CN112906910A - 测试方法、系统、装置和电子设备 - Google Patents
测试方法、系统、装置和电子设备 Download PDFInfo
- Publication number
- CN112906910A CN112906910A CN201911233014.7A CN201911233014A CN112906910A CN 112906910 A CN112906910 A CN 112906910A CN 201911233014 A CN201911233014 A CN 201911233014A CN 112906910 A CN112906910 A CN 112906910A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- parameter
- indexes
- data indexes
- 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
- 238000010998 test method Methods 0.000 title claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 238000012706 support-vector machine Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 32
- 238000002790 cross-validation Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种测试方法,包括获得被测系统的多个数据指标以及所述多个数据指标中每个数据指标的判断标准,其中,所述判断标准包括所述数据指标在不同情况下的指标值以及所述数据指标的权重值,基于所述数据指标在不同情况下的指标值以及所述数据指标的权重值,生成多个训练数据,其中,所述多个训练数据中的每个训练数据包括所述多个数据指标的特征值以及基于所述特征值确定的评价结果,基于所述训练数据,训练支持向量机的模型,以及基于训练后的模型,处理来自被测系统的被测数据,得到测试结果。本公开还提供了一种测试装置、一种电子设备以及一种计算机可读存储介质。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种测试方法、系统、装置和电子设备。
背景技术
在高速发展的互联网时代,系统不断迭代,为保证被测系统平稳上线,测试人员需要从生产环境录制真实流量数据,对被测环境进行回放对比。因此存在新旧系统数据的大量对比工作。测试人员有的会采取随机抽取数据进行人工对比的方法。也有的开发对比程序进行键值对数据的对比,完全一致即视为测试通过,不一致则视为测试不通过。
但是,本发明人发现,人工对比效率低,存在一定的随机性,并且覆盖面窄,因此说服力较差;采用对比程序进行键值对的数据完全一致性校验,校验结果存在部分对测试结果没有贡献的干扰数据,需要进一步人工剔除无用数据并对测试结果进行二次统计分析。
发明内容
有鉴于此,本公开提供了一种测试方法、系统、装置和电子设备。
本公开的一个方面提供了一种测试方法,包括获得被测系统的多个数据指标以及所述多个数据指标中每个数据指标的判断标准,其中,所述判断标准包括所述数据指标在不同情况下的指标值以及所述数据指标的权重值,基于所述数据指标在不同情况下的指标值以及所述数据指标的权重值,生成多个训练数据,其中,所述多个训练数据中的每个训练数据包括所述多个数据指标的特征值以及基于所述特征值确定的评价结果,基于所述训练数据,训练支持向量机的模型,以及基于训练后的模型,处理来自被测系统的被测数据,得到测试结果。
可选地,所述评价结果包括基于所述多个数据指标的特征值以及所述判断标准确定的等级,以及基于所述多个数据指标的特征值以及所述判断标准确定的出现问题的数据指标。
可选地,所述支持向量机的模型中的核函数K(xi·xj)为:
K(xi·xj)=exp(-|xi-xj|/2g2),其中,g为核参数。
可选地,所述支持向量机的模型包括惩罚参数,所述基于所述训练数据,训练支持向量机的模型包括基于粒子群算法和交叉验证优化所述惩罚参数和核参数,确定优化后的惩罚参数和核参数,以及基于所述优化后的惩罚参数和核参数以及所述训练数据,训练支持向量机的模型。
可选地,所述基于粒子群算法和交叉验证优化所述惩罚参数和核参数包括获得当前惩罚参数和核参数,基于所述当前惩罚参数和核参数处理所述训练数据,得到k折交叉验证的归类精度,确定基于所述归类精度的适应度函数的值是否满足要求,以及在所述适应度函数的值满足要求的情况下,确定当前惩罚参数和核参数为优化后的惩罚参数和核参数。
