CN112346995B - 一种基于银行业的测试风险预估模型的构建方法及装置 - Google Patents
一种基于银行业的测试风险预估模型的构建方法及装置 Download PDFInfo
- Publication number
- CN112346995B CN112346995B CN202011398710.6A CN202011398710A CN112346995B CN 112346995 B CN112346995 B CN 112346995B CN 202011398710 A CN202011398710 A CN 202011398710A CN 112346995 B CN112346995 B CN 112346995B
- Authority
- CN
- China
- Prior art keywords
- information
- defect
- obtaining
- defect rate
- tested
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于银行业的测试风险预估模型的构建方法及装置,获得第一待测试系统信息的模块信息的第一缺陷率;获得所述第一待测试系统信息的关联系统的第二缺陷率;将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级。解决了现有技术中存在缺少对于测试缺陷进行准确的风险评估的技术问题。
Description
技术领域
本发明涉及银行业软件测试相关领域,尤其涉及一种基于银行业的测试风险预估模型的构建方法及装置。
背景技术
银行系统间关联密切,交易链路较长,更新迭代较快,测试人员投入工作量也日益持续增长,测试案例及缺陷资产可直接反映项目的迭代速度、版本稳定性、易出错的功能点等,现有技术中一般是基于测试目标进行风险预估,预估测试行业执行进度风险、人员风险等。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在缺少对于测试缺陷进行准确的风险评估的技术问题。
发明内容
本申请实施例通过提供一种基于银行业的测试风险预估模型的构建方法及装置,解决了现有技术中存在缺少对于测试缺陷进行准确的风险评估的技术问题,达到对测试缺陷进行准确的风险评估的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于银行业的测试风险预估模型的构建方法及装置。
第一方面,本申请实施例提供了一种基于银行业的测试风险预估模型的构建方法,所述方法包括:获得第一待测试系统信息的模块信息的第一缺陷率;获得所述第一待测试系统信息的关联系统的第二缺陷率;将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级。
另一方面,本申请还提供了一种基于银行业的测试风险预估模型的构建装置,所述装置包括:第一获得单元,所述第一获得单元用于获得第一待测试系统信息的模块信息的第一缺陷率;第二获得单元,所述第二获得单元用于获得所述第一待测试系统信息的关联系统的第二缺陷率;第一输入单元,所述第一输入单元用于将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;第三获得单元,所述第三获得单元用于获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级。
第三方面,本发明提供了一种基于银行业的测试风险预估模型的构建装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过模块信息的第一缺陷率及所述待测系统的关联系统的第二缺陷率输入测试风险预估模型,通过所述测试风险预估模型输出第一待测系统信息的风险等级的方式,达到对测试缺陷进行准确的风险评估的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于银行业的测试风险预估模型的构建方法的流程示意图;
图2为本申请实施例一种基于银行业的测试风险预估模型的构建装置的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一输入单元13,第三获得单元14,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种基于银行业的测试风险预估模型的构建方法及装置,解决了现有技术中存在缺少对于测试缺陷进行准确的风险评估的技术问题,达到对测试缺陷进行准确的风险评估的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
