CN112631900A - 接口的巡检方法、装置、电子设备和存储介质 - Google Patents
接口的巡检方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112631900A CN112631900A CN202011475219.9A CN202011475219A CN112631900A CN 112631900 A CN112631900 A CN 112631900A CN 202011475219 A CN202011475219 A CN 202011475219A CN 112631900 A CN112631900 A CN 112631900A
- Authority
- CN
- China
- Prior art keywords
- inspection
- interface
- generation model
- script generation
- return data
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 286
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013515 script Methods 0.000 claims abstract description 134
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013522 software testing Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F11/3668—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
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/35—Creation or generation of source code model driven
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供一种接口的巡检方法、装置、电子设备和存储介质，所述接口的巡检方法，包括：获取接口的返回数据；基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。所述接口的巡检方法，能够实现高效的接口自动化巡检，极大地减少了开发人员或测试人员编写基于测试用例的巡检脚本的时间，节省了研发人员或测试人员的劳动成本，并且有效地解决了现有技术中接口巡检监控维护困难且效率低的问题。
Description
技术领域
本发明涉及软件测试技术领域，尤其涉及一种接口的巡检方法、装置、电子设备和存储介质。
背景技术
计算机软件产品在正式发布前，都需要经过多次测试和修改，软件测试的最根本目的就是在软件产品发布前尽可能多地发现软件中的缺陷，以保证正式软件产品的质量。并且，针对于每一个测试用例，均需要进行巡检监控。而随着对微服务化要求的日益提高，互联网业务的不断增长，API接口的复杂程度也逐渐加深。
目前，接口迭代的巡检监控，通常需要开发人员或测试人员，投入大量的研发成本和精力，去编写每个测试用例对应的巡检脚本，而且，现在编写测试用例的工具众多、种类繁杂、工具学习成本也非常高，也容易导致研发或测试团队维护困难。尤其当系统业务迭代频繁的时候，回归测试和线上巡检监控便更易呈现出效率低同时成本还高的情况。
发明内容
本发明提供一种接口的巡检方法、装置、电子设备和存储介质，用以解决现有技术中接口巡检监控维护困难且效率低和成本高的问题，实现接口迭代巡检。
本发明提供一种接口的巡检方法，包括：
获取接口的返回数据；
基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
根据本发明提供的接口的巡检方法，所述对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，包括：
获取通过所述巡检用例检测的异常的返回数据；
判断所述巡检用例检测的异常的返回数据的准确性，得到准确性判定结果；
基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
根据本发明提供的接口的巡检方法，所述准确性判定结果包括准确率、召回率和F值，所述基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化，包括：
基于所述准确率、召回率和F值，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
根据本发明提供的接口的巡检方法，所述获取接口的返回数据，包括：
获取日志数据，并基于所述日志数据收集得到所述接口的返回数据。
本发明还提供一种接口的巡检装置，包括：
获取模块，用于获取接口的返回数据；
检测模块，用于基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
优化模块，用于对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
根据本发明提供的接口的巡检装置，所述优化模块，具体用于：
获取通过所述巡检用例检测的异常的返回数据；
判断所述巡检用例检测的异常的返回数据的准确性，得到准确性判定结果；
基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
根据本发明提供的接口的巡检装置，所述准确性判定结果包括准确率、召回率和F值，所述优化模块，具体用于：
基于所述准确率、召回率和F值，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
根据本发明提供的接口的巡检装置，所述获取模块，具体用于：获取日志数据，并基于所述日志数据收集得到所述接口的返回数据。
本发明还提供一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如上所述接口的巡检方法的步骤。
本发明还提供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，该计算机程序被处理器执行时实现如上所述接口的巡检方法的步骤。