可选地,所述方法还包括在所述适应度函数的值不满足要求的情况下,更新惩罚参数和核参数,并将更新后的惩罚参数和核参数作为当前惩罚参数和核参数。
可选地,所述适应度函数为1-CAv:
本公开的另一个方面提供了一种测试装置,包括获得模块、生成模块、训练模块以及测试模块。获得模块,用于获得被测系统的多个数据指标以及所述多个数据指标中每个数据指标的判断标准,其中,所述判断标准包括所述数据指标在不同情况下的指标值以及所述数据指标的权重值。生成模块,用于基于所述数据指标在不同情况下的指标值以及所述数据指标的权重值,生成多个训练数据,其中,所述多个训练数据中的每个训练数据包括所述多个数据指标的特征值以及基于所述特征值确定的评价结果。训练模块,用于基于所述训练数据,训练支持向量机的模型。测试模块,用于基于训练后的模型,处理来自被测系统的被测数据,得到测试结果。
本公开的另一个方面提供了一种电子设备,包括,至少一个处理器以及至少一个存储器,用于存储一个或多个计算机可读指令,其中,当所述一个或多个计算机可读指令被所述至少一个处理器执行时,使得所述处理器执行如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开实施例的方法根据选定的数据指标以及数据指标的判断标准,构造训练样本对SVM测试模型进行训练及参数优化,并将该测试模型接入流量回放的数据,从而给出被测系统的测试结果等级及问题点,可提升测试效率和测试结果的说服力。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的测试方法的应用场景;
图2示意性示出了根据本公开实施例的测试方法的流程图;
图3示意性示出了根据本公开实施例的测试装置的示意图;以及
图4示意性示出了根据本公开实施例的适于测试系统的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解,实质上任意表示两个或更多可选项目的转折连词和/或短语,无论是在说明书、权利要求书还是附图中,都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如,短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
本公开的实施例提供了一种测试方法,包括获得被测系统的多个数据指标以及所述多个数据指标中每个数据指标的判断标准,其中,所述判断标准包括所述数据指标在不同情况下的指标值以及所述数据指标的权重值,基于所述数据指标在不同情况下的指标值以及所述数据指标的权重值,生成多个训练数据,其中,所述多个训练数据中的每个训练数据包括所述多个数据指标的特征值以及基于所述特征值确定的评价结果,基于所述训练数据,训练支持向量机的模型,以及基于训练后的模型,处理来自被测系统的被测数据,得到测试结果。
图1示意性示出了根据本公开实施例的测试方法的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的应用场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
根据本公开实施例,服务器105中部署有业务系统,当开发了新的业务系统之后,需要与原有的系统进行比较,以验证新的系统是否可靠。
需要说明的是,本公开实施例所提供的测试方法一般可以由服务器105执行。相应地,本公开实施例所提供的测试装置一般可以设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的测试方法的流程图。
如图2所示,该方法包括操作S210~S240。
在操作S210,获得被测系统的多个数据指标以及所述多个数据指标中每个数据指标的判断标准,其中,所述判断标准包括所述数据指标在不同情况下的指标值以及所述数据指标的权重值。
例如,可以根据被测系统的业务场景选择出参数据中最能反映系统特性的关键数据字段。例如字段AAA,BBB,CCC,DDD,EEE。
获得数据指标的判断标准,该些判断标准是根据被测系统特性给出数据指标判断标准。具体的等级范围及参考的标准数据可根据指标要求灵活配置。另外,可设置指标的权重来区分优先级。以下为示例表格,使用时需根据被测系统和业务场景对判断标准进行更细的拆分。
表1
如表1所示,对于每个字段,具有一个权重值、两个或两个以上的判断依据、以及与每个判断依据对应的指标值。据此,若获得一个包含该些字段的数据,可以首先确定该数据中每个字段的指标值,再根据字段的权重对不同字段加权求和,可以得到该数据的特征值。
在操作S220,基于所述数据指标在不同情况下的指标值以及所述数据指标的权重值,生成多个训练数据,其中,所述多个训练数据中的每个训练数据包括所述多个数据指标的特征值以及基于所述特征值确定的评价结果。
