM),磁碟或者光盘等各种可以存储程序代码的介质。
或者,实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机,服务器,或者网络设备等的计算设备)来完成,所述程序指令可以存储于一计算机可读取存储介质中,当所述程序指令被计算设备的处理器执行时,所述计算设备执行本发明各实施例所述方法的全部或部分步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:在本发明的精神和原则之内,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案脱离本发明的保护范围。
Claims (12)
1.一种基于回归分析的测试方法,包括:
依据第一时间间隔在测试机中逐次添加测试机器人,所述测试机器人通过测试机与待测服务器进行交互并执行目标功能;
依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录;
对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果;其中,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型;
分析所述待测服务器的性能参数的记录方式是否一致;若所述待测服务器的性能参数的记录方式不一致,依据所述回归分析模型并采用图表生成工具针对不同记录方式的性能参数在不同图表中生成对应的回归分析曲线;若所述待测服务器的性能参数的记录方式一致,依据所述回归分析模型并采用图表生成工具针对多种性能参数在同一图表中生成对应的回归分析曲线,分析所述回归分析曲线的异常情况;
依据回归分析曲线的异常情况对所述待测服务器进行调试并重新构建回归分析模型,直到生成的回归分析曲线正常;
设置测试机器人的指定数量,将设置的测试机器人的指定数量输入至重新建立的回归分析模型;依据重新构建的回归分析模型分析在指定数量的测试机器人条件下所述待测服务器的性能参数的预估值;或设置待测服务器的性能参数,将设置的待测服务器的性能参数输入至重新构建的回归分析模型;依据重新构建的回归分析模型分析在设置的待测服务器的性能参数条件下所述测试机器人数量的预估值。
2.根据权利要求1所述的方法,其特征在于,指定数值倍数的第二时间间隔小于所述第一时间间隔。
3.根据权利要求2所述的方法,其特征在于,若所述指定数值大于1,依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录,包括:
在第一时间间隔内,依据所述第二时间间隔获取待测服务器的指定数值组性能参数;
按照预设选取规则从获取到的待测服务器的指定数值组性能参数中选取一组性能参数进行记录。
4.根据权利要求3所述的方法,其特征在于,按照预设选取规则从获取到的待测服务器的指定数值组性能参数中选取一组性能参数进行记录,包括:
从获取到的待测服务器的指定数值组性能参数中选取数值最大的性能参数进行记录;或
对获取到的待测服务器的指定数值组性能参数计算平均值,对计算得到的平均性能参数进行记录。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述待测服务器的性能参数包括以下至少一项:
待测服务器的中央处理器使用率、内存使用率、网络流入速率、网络流出速率、磁盘输入/输出情况。
6.根据权利要求1-4中任一项所述的方法,其特征在于,若一个测试机运行测试机器人的数量确定,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果之前,还包括:
在逐次添加测试机器人的过程中分析运行测试机器人的测试机数量是否达到第一阈值;
若测试机数量达到第一阈值,停止添加所述测试机器人。
7.根据权利要求1-4中任一项所述的方法,其特征在于,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果之前,还包括:
在逐次添加测试机器人的过程中分析记录的所述待测服务器的性能参数是否达到对应的第二阈值;
若待测服务器的性能参数达到对应的第二阈值,停止添加所述测试机器人。
8.根据权利要求1-4中任一项所述的方法,其特征在于,对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型,包括:
依据测试机器人不同数量和分别对应记录的待测服务器的一种性能参数,构建回归分析模型;或
若获取到待测服务器的多种性能参数,依据测试机器人不同数量和分别对应记录的待测服务器的多种性能参数,构建基于多种性能参数的回归分析模型。
9.根据权利要求1-4中任一项所述的方法,其特征在于,所述回归分析曲线的异常情况包括以下至少一项:
回归分析曲线过拟合、回归分析曲线异常升高或降低、回归分析曲线对应的参数异常密集或稀疏、回归分析曲线对应的参数与所述待测服务器实际参数不符。
10.一种基于回归分析的测试系统,包括:
添加模块,适于依据第一时间间隔在测试机中逐次添加测试机器人,所述测试机器人通过测试机与待测服务器进行交互并执行目标功能;
记录模块,适于依据小于第一时间间隔的第二时间间隔获取待测服务器的性能参数并记录;
分析模块,适于对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析得到回归分析结果;
所述分析模块,还适于对不同数量测试机器人和对应记录的待测服务器的性能参数进行回归分析,构建回归分析模型;分析所述待测服务器的性能参数的记录方式是否一致;若所述待测服务器的性能参数的记录方式不一致,依据所述回归分析模型并采用图表生成工具针对不同记录方式的性能参数在不同图表中生成对应的回归分析曲线;若所述待测服务器的性能参数的记录方式一致,依据所述回归分析模型并采用图表生成工具针对多种性能参数在同一图表中生成对应的回归分析曲线,分析所述回归分析曲线的异常情况;
生成模块,适于依据回归分析曲线的异常情况对所述待测服务器进行调试并重新构建回归分析模型,直到生成的回归分析曲线正常;