银行系统间关联密切,交易链路较长,更新迭代较快,测试人员投入工作量也日益持续增长,测试案例及缺陷资产可直接反映项目的迭代速度、版本稳定性、易出错的功能点等,现有技术中一般是基于测试目标进行风险预估,预估测试行业执行进度风险、人员风险等。但现有技术中存在缺少对于测试缺陷进行准确的风险评估的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于银行业的测试风险预估模型的构建方法,所述方法包括:获得第一待测试系统信息的模块信息的第一缺陷率;获得所述第一待测试系统信息的关联系统的第二缺陷率;将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于银行业的测试风险预估模型的构建方法,其中,所述方法包括:
步骤S100:获得第一待测试系统信息的模块信息的第一缺陷率;
进一步而言,所述获得模块信息的第一缺陷率,本申请实施例步骤S100还包括:
步骤S110:获得第一待测试系统信息;
步骤S120:根据所述第一待测试系统信息,获得所述第一待测试系统信息的模块信息;
步骤S130:根据所述模块信息,获得所述模块信息的第一缺陷率。
具体而言,所述第一待测试系统为银行的系统,所述系统可以是账户、理财、贷款、转账、核心、统一授信等系统,所述模块信息为根据功能模块的不同获得的模块的相关信息,所述第一缺陷率为所述模块的缺陷率信息,所述缺陷率是指在单位测试用例中失败的测试用例数。通过所述模块信息获得所述模块的缺陷率信息。
步骤S200:获得所述第一待测试系统信息的关联系统的第二缺陷率;
具体而言,所述第二缺陷率的计算方式为:当以系统为维度时,缺陷提出往往是在前端渠道系统,例如柜面、手机银行等,而缺陷大部分会落入后台系统,例如理财平台,参数管理平台,核心等。此时缺陷归属应该划入后台系统。缺陷以及关联案例数作为后台系统的基础计算数据同步增加。以交易为维度:银行内大多数业务相似,把不同系统相同模块的案例和缺陷汇总进行计算缺陷率。
步骤S300:将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;
具体而言,所述测试风险预估模型为机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述第一缺陷率和所述第二缺陷率输入神经网络模型,则输出第一待测试系统信息的风险等级。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一缺陷率和所述第二缺陷率和用来标识风险等级,将所述第一缺陷率和所述第二缺陷率输入到神经网络模型中,根据用来标识风险等级的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而使得输出的第一待测试系统信息的风险等级更加准确,进而达到对测试缺陷进行准确的风险评估的技术效果。
步骤S400:获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级。
具体而言,获得所述风险预估模型的输出信息,所述输出信息包括第一待测试系统信息的风险等级信息。
进一步而言,本申请实施例还包括:
步骤S510:获得第一关联信息;
步骤S520:将所述第一关联信息与所述输入数据进行强制关联;
步骤S530:当所述输入数据与所述第一关联信息进行强制关联后,输入所述测试风险预估模型。
具体而言,所述关联信息为关联案例,测试人员在进行缺陷提交时,必须强制关联案例,将所述关联案例与输入数据进行强制关联后,输入所述测试风险预估模型,进一步而言,各系统的案例库需不断地进行更新迭代,以保证案例库持续的“保鲜”,将所述持续更新迭代的案例进行数据关联后输入所述测试风险预估模型。通过所述案例信息的不断更新并进行强制关联的方式,使得所述测试风险预估模型可以基于各系统以及迭代需求的案例库和缺陷库,根据不同组合场景进行修正调整,达到辅助进行重点提取分析以及预估风险的技术效果。
进一步而言,本申请实施例步骤S530还包括:
步骤S531:获得第一系统,第二系统;
步骤S532:从所述第一系统和所述第二系统中获得N个基础案例;
步骤S533:获得预定模块划分规则;
步骤S534:按照所述预定模块划分规则,对所述N个基础案例进行模块划分;
步骤S535:将进行模块划分后的所述N个基础案例作为所述第一关联信息。
具体而言,所述第一系统和第二系统为不同的系统,通过测试服务云平台上维护各个系统的基础案例,所述基础案例是不断进行收集更新的,所述预定模块划分规则为根据不同模块负责职能的不同进行的模块划分规则,将所述N个基础案例依据所述模块划分规则进行模块划分,将所述划分后的基础案例作为所述关联信息,根据所述关联信息关联所述相对应的缺陷作为新的输入数据。
进一步而言,本申请实施例还包括:
步骤S610:获得第一资产数据信息;
步骤S620:获得预定时间间隔;
步骤S630:按照所述预定时间间隔,对所述第一资产数据信息进行更新,获得第二资产数据信息;
步骤S640:将所述第二资产数据信息作为副本信息,加入所述测试风险预估模型。
具体而言,测试风险预估模型定期同步资产数据做为副本,包括案例及缺陷,分别以系统和功能模块为维度,计算该模块或者该系统的历史缺陷率,作为风险分析的基础数据,将所述基础数据用于风险预估模型的监督学习,进而达到获得的预测风险更加准确的目的。