根据本公开实施例,所述评价结果包括基于所述多个数据指标的特征值以及所述判断标准确定的等级,以及基于所述多个数据指标的特征值以及所述判断标准确定的出现问题的数据指标。
例如,参考表1所示意的实施例,可以生成多个训练数据。以下为示例数据。
表2
序号 | AAA | BBB | CCC | DDD | EEE | 等级 | 问题指标 |
1 | aaa | bbb | ccc | ddd | eee | 10 | 无 |
2 | aaa | bbb | cac | addda | ace | 9 | CCC |
3 | aaa | bbb | aca | adda | 123 | 8 | DDD |
4 | aaa | xyz | 1c2 | bdddb | xyz | 7 | BBB |
5 | aaa | bab | 123 | vzdd1 | 12edb | 6.5 | BBB |
6 | abc | bbb | xyz | 1ddd2 | 123xvz | 3 | AAA |
7 | caa | 12bb | c12 | xvzddd | edfe | 3 | AAA |
8 | 123 | abba | xcz | 1d2d3d | 321123 | 2 | AAA |
9 | abc | abc | abc | abc | abc | 1 | AAA |
10 | cba | 12c | xyz | abc | 123 | 0 | AAA |
... | ... | ... | ... | ... | ... | ... | ... |
100 | xyz | 12xvz | 3c1 | 1ddd2dd | 123abc | 2 | AAA |
下面以表2中序号为5的训练数据为例进行说明。
如表2所示,该训练数据包括多个数据指标的特征值以及基于特征值确定的评价结果,其中,多个数据指标的特征值包括:
AAA | BBB | CCC | DDD | EEE |
aaa | bab | 123 | vzdd1 | 12edb |
基于特征值确定的评价结果包括:
等级 | 问题指标 |
6.5 | BBB |
具体地,根据表1所示的内容,对于字段AAA的值aaa,可以确定其指标值为10,该字段的权重值为0.5;对于字段BBB的值bab,可以确定其指标值为2.5,该字段的权重值为0.2;对于字段CCC的值123,可以确定其指标值为0,该字段的权重值为0.1;对于字段DDD的值yzdd1,可以确定其指标值为0,该字段的权重值为0.1;对于字段EEE的值12edb,可以确定其指标值为10,该字段的权重值为0.1。
对以上数据加权求和,可以得到该训练数据的等级为:
0.5*10+0.2*2.5+0.1*0+0.1*0+0.1*10=6.5
存在问题的指标为BBB、CCC、DDD和EEE。本公开实施例可以按照一定的规则例如在先原则输出BBB作为问题指标。
在操作S230,基于所述训练数据,训练支持向量机(SVM,Support VectorMachine)的模型。
根据本公开实施例,数据指标、判断依据以及评价结果可以远比上述表1和表2示意的实施例复杂,因此,本公开实施例仅采用表1所示意的判断依据生成训练数据,基于训练数据训练SVM模型,在处理实际数据时,通过训练好的SVM模型进行处理。
SVM模型在于通过非线性映射函数把样本从输入空间投影至高维特征空间,在高维特征空间中建立最优分类面。为使分类面具有较高的分类正确率且有较大的分类间隔,则SVM由分类问题转变为一个求最优解问题:
w和b为超平面的参数,ξi为松弛变量,是为了衡量真实值yi和支持向量机输出之间的距离。C为惩罚参数,用于限定对样本分类错误的惩罚程度。为了求解上式,引进拉格朗日函数,将上述求解过程转化为对偶问题:
这里,αi为对应xi的拉格朗日乘子式,K(xi·xj)是SVM训练时使用的核函数,是为了把内积映射到特征空间。
根据本公开实施例,所述支持向量机的模型中的核函数K(xi·xj)为:
K(xi·xj)=exp(-|xi-xj|/2g2),其中,g为核参数。
该核函数只需确定g的数值,比较利于参数优化,能够简化SVM的优化过程。
SVM中的惩罚参数C和核函数参数g是对其分类准确率有着至关重要作用的两个参量,为了能够选出最佳的惩罚参数C、核函数参数g进行SVM训练,本公开实施例采用粒子群算法(PSO,Particle SwarmOptimization)优化SVM和交叉验证(CV,Cross Validation)的方法。可以采用k-折交叉验证误差1-CAv当做适应度函数:
根据本公开实施例,可以基于粒子群算法和交叉验证优化所述惩罚参数和核参数,确定优化后的惩罚参数和核参数,以及基于所述优化后的惩罚参数和核参数以及所述训练数据,训练支持向量机的模型。
根据本公开实施例,基于粒子群算法和交叉验证优化所述惩罚参数和核参数包括获得当前惩罚参数和核参数,基于所述当前惩罚参数和核参数处理所述训练数据,得到k折交叉验证的归类精度,确定基于所述归类精度的适应度函数的值是否满足要求,例如小于某一阈值,以及在所述适应度函数的值满足要求的情况下,确定当前惩罚参数和核参数为优化后的惩罚参数和核参数。
根据本公开实施例,该方法还包括在所述适应度函数的值不满足要求的情况下,例如不小于该阈值,可以更新惩罚参数和核参数,并将更新后的惩罚参数和核参数作为当前惩罚参数和核参数。通过不断更新,确定合适的参数,用于模型训练。
在完成模型训练之后,可以执行操作S240,基于训练后的模型,处理来自被测系统的被测数据,得到测试结果。例如可以将该模型接入流量回放的数据,作为SVM测试模型的输入,对测试结果进行分析。
本公开实施例的方法根据选定的数据指标以及数据指标的判断标准,构造训练样本对SVM测试模型进行训练及参数优化,并将该测试模型接入流量回放的数据,从而给出被测系统的测试结果等级及问题点,可提升测试效率和测试结果的说服力。
基于同一发明构思,本公开实施例还提供了一种测试装置,下面参照图3对本公开实施例的测试装置进行说明。
图3示意性示出了根据本公开实施例的测试装置300的框图。
如图3所示,该测试装置300包括获得模块310、生成模块320、训练模块330以及测试模块340。该装置300可以执行上文参考图2描述的各种方法。
获得模块310,例如执行上文参考图2描述的操作S210,用于获得被测系统的多个数据指标以及所述多个数据指标中每个数据指标的判断标准,其中,所述判断标准包括所述数据指标在不同情况下的指标值以及所述数据指标的权重值。
生成模块320,例如执行上文参考图2描述的操作S220,用于基于所述数据指标在不同情况下的指标值以及所述数据指标的权重值,生成多个训练数据,其中,所述多个训练数据中的每个训练数据包括所述多个数据指标的特征值以及基于所述特征值确定的评价结果。
训练模块330,例如执行上文参考图2描述的操作S230,用于基于所述训练数据,训练支持向量机的模型。
测试模块340,例如执行上文参考图2描述的操作S240,用于基于训练后的模型,处理来自被测系统的被测数据,得到测试结果。
根据本公开实施例,所述评价结果包括基于所述多个数据指标的特征值以及所述判断标准确定的等级,以及基于所述多个数据指标的特征值以及所述判断标准确定的出现问题的数据指标。
根据本公开实施例,所述支持向量机的模型中的核函数K(xi·xj)为:
K(xi·xj)=exp(-|xi-xj|/2g2),其中,g为核参数。
根据本公开实施例,所述支持向量机的模型包括惩罚参数,所述基于所述训练数据,训练支持向量机的模型包括基于粒子群算法和交叉验证优化所述惩罚参数和核参数,确定优化后的惩罚参数和核参数,以及基于所述优化后的惩罚参数和核参数以及所述训练数据,训练支持向量机的模型。
根据本公开实施例,所述基于粒子群算法和交叉验证优化所述惩罚参数和核参数包括获得当前惩罚参数和核参数,基于所述当前惩罚参数和核参数处理所述训练数据,得到k折交叉验证的归类精度,确定基于所述归类精度的适应度函数的值是否满足要求,以及在所述适应度函数的值满足要求的情况下,确定当前惩罚参数和核参数为优化后的惩罚参数和核参数。
根据本公开实施例,所述方法还包括在所述适应度函数的值不满足要求的情况下,更新惩罚参数和核参数,并将更新后的惩罚参数和核参数作为当前惩罚参数和核参数。
根据本公开实施例,所述适应度函数为1-CAv:
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获得模块310、生成模块320、训练模块330以及测试模块340中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获得模块310、生成模块320、训练模块330以及测试模块340中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获得模块310、生成模块320、训练模块330以及测试模块340中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图4示意性示出了根据本公开实施例的适于实现测试方法和装置的计算机系统的方框图。图4示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。图4示出的计算机系统可以实现为服务器集群,包括至少一个处理器(例如处理器401)以及至少一个存储器(例如存储部分408)。