第一预估模块,适于设置测试机器人的指定数量,将设置的测试机器人的指定数量输入至重新建立的回归分析模型;依据重新构建的回归分析模型分析在指定数量的测试机器人条件下所述待测服务器的性能参数的预估值;
第二预估模块,适于设置待测服务器的性能参数,将设置的待测服务器的性能参数输入至重新构建的回归分析模型;依据重新构建的回归分析模型分析在设置的待测服务器的性能参数条件下所述测试机器人数量的预估值。
11.一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行权利要求1-9中任一项所述的基于回归分析的测试方法。
12.一种计算设备,包括:处理器;存储有计算机程序代码的存储器;当所述计算机程序代码被所述处理器运行时,导致所述计算设备执行权利要求1-9中任一项所述的基于回归分析的测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010948746.0A CN112100067B (zh) | 2020-09-10 | 2020-09-10 | 一种基于回归分析的测试方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010948746.0A CN112100067B (zh) | 2020-09-10 | 2020-09-10 | 一种基于回归分析的测试方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100067A CN112100067A (zh) | 2020-12-18 |
CN112100067B true CN112100067B (zh) | 2023-08-25 |
Family
ID=73750766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010948746.0A Active CN112100067B (zh) | 2020-09-10 | 2020-09-10 | 一种基于回归分析的测试方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100067B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238908B (zh) * | 2021-06-18 | 2022-11-04 | 浪潮商用机器有限公司 | 一种服务器性能测试数据分析方法及相关装置 |
CN113704038B (zh) * | 2021-09-03 | 2024-01-23 | 广州因陀罗软件有限公司 | 一种自动化游戏服务器压测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101574257A (zh) * | 2008-02-28 | 2009-11-11 | 伊西康内外科公司 | 用于可植入限制装置和数据记录器的数据分析方法 |
CN109460348A (zh) * | 2018-10-31 | 2019-03-12 | 网易(杭州)网络有限公司 | 游戏服务器的压测方法和装置 |
CN109962795A (zh) * | 2017-12-22 | 2019-07-02 | 中国移动通信集团广东有限公司 | 一种基于多维组合变量的4g用户流失预警方法和系统 |
EP3534235A1 (en) * | 2018-02-28 | 2019-09-04 | Honda Research Institute Europe GmbH | Unsupervised learning of metric representations from slow features |
CN110400618A (zh) * | 2019-07-17 | 2019-11-01 | 北京航空航天大学 | 一种基于人体运动结构特征的三维步态生成方法 |
CN110462654A (zh) * | 2017-02-16 | 2019-11-15 | 艾高特有限责任公司 | 记录存取和管理 |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
CN111002328A (zh) * | 2019-12-05 | 2020-04-14 | 广州赛特智能科技有限公司 | 轮式机器人校验系统及方法 |
CN111095330A (zh) * | 2017-09-14 | 2020-05-01 | 艾玛迪斯简易股份公司 | 用于预测在线用户交互的机器学习方法和系统 |
CN111105444A (zh) * | 2019-12-31 | 2020-05-05 | 哈尔滨工程大学 | 一种适用于水下机器人目标抓取的连续跟踪方法 |
CN111461221A (zh) * | 2020-04-01 | 2020-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种面向自动驾驶的多源传感器融合目标检测方法和系统 |
-
2020
- 2020-09-10 CN CN202010948746.0A patent/CN112100067B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101574257A (zh) * | 2008-02-28 | 2009-11-11 | 伊西康内外科公司 | 用于可植入限制装置和数据记录器的数据分析方法 |
CN110462654A (zh) * | 2017-02-16 | 2019-11-15 | 艾高特有限责任公司 | 记录存取和管理 |
CN111095330A (zh) * | 2017-09-14 | 2020-05-01 | 艾玛迪斯简易股份公司 | 用于预测在线用户交互的机器学习方法和系统 |
CN109962795A (zh) * | 2017-12-22 | 2019-07-02 | 中国移动通信集团广东有限公司 | 一种基于多维组合变量的4g用户流失预警方法和系统 |