本发明提供的接口的巡检方法、装置、电子设备和存储介质，所述接口的巡检方法，预先基于大量的接口的返回数据样本，通过机器学习训练得到巡检脚本生成模型，以对接口进行实时巡检，并基于通过巡检脚本生成模型生成的巡检用例，检测出异常的返回数据，以及基于对其分析的结果优化巡检脚本生成模型及参数，以便通过优化后的巡检脚本生成模型生成新的巡检用例，进行接口迭代巡检，能够实现高效的接口自动化巡检，极大地减少了开发人员或测试人员编写基于测试用例的巡检脚本的时间，节省了研发人员或测试人员的精力和劳动成本，并且有效地解决了现有技术中接口巡检监控维护困难且效率低的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的接口的巡检方法的流程示意图；
图2是本发明提供的接口的巡检方法所对应的自动化巡检平台架构框图；
图3是本发明提供的接口的巡检方法应用原理逻辑示意图；
图4是本发明提供的接口的巡检装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种接口的巡检方法，包括：
获取接口的返回数据；
基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
本发明提供的接口的巡检方法，预先基于大量的接口的返回数据样本，通过机器学习训练得到巡检脚本生成模型，以对接口进行实时巡检，并基于通过巡检脚本生成模型生成的巡检用例，检测出异常的返回数据，以及基于对其分析的结果优化巡检脚本生成模型及参数，以便通过优化后的巡检脚本生成模型生成新的巡检用例，进行接口迭代巡检，能够实现高效的接口自动化巡检，极大地减少了开发人员或测试人员编写基于测试用例的巡检脚本的时间，节省了研发人员或测试人员的精力和劳动成本，并且有效地解决了现有技术中接口巡检监控维护困难且效率低的问题。
下面结合图1-图5描述本发明提供的接口的巡检方法、装置、电子设备和存储介质。
本发明提供一种接口的巡检方法，图1是本发明提供的接口的巡检方法的流程示意图，如图1所示，所述方法包括：
步骤100、获取接口的返回数据；
获取各个微服务器接口的日志数据，通常API接口的日志数据等均是mock文档形式，需要通过巡检转换工具，将接口mock文档形式的日志数据，全部转换为接口巡检可用的巡检脚本内容。根据转换后的全部的巡检脚本内容数据，得到所述接口的返回数据，还可以将所述返回数据异步地存储到kafka消息列表。所述巡检转换工具为需要专门开发和维护，能够节省研发人员和测试人员在接口巡检过程中对当前多种编写巡检用例工具的学习成本。
步骤200、基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
基于kafka消息列表存储的大量接口的返回数据作为训练样本，通过机器学习训练得到预设的巡检脚本生成模型，所述巡检脚本生成模型可以自动化生成巡检用例。步骤200、基于所述巡检用例，对接口的返回数据进行是否异常的检测，同时可以判断是否需要进行报警。若检测出接口的返回数据是异常的，且符合报警规则，则对该异常的接口的返回数据进行报警，并记录报警数据。其中所述报警规则可以根据具体的接口返回值设定，比如设置一定的接口返回值阈值，当异常的接口的返回数据对应的接口返回值超过所述接口返回值阈值的时候，就进行报警。
步骤300、对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
获取步骤200检测出的异常的返回数据，及反馈渠道反馈的异常的返回数据的报警数据，对异常的返回数据和相应的报警数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，即根据对异常的返回数据及相关报警数据的分析和机器学习，能够自动优化巡检脚本的内容，以便通过优化后的巡检脚本生成模型生成新的巡检用例，进行接口迭代巡检。对所述巡检脚本生成模型进行优化，能够保证自动化接口巡检更加准确。
本发明提供的接口的巡检方法，预先基于大量的接口的返回数据样本，通过机器学习训练得到巡检脚本生成模型，以对接口进行实时巡检，并基于通过巡检脚本生成模型生成的巡检用例，检测出异常的返回数据，以及基于对其分析的结果优化巡检脚本生成模型及参数，以便通过优化后的巡检脚本生成模型生成新的巡检用例，进行接口迭代巡检，能够实现高效的接口自动化巡检，极大地减少了开发人员或测试人员编写基于测试用例的巡检脚本的时间，节省了研发人员或测试人员的精力和劳动成本，并且有效地解决了现有技术中接口巡检监控维护困难且效率低的问题。
根据本发明提供的接口的巡检方法，步骤300中，所述对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，包括：
步骤3001、获取通过所述巡检用例检测的异常的返回数据；
获取步骤200通过所述巡检用例检测出的异常的返回数据，及反馈渠道反馈的异常的返回数据的报警数据。
步骤3002、判断所述巡检用例检测的异常的返回数据的准确性，得到准确性判定结果；
对异常的返回数据和用户通过反馈渠道反馈的报警数据进行分析，判断所述巡检用例检测的异常的返回数据的准确性，同时可以分析相关报警数据报警是否准确的结果，来确定所述异常的返回数据是否准确，通过对判断结果的收集分析，得到所述准确性判定结果。根据用户通过反馈渠道反馈的异常的返回数据的报警数据进行分析，并作为后续模型优化的参考依据，能够有效提高巡检脚本生成模型生成或更新巡检用例的时效性。
步骤3003、基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化，即根据对异常的返回数据及相关报警数据的分析和机器学习，能够自动优化巡检脚本的内容，以便通过优化后的巡检脚本生成模型及新的模型参数，生成新的巡检用例，进行接口迭代巡检。对所述巡检脚本生成模型进行优化，能够保证自动化接口巡检更加准确。
根据本发明提供的接口的巡检方法，步骤3002得到的所述准确性判定结果包括准确率、召回率和F值，所述步骤3003基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化，包括：
基于所述准确率、召回率和F值，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