如图4所示,根据本公开实施例的计算机系统400包括处理器401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。处理器401例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器401还可以包括用于缓存用途的板载存储器。处理器401可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 403中,存储有系统400操作所需的各种程序和数据。处理器401、ROM 402以及RAM 403通过总线404彼此相连。处理器401通过执行ROM 402和/或RAM 403中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 402和RAM 403以外的一个或多个存储器中。处理器401也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统400还可以包括输入/输出(I/O)接口405,输入/输出(I/O)接口405也连接至总线404。系统400还可以包括连接至I/O接口405的以下部件中的一项或多项:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分405。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被处理器401执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线、光缆、射频信号等等,或者上述的任意合适的组合。
例如,根据本公开的实施例,计算机可读介质可以包括上文描述的ROM 402和/或RAM 403和/或ROM 402和RAM 403以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种测试方法,包括:
获得被测系统的多个数据指标以及所述多个数据指标中每个数据指标的判断标准,其中,所述判断标准包括所述数据指标在不同情况下的指标值以及所述数据指标的权重值;
基于所述数据指标在不同情况下的指标值以及所述数据指标的权重值,生成多个训练数据,其中,所述多个训练数据中的每个训练数据包括所述多个数据指标的特征值以及基于所述特征值确定的评价结果;
基于所述训练数据,训练支持向量机的模型;以及
基于训练后的模型,处理来自被测系统的被测数据,得到测试结果。
2.根据权利要求1所述的方法,其中,所述评价结果包括:
基于所述多个数据指标的特征值以及所述判断标准确定的等级;以及
基于所述多个数据指标的特征值以及所述判断标准确定的出现问题的数据指标。
3.根据权利要求1所述的方法,其中,所述支持向量机的模型中的核函数K(xi·xj)为:
K(xi·xj)=exp(-|xi-xj|/2g2),其中,g为核参数。
4.根据权利要求3所述的方法,其中,所述支持向量机的模型包括惩罚参数,所述基于所述训练数据,训练支持向量机的模型包括:
基于粒子群算法和交叉验证优化所述惩罚参数和核参数,确定优化后的惩罚参数和核参数;
基于所述优化后的惩罚参数和核参数以及所述训练数据,训练支持向量机的模型。
5.根据权利要求4所述的方法,其中,所述基于粒子群算法和交叉验证优化所述惩罚参数和核参数包括:
获得当前惩罚参数和核参数;
基于所述当前惩罚参数和核参数处理所述训练数据,得到k折交叉验证的归类精度;
确定基于所述归类精度的适应度函数的值是否满足要求;以及
在所述适应度函数的值满足要求的情况下,确定当前惩罚参数和核参数为优化后的惩罚参数和核参数。
6.根据权利要求5所述的方法,还包括:
在所述适应度函数的值不满足要求的情况下,更新惩罚参数和核参数,并将更新后的惩罚参数和核参数作为当前惩罚参数和核参数。
8.一种测试装置,包括:
获得模块,用于获得被测系统的多个数据指标以及所述多个数据指标中每个数据指标的判断标准,其中,所述判断标准包括所述数据指标在不同情况下的指标值以及所述数据指标的权重值;
生成模块,用于基于所述数据指标在不同情况下的指标值以及所述数据指标的权重值,生成多个训练数据,其中,所述多个训练数据中的每个训练数据包括所述多个数据指标的特征值以及基于所述特征值确定的评价结果;
训练模块,用于基于所述训练数据,训练支持向量机的模型;以及
测试模块,用于基于训练后的模型,处理来自被测系统的被测数据,得到测试结果。
9.一种电子设备,包括:
处理器;以及