EP3534235A1 (en) * | 2018-02-28 | 2019-09-04 | Honda Research Institute Europe GmbH | Unsupervised learning of metric representations from slow features |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
CN109460348A (zh) * | 2018-10-31 | 2019-03-12 | 网易(杭州)网络有限公司 | 游戏服务器的压测方法和装置 |
CN110400618A (zh) * | 2019-07-17 | 2019-11-01 | 北京航空航天大学 | 一种基于人体运动结构特征的三维步态生成方法 |
CN111002328A (zh) * | 2019-12-05 | 2020-04-14 | 广州赛特智能科技有限公司 | 轮式机器人校验系统及方法 |
CN111105444A (zh) * | 2019-12-31 | 2020-05-05 | 哈尔滨工程大学 | 一种适用于水下机器人目标抓取的连续跟踪方法 |
CN111461221A (zh) * | 2020-04-01 | 2020-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种面向自动驾驶的多源传感器融合目标检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
基于Linux的高性能服务器端的设计与研究;吴敏 等;《通与计算机》;第25卷(第01期);129-131 * |
Also Published As
Publication number | Publication date |
---|---|
CN112100067A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106294120B (zh) | 测试代码的方法、设备和计算机程序产品 | |
US10621362B2 (en) | Method for automatically detecting security vulnerability based on hybrid fuzzing, and apparatus thereof | |
Wegener et al. | Verifying timing constraints of real-time systems by means of evolutionary testing | |
US5500941A (en) | Optimum functional test method to determine the quality of a software system embedded in a large electronic system | |
EP3306475B1 (en) | System and method for predicting disk failure | |
US7324922B2 (en) | Run-time performance verification system | |
Zhou | Using coverage information to guide test case selection in adaptive random testing | |
US8056060B2 (en) | Software testing method and system | |
CN112100067B (zh) | 一种基于回归分析的测试方法、系统及存储介质 | |
US20160232450A1 (en) | Storage device lifetime monitoring system and storage device lifetime monitoring method thereof | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
US20090007078A1 (en) | Computer-Implemented Systems And Methods For Software Application Testing | |
CN112148586A (zh) | 机器辅助质量保证和软件改善 | |
CN110083514B (zh) | 软件测试缺陷评估方法、装置、计算机设备及存储介质 | |
CN106855844B (zh) | 一种性能测试方法和系统 | |
Han et al. | Confprof: White-box performance profiling of configuration options | |
CN111522725A (zh) | Ssd性能自动评估方法、装置、设备及介质 | |
CN112380759B (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 | |
CN111813632A (zh) | Cpu功耗的测试方法、测试装置、测试设备及存储介质 | |
WO2023181241A1 (ja) | 監視サーバ装置、システム、方法、及びプログラム | |
CN114880203A (zh) | 用于量子计算云平台测评的装置、系统及方法 | |
CN112083318A (zh) | 一种芯片功耗的检测方法和装置 | |
CN113742216B (zh) | 一种检测机器学习引擎的效率的方法、装置和存储介质 | |
Yamany et al. | A multi-agent framework for building an automatic operational profile | |
CN113094217B (zh) | 一种对电子系统机内自检结果进行故障分析诊断的方法 |
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 |