进一步而言,本申请实施例还包括:
步骤S710:根据所述第一待测试系统信息,获得所述第一待测试系统信息的关联系统信息;
步骤S720:根据所述关联系统信息,获得所述关联系统信息的数量信息及复杂度信息;
步骤S730:根据所述关联系统信息,获得所述关联系统信息的历史缺陷率信息;
步骤S740:根据所述关联系统信息的数量信息、复杂度信息、所述历史缺陷率信息和所述第一待测试系统信息的模块信息作为输入信息,输入工作量评估模型,获得所述第一待测试系统信息的工作量信息。
具体而言,通过所述第一待测试系统信息获得所述待测试系统的关联系统信息,根据所述关联系统信息获得所述关联系统的数量信息和各个关联系统的相互间的关系,即复杂度信息,获得所述关联系统的历史缺陷率信息,根据所述关联系统的数量信息、复杂度信息、历史缺陷率信息和所述第一待测试系统的模块信息作为输入信息,输入工作量评估模型,所述工作量评估模型为基于工作量统计评估获得的模型,对所述第一待测试系统进行工作量评估,进而达到对所述第一待测试模型的风险评估的难度进行准确的分析判断的技术效果。
进一步而言,本申请实施例还包括:
步骤S810:获得所述第一待测试系统信息的缺陷信息及关联信息;
步骤S820:获得所述缺陷信息的缺陷等级信息;
步骤S830:获得预定缺陷等级阈值;
步骤S840:判断所述缺陷信息的缺陷等级信息是否超过所述预定缺陷等级阈值;
步骤S850:如果所述缺陷信息的缺陷等级信息超过所述预定缺陷等级阈值,获得第一输出信息;
步骤S860:根据所述第一输出信息,输出所述缺陷信息及关联信息。
具体而言,所述预定缺陷等级阈值为根据所述项目的风险预定级别获得的预定缺陷等级阈值,判断所述缺陷信息的等级信息是否在所述预定缺陷等级阈值范围内,当所述缺陷信息的缺陷等级信息超过所述预定缺陷等级阈值,获得第一输出信息,即当所述缺陷等级超过所述阈值时,在进行新项目接入或评估时可直接将所述缺陷信息及关联信息进行参考。
综上所述,本申请实施例所提供的一种基于银行业的测试风险预估模型的构建方法及装置具有如下技术效果:
1、由于采用了通过模块信息的第一缺陷率及所述待测系统的关联系统的第二缺陷率输入测试风险预估模型,通过所述测试风险预估模型输出第一待测系统信息的风险等级的方式,达到对测试缺陷进行准确的风险评估的技术效果。
2、由于采用了通过对所述神经网络模型的监督学习的方式,进而使得所述神经网络模型处理所述输入信息更加准确,进而使得输出的第一待测试系统信息的风险等级更加准确,进而达到对测试缺陷进行准确的风险评估的技术效果。
3、由于采用了通过所述案例信息的不断更新并进行强制关联的方式,使得所述测试风险预估模型可以基于各系统以及迭代需求的案例库和缺陷库,根据不同组合场景进行修正调整,达到辅助进行重点提取分析以及预估风险的技术效果。
实施例二
基于与前述实施例中一种基于银行业的测试风险预估模型的构建方法同样发明构思,本发明还提供了一种基于银行业的测试风险预估模型的构建装置,如图2所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得第一待测试系统信息的模块信息的第一缺陷率;
第二获得单元12,所述第二获得单元12用于获得所述第一待测试系统信息的关联系统的第二缺陷率;
第一输入单元13,所述第一输入单元13用于将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;
第三获得单元14,所述第三获得单元14用于获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级。
进一步的,所述装置还包括:
第四获得单元,所述第四获得单元用于获得第一关联信息;
第五获得单元,所述第五获得单元用于将所述第一关联信息与所述输入数据进行强制关联;
第二输入单元,所述第二输入单元用于当所述输入数据与所述第一关联信息进行强制关联后,输入所述测试风险预估模型。
进一步的,所述装置还包括:
第六获得单元,所述第六获得单元用于获得第一系统,第二系统;
第七获得单元,所述第七获得单元用于从所述第一系统和所述第二系统中获得N个基础案例;
第八获得单元,所述第八获得单元用于获得预定模块划分规则;
第九获得单元,所述第九获得单元用于按照所述预定模块划分规则,对所述N个基础案例进行模块划分;
第十获得单元,所述第十获得单元用于将进行模块划分后的所述N个基础案例作为所述第一关联信息。
进一步的,所述装置还包括:
第十一获得单元,所述第十一获得单元用于获得第一资产数据信息;
第十二获得单元,所述第十二获得单元用于获得预定时间间隔;
第十三获得单元,所述第十三获得单元用于按照所述预定时间间隔,对所述第一资产数据信息进行更新,获得第二资产数据信息;
第十四获得单元,所述第十四获得单元用于将所述第二资产数据信息作为副本信息,加入所述测试风险预估模型。
进一步的,所述装置还包括:
第十五获得单元,所述第十五获得单元用于获得第一待测试系统信息;
第十六获得单元,所述第十六获得单元用于根据所述第一待测试系统信息,获得所述第一待测试系统信息的模块信息;
第十七获得单元,所述第十七获得单元用于根据所述模块信息,获得所述模块信息的第一缺陷率。
进一步的,所述装置还包括:
第十八获得单元,所述第十八获得单元用于根据所述第一待测试系统信息,获得所述第一待测试系统信息的关联系统信息;
第十九获得单元,所述第十九获得单元用于根据所述关联系统信息,获得所述关联系统信息的数量信息及复杂度信息;
第二十获得单元,所述第二十获得单元用于根据所述关联系统信息,获得所述关联系统信息的历史缺陷率信息;
第二十一获得单元,所述第二十一获得单元用于根据所述关联系统信息的数量信息、复杂度信息、所述历史缺陷率信息和所述第一待测试系统信息的模块信息作为输入信息,输入工作量评估模型,获得所述第一待测试系统信息的工作量信息。
进一步的,所述装置还包括:
第二十二获得单元,所述第二十二获得单元用于获得所述第一待测试系统信息的缺陷信息及关联信息;
第二十三获得单元,所述第二十三获得单元用于获得所述缺陷信息的缺陷等级信息;
第二十四获得单元,所述第二十四获得单元用于获得预定缺陷等级阈值;
第一判断单元,所述第一判断单元用于判断所述缺陷信息的缺陷等级信息是否超过所述预定缺陷等级阈值;
第二十五获得单元,所述第二十五获得单元用于如果所述缺陷信息的缺陷等级信息超过所述预定缺陷等级阈值,获得第一输出信息;
第一输出单元,所述第一输出单元用于根据所述第一输出信息,输出所述缺陷信息及关联信息。
前述图1实施例一中的一种基于银行业的测试风险预估模型的构建方法的各种变化方式和具体实例同样适用于本实施例的一种基于银行业的测试风险预估模型的构建装置,通过前述对一种基于银行业的测试风险预估模型的构建方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于银行业的测试风险预估模型的构建装置的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于银行业的测试风险预估模型的构建方法的发明构思,本发明还提供一种基于银行业的测试风险预估模型的构建装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于银行业的测试风险预估模型的构建方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种基于银行业的测试风险预估模型的构建方法,所述方法包括:获得第一待测试系统信息的模块信息的第一缺陷率;获得所述第一待测试系统信息的关联系统的第二缺陷率;将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级。解决了现有技术中存在缺少对于测试缺陷进行准确的风险评估的技术问题,达到对测试缺陷进行准确的风险评估的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于银行业的测试风险预估模型的构建方法,其中,所述方法包括:
获得第一待测试系统信息的模块信息的第一缺陷率;
获得所述第一待测试系统信息的关联系统的第二缺陷率;
将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;
获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级;
所述测试风险预估模型训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一缺陷率和所述第二缺陷率和用来标识风险等级,将所述第一缺陷率和所述第二缺陷率输入到神经网络模型中,根据用来标识风险等级的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束;
所述获得所述第一待测试系统信息的关联系统的第二缺陷率,包括;
若以系统为维度,将缺陷归属划入后台系统,缺陷以及关联案例数作为后台系统的基础计算数据同步增加;
若以交易为维度,将不同系统相同模块的案例和缺陷汇总计算缺陷率。
2.如权利要求1所述的方法,其中,所述方法包括:
获得第一关联信息;
将所述第一关联信息与所述输入数据进行强制关联;
当所述输入数据与所述第一关联信息进行强制关联后,输入所述测试风险预估模型。
3.如权利要求2所述的方法,其中,所述方法包括:
获得第一系统,第二系统;
从所述第一系统和所述第二系统中获得N个基础案例;
获得预定模块划分规则;
按照所述预定模块划分规则,对所述N个基础案例进行模块划分;
将进行模块划分后的所述N个基础案例作为所述第一关联信息。
4.如权利要求1所述的方法,其中,所述方法包括:
获得第一资产数据信息;
获得预定时间间隔;
按照所述预定时间间隔,对所述第一资产数据信息进行更新,获得第二资产数据信息;
将所述第二资产数据信息作为副本信息,加入所述测试风险预估模型。