对异常的返回数据和相应的报警数据进行分析，得到的准确性判定结果包括准确率、召回率和F值等等。基于所述准确率、召回率和F值，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化，即根据对异常的返回数据及相关报警数据的分析和机器学习的结果，能够自动优化巡检脚本的内容，以便通过优化后的巡检脚本生成模型及新的模型参数，生成新的巡检用例，进行接口迭代巡检。
根据本发明提供的接口的巡检方法，所述步骤100、获取接口的返回数据，包括：
步骤1001、获取日志数据，并基于所述日志数据收集得到所述接口的返回数据。
获取各个微服务器接口(API接口)的日志数据，即依靠logstash采集线上集群通过框架或者Nginx七层日志的日志数据，需要通过巡检转换工具，将接口mock文档形式的日志数据，全部转换为接口巡检可用的巡检脚本内容。根据转换后的全部的巡检脚本内容数据，得到所述接口的返回数据，还可以将所述返回数据异步地存储到kafka消息列表。
下面结合图2-3举实例说明接口的巡检方法应用的全过程。
图2是本发明提供的接口的巡检方法所对应的自动化接口巡检平台架构框图，图3是本发明提供的接口的巡检方法应用原理逻辑示意图。如图2和图3所示，接口巡检管理平台获取各个微服务器API接口的日志数据，即依靠logstash采集线上集群通过框架或者Nginx七层日志的mock文档形式的日志数据，然后通过巡检转换工具，将mock文档形式的日志数据，全部转换为接口巡检可用的巡检脚本内容数据。根据转换后的全部的巡检脚本内容数据，得到所述接口的返回数据，还将所述返回数据异步地存储到kafka消息列表中。
其中，所述巡检转换工具为需要专门开发，具体可以包括研发人员预先专门开发的postman、fiddler、charles等巡检转换工具，使用预先专门开发的postman、fiddler、charles等巡检转换工具中的任一种进行日志数据的转换，能够节省研发人员和测试人员在接口巡检过程中对当前多种编写巡检用例工具的学习成本。
基于kafka消息列表存储的大量接口的返回数据作为训练样本，通过机器学习算法训练得到巡检脚本生成模型，所述巡检脚本生成模型可以自动化生成巡检用例。接口巡检管理平台通过巡检脚本生成模型能够对线上采集的接口进行实时巡检监控。并且上述接口巡检管理平台支持所述巡检脚本生成模型自动化生成巡检用例，也可以支持开发人员或测试人员预先自定义巡检用例。此外，使用持续集成的方式，巡检脚本生成模型生成的巡检用例可进行离线的性能测试和发版回归测试。
基于所述巡检用例，对接口的返回数据进行是否异常的检测，同时可以判断是否需要进行报警。若检测出接口的返回数据是异常的，且符合报警规则，则对该异常的接口的返回数据进行报警，并记录报警数据。其中所述报警规则可以根据具体的接口返回值设定，比如设置一定的接口返回值阈值，当异常的接口的返回数据对应的接口返回值超过所述接口返回值阈值的时候，就进行报警。如果不符合报警规则，则返回至接口的返回数据继续作为训练样本进行训练。
获取通过所述巡检用例检测出的异常的返回数据，及反馈渠道反馈的异常的返回数据的报警数据。
对异常的返回数据和用户通过反馈渠道反馈的报警数据进行分析，判断所述巡检用例检测的异常的返回数据的准确性，同时可以分析相关报警数据报警是否准确的结果，来确定所述异常的返回数据是否准确，通过对判断结果的收集分析，得到所述准确性判定结果，包括准确率、召回率和F值等等。基于所述准确率、召回率和F值。基于所述准确率、召回率和F值，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化，即根据对异常的返回数据及相关报警数据的分析和机器学习的结果，能够自动优化巡检脚本的内容，以便通过优化后的巡检脚本生成模型及新的模型参数，生成新的巡检用例，进行接口迭代巡检，即接口巡检管理平台通过优化后的巡检脚本生成模型能够对线上新采集到的接口进行新的巡检监控。
本例提供的接口的巡检方法，预先基于大量的接口的返回数据样本，通过机器学习训练得到巡检脚本生成模型，以对接口进行实时巡检，并基于通过巡检脚本生成模型生成的巡检用例，检测出异常的返回数据，以及基于对其分析的结果优化巡检脚本生成模型及参数，以便通过优化后的巡检脚本生成模型生成新的巡检用例，进行接口迭代巡检，能够实现高效的接口自动化巡检，极大地减少了开发人员或测试人员编写基于测试用例的巡检脚本的时间，节省了研发人员或测试人员的精力和劳动成本，并且有效地解决了现有技术中接口巡检监控维护困难且效率低的问题。
下面对本发明提供的接口的巡检装置进行描述，下文描述的接口的巡检装置与上文描述的接口的巡检方法可相互对应参照。
本发明还提供一种接口的巡检装置，图4是本发明提供的接口的巡检装置的结构示意图，如图4所示，所述装置包括：获取模块410、检测模块420和优化模块430，其中：
获取模块410，用于获取接口的返回数据；
检测模块420，用于基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
优化模块430，用于对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
本发明提供的接口的巡检装置，包括获取模块410、检测模块420和优化模块430，各模块依次连接且相互配合工作，利用检测模块420能够预先基于大量的接口的返回数据样本，通过机器学习训练得到巡检脚本生成模型，以对接口进行实时巡检，并基于通过巡检脚本生成模型生成的巡检用例，检测出异常的返回数据，以及利用优化模块430基于对异常的返回数据分析的结果优化巡检脚本生成模型及参数，以便通过优化后的巡检脚本生成模型生成新的巡检用例，进行接口迭代巡检，能够实现高效的接口自动化巡检，极大地减少了开发人员或测试人员编写基于测试用例的巡检脚本的时间，节省了研发人员或测试人员的精力和劳动成本，并且有效地解决了现有技术中接口巡检监控维护困难且效率低的问题。
根据本发明提供的接口的巡检装置，所述优化模块430，具体用于：
获取通过所述巡检用例检测的异常的返回数据；
判断所述巡检用例检测的异常的返回数据的准确性，得到准确性判定结果；
基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
根据本发明提供的接口的巡检装置，所述准确性判定结果包括准确率、召回率和F值，所述优化模块430，具体用于：
基于所述准确率、召回率和F值，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