5.如权利要求1所述的方法,其中,所述获得模块信息的第一缺陷率,包括:
获得第一待测试系统信息;
根据所述第一待测试系统信息,获得所述第一待测试系统信息的模块信息;
根据所述模块信息,获得所述模块信息的第一缺陷率。
6.如权利要求5所述的方法,其中,所述方法包括:
根据所述第一待测试系统信息,获得所述第一待测试系统信息的关联系统信息;
根据所述关联系统信息,获得所述关联系统信息的数量信息及复杂度信息;
根据所述关联系统信息,获得所述关联系统信息的历史缺陷率信息;
根据所述关联系统信息的数量信息、复杂度信息、所述历史缺陷率信息和所述第一待测试系统信息的模块信息作为输入信息,输入工作量评估模型,获得所述第一待测试系统信息的工作量信息。
7.如权利要求1所述的方法,其中,所述方法包括:
获得所述第一待测试系统信息的缺陷信息及关联信息;
获得所述缺陷信息的缺陷等级信息;
获得预定缺陷等级阈值;
判断所述缺陷信息的缺陷等级信息是否超过所述预定缺陷等级阈值;
如果所述缺陷信息的缺陷等级信息超过所述预定缺陷等级阈值,获得第一输出信息;
根据所述第一输出信息,输出所述缺陷信息及关联信息。
8.一种基于银行业的测试风险预估模型的构建装置,其中,所述装置包括:
第一获得单元,所述第一获得单元用于获得第一待测试系统信息的模块信息的第一缺陷率;
第二获得单元,所述第二获得单元用于获得所述第一待测试系统信息的关联系统的第二缺陷率;
所述获得所述第一待测试系统信息的关联系统的第二缺陷率,包括;
若以系统为维度,将缺陷归属划入后台系统,缺陷以及关联案例数作为后台系统的基础计算数据同步增加;
若以交易为维度,将不同系统相同模块的案例和缺陷汇总计算缺陷率;
第一输入单元,所述第一输入单元用于将所述第一缺陷率和所述第二缺陷率作为输入数据输入测试风险预估模型,其中,所述测试风险预估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一缺陷率和所述第二缺陷率和用来标识风险等级;所述测试风险预估模型训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一缺陷率和所述第二缺陷率和用来标识风险等级,将所述第一缺陷率和所述第二缺陷率输入到神经网络模型中,根据用来标识风险等级的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束;
第三获得单元,所述第三获得单元用于获得所述测试风险预估模型的第一输出信息,其中,所述第一输出信息包括第一待测试系统信息的风险等级。
9.一种基于银行业的测试风险预估模型的构建装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011398710.6A CN112346995B (zh) | 2020-12-04 | 2020-12-04 | 一种基于银行业的测试风险预估模型的构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011398710.6A CN112346995B (zh) | 2020-12-04 | 2020-12-04 | 一种基于银行业的测试风险预估模型的构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112346995A CN112346995A (zh) | 2021-02-09 |
CN112346995B true CN112346995B (zh) | 2023-08-01 |
Family
ID=74427209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011398710.6A Active CN112346995B (zh) | 2020-12-04 | 2020-12-04 | 一种基于银行业的测试风险预估模型的构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112346995B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882934B (zh) * | 2021-02-24 | 2024-02-13 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678395A (zh) * | 2014-11-21 | 2016-06-15 | 阿里巴巴集团控股有限公司 | 神经网络的建立方法及系统和神经网络的应用方法及系统 |
CN107067157A (zh) * | 2017-03-01 | 2017-08-18 | 北京奇艺世纪科技有限公司 | 业务风险评估方法、装置及风控系统 |
CN107730128A (zh) * | 2017-10-23 | 2018-02-23 | 上海携程商务有限公司 | 基于业务流程的风险评估方法及系统 |