根据本发明提供的接口的巡检装置，所述获取模块410，具体用于：获取日志数据，并基于所述日志数据收集得到所述接口的返回数据。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行接口的巡检方法，该方法包括：
获取接口的返回数据；
基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元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说对现有技术做出贡献的部分或者该技术方案的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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述接口的巡检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，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的接口的巡检方法，该方法包括：
获取接口的返回数据；
基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述接口的巡检方法的步骤，该方法包括：
获取接口的返回数据；
基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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：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的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种接口的巡检方法，其特征在于，包括：
获取接口的返回数据；
基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
2.根据权利要求1所述的接口的巡检方法，其特征在于，所述对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，包括：
获取通过所述巡检用例检测的异常的返回数据；
判断所述巡检用例检测的异常的返回数据的准确性，得到准确性判定结果；
基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
3.根据权利要求2所述的接口的巡检方法，其特征在于，所述准确性判定结果包括准确率、召回率和F值，所述基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化，包括：
基于所述准确率、召回率和F值，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
4.根据权利要求1-3任一项所述的接口的巡检方法，其特征在于，所述获取接口的返回数据，包括：
获取日志数据，并基于所述日志数据收集得到所述接口的返回数据。
5.一种接口的巡检装置，其特征在于，包括：
获取模块，用于获取接口的返回数据；
检测模块，用于基于通过预设的巡检脚本生成模型生成的巡检用例，检测所述返回数据是否异常，其中，所述巡检脚本生成模型是基于接口的返回数据样本，通过机器学习训练得到；
优化模块，用于对异常的返回数据进行分析，并基于分析结果对所述巡检脚本生成模型进行优化，以便通过优化后的巡检脚本生成模型生成新的巡检用例进行接口迭代巡检。
6.根据权利要求5所述的接口的巡检装置，其特征在于，所述优化模块，具体用于：
获取通过所述巡检用例检测的异常的返回数据；
判断所述巡检用例检测的异常的返回数据的准确性，得到准确性判定结果；
基于所述准确性判定结果，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
7.根据权利要求6所述的接口的巡检装置，其特征在于，所述准确性判定结果包括准确率、召回率和F值，所述优化模块，具体用于：
基于所述准确率、召回率和F值，对所述巡检脚本生成模型和所述巡检脚本生成模型的参数进行优化。
8.根据权利要求5-7任一项所述的接口的巡检装置，其特征在于，所述获取模块，具体用于：获取日志数据，并基于所述日志数据收集得到所述接口的返回数据。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现根据权利要求1至4任一项所述接口的巡检方法的步骤。
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，该计算机程序被处理器执行时实现根据权利要求1至4任一项所述接口的巡检方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011475219.9A CN112631900A (zh) | 2020-12-14 | 2020-12-14 | 接口的巡检方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011475219.9A CN112631900A (zh) | 2020-12-14 | 2020-12-14 | 接口的巡检方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112631900A true CN112631900A (zh) | 2021-04-09 |
Family
ID=75313732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011475219.9A Pending CN112631900A (zh) | 2020-12-14 | 2020-12-14 | 接口的巡检方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112631900A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421255A (zh) * | 2023-12-19 | 2024-01-19 | 北京博点智合科技有限公司 | 一种接口的自动巡检方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016147654A1 (ja) * | 2015-03-18 | 2016-09-22 | 日本電気株式会社 | ルール生成装置、ルール生成方法及びルール生成プログラムを記憶する記録媒体 |
| CN106815125A (zh) * | 2015-12-02 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 一种日志审计方法及平台 |
| CN110109818A (zh) * | 2019-03-15 | 2019-08-09 | 平安城市建设科技(深圳)有限公司 | 后端接口数据的监测方法、装置、终端及可读存储介质 |
| CN110221975A (zh) * | 2019-05-28 | 2019-09-10 | 厦门美柚信息科技有限公司 | 创建接口用例自动化测试脚本的方法及装置 |
| US20200242417A1 (en) * | 2019-01-29 | 2020-07-30 | EMC IP Holding Company LLC | Extraction of Anomaly Related Rules Using Data Mining and Machine Learning |
-
2020
- 2020-12-14 CN CN202011475219.9A patent/CN112631900A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016147654A1 (ja) * | 2015-03-18 | 2016-09-22 | 日本電気株式会社 | ルール生成装置、ルール生成方法及びルール生成プログラムを記憶する記録媒体 |
| CN106815125A (zh) * | 2015-12-02 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 一种日志审计方法及平台 |
| US20200242417A1 (en) * | 2019-01-29 | 2020-07-30 | EMC IP Holding Company LLC | Extraction of Anomaly Related Rules Using Data Mining and Machine Learning |
| CN110109818A (zh) * | 2019-03-15 | 2019-08-09 | 平安城市建设科技(深圳)有限公司 | 后端接口数据的监测方法、装置、终端及可读存储介质 |
| CN110221975A (zh) * | 2019-05-28 | 2019-09-10 | 厦门美柚信息科技有限公司 | 创建接口用例自动化测试脚本的方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421255A (zh) * | 2023-12-19 | 2024-01-19 | 北京博点智合科技有限公司 | 一种接口的自动巡检方法、装置、设备和存储介质 |
| CN117421255B (zh) * | 2023-12-19 | 2024-04-09 | 北京博点智合科技有限公司 | 一种接口的自动巡检方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102684927B (zh) | 一种巡检网络设备的方法和装置 | |
| CN105677615B (zh) | 一种基于weka接口的分布式机器学习方法 | |
| CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
| CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN110941553A (zh) | 一种代码检测方法、装置、设备及可读存储介质 | |
| CN112463432A (zh) | 基于指标数据的巡检方法、装置及系统 | |
| Scanniello | An investigation of object-oriented and code-size metrics as dead code predictors | |
| CN111045902A (zh) | 服务器的压力测试方法及装置 | |
| CN117421217A (zh) | 一种软件功能自动测试方法、系统、终端及介质 | |
| CN111767193A (zh) | 一种服务器数据异常检测方法、装置、存储介质及设备 | |
| CN112631900A (zh) | 接口的巡检方法、装置、电子设备和存储介质 | |
| CN114414255A (zh) | 基于can报文周期监测的自动驾驶测试方法和系统 | |
| CN116954624A (zh) | 基于软件开发包的编译方法、软件开发系统及服务器 | |
| CN111277427A (zh) | 一种数据中心网络设备的巡检方法及系统 | |
| CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
| CN115834195A (zh) | 一种日志异常检测方法、装置、系统及介质 | |
| CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
| CN112885049B (zh) | 基于运行数据的智能电缆预警系统、方法及装置 | |
| CN106855843B (zh) | 一种Web系统的性能分析方法和装置 | |
| CN113849484A (zh) | 一种大数据组件升级方法、装置、电子设备及存储介质 | |
| CN106855840B (zh) | 一种系统cpu分析方法和装置 | |
| CN113127362A (zh) | 对象测试方法、对象测试装置、电子设备及可读存储介质 | |
| CN106855841B (zh) | 一种系统内存分析方法和装置 | |
| CN117271350B (zh) | 一种基于日志分析的软件质量评估系统及方法 | |
| CN114253867B (zh) | 基于神经网络模型的自动化测试方法、装置及系统 |
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 |