CN109345374A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
CN111459828A (zh) * | 2020-04-07 | 2020-07-28 | 中国建设银行股份有限公司 | 一种软件版本的非功能性测试评估方法及装置 |
-
2020
- 2020-12-04 CN CN202011398710.6A patent/CN112346995B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678395A (zh) * | 2014-11-21 | 2016-06-15 | 阿里巴巴集团控股有限公司 | 神经网络的建立方法及系统和神经网络的应用方法及系统 |
CN107067157A (zh) * | 2017-03-01 | 2017-08-18 | 北京奇艺世纪科技有限公司 | 业务风险评估方法、装置及风控系统 |
CN107730128A (zh) * | 2017-10-23 | 2018-02-23 | 上海携程商务有限公司 | 基于业务流程的风险评估方法及系统 |
CN109345374A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
CN111459828A (zh) * | 2020-04-07 | 2020-07-28 | 中国建设银行股份有限公司 | 一种软件版本的非功能性测试评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112346995A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10783457B2 (en) | Method for determining risk preference of user, information recommendation method, and apparatus | |
US20070260563A1 (en) | Method to continuously diagnose and model changes of real-valued streaming variables | |
CN112465011B (zh) | 基于项目研发过程的项目风险预测方法和系统 | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
JP2023518771A (ja) | 機械学習に基づくデータ・モニタリング | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及系统 | |
CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
CN112346995B (zh) | 一种基于银行业的测试风险预估模型的构建方法及装置 | |
CN111626844A (zh) | 基于大数据分析的企业信用评估方法及装置 | |
CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
CN113554350A (zh) | 活跃度评估方法、装置、电子设备及计算机可读存储介质 | |
CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
CN114331349B (zh) | 一种基于物联网技术的科研项目管理方法及系统 | |
CN115577927A (zh) | 基于粗糙集的重要电力用户用电安全评估方法及装置 | |
CN114968336A (zh) | 应用灰度发布方法、装置、计算机设备及存储介质 | |
CN112906765A (zh) | 一种基于rbf神经网络的客户洗钱风险等级划分方法及系统 | |
CN112765220A (zh) | 一种基于云计算的业务数据监测方法及系统 | |
CN113935826B (zh) | 一种基于用户隐私的信贷账户管理方法及系统 | |
Espinosa et al. | Leverage Effect on Financial Series using a Bayesian TAR Model | |
CN117632905B (zh) | 基于云端使用记录的数据库管理方法及系统 | |
Espinosa et al. | A study on the leverage effect on financial series using a TAR model: a Bayesian approach | |
CN114723173A (zh) | 基于garch模型的天然气负荷波动对称性分析方法及系统 |
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 |