存储器,其上存储有计算机可读指令,所述指令被处理器执行时使得处理器执行如权利要求1~7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机可读指令,所述指令被处理器执行时使得处理器执行如权利要求1~7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911233014.7A CN112906910A (zh) | 2019-12-04 | 2019-12-04 | 测试方法、系统、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911233014.7A CN112906910A (zh) | 2019-12-04 | 2019-12-04 | 测试方法、系统、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906910A true CN112906910A (zh) | 2021-06-04 |
Family
ID=76110843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911233014.7A Pending CN112906910A (zh) | 2019-12-04 | 2019-12-04 | 测试方法、系统、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906910A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
CN107392399A (zh) * | 2017-08-30 | 2017-11-24 | 桂林电子科技大学 | 一种基于改进遗传算法的svm卷烟感官质量预测方法 |
CN108268905A (zh) * | 2018-03-21 | 2018-07-10 | 广东电网有限责任公司电力科学研究院 | 一种基于支持向量机的变压器故障诊断方法及系统 |
CN110399906A (zh) * | 2019-07-03 | 2019-11-01 | 深兰科技(上海)有限公司 | 基于支撑向量机的故障分类模型的训练方法及装置 |
CN110458313A (zh) * | 2018-05-07 | 2019-11-15 | 中国科学院沈阳自动化研究所 | 一种基于svm的电力用户信用风险预警方法及系统 |
-
2019
- 2019-12-04 CN CN201911233014.7A patent/CN112906910A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
CN107392399A (zh) * | 2017-08-30 | 2017-11-24 | 桂林电子科技大学 | 一种基于改进遗传算法的svm卷烟感官质量预测方法 |
CN108268905A (zh) * | 2018-03-21 | 2018-07-10 | 广东电网有限责任公司电力科学研究院 | 一种基于支持向量机的变压器故障诊断方法及系统 |
CN110458313A (zh) * | 2018-05-07 | 2019-11-15 | 中国科学院沈阳自动化研究所 | 一种基于svm的电力用户信用风险预警方法及系统 |
CN110399906A (zh) * | 2019-07-03 | 2019-11-01 | 深兰科技(上海)有限公司 | 基于支撑向量机的故障分类模型的训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
傅军栋;邹欢;康水华;: "PSO-SVM算法在智能建筑环境监控系统中的应用", 华东交通大学学报, no. 01, 15 February 2016 (2016-02-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3563243B1 (en) | Determining application test results using screenshot metadata | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN109976999B (zh) | 测试用例覆盖率的度量方法和度量装置 | |
CN112148582B (zh) | 策略测试方法及装置、计算机可读介质和电子设备 | |
CN110879776A (zh) | 一种测试用例的生成方法和装置 | |
CN114780965A (zh) | 一种漏洞修复优先级评估方法与系统 | |
CN105630683A (zh) | 一种云测试体系架构 | |
CN115061874A (zh) | 日志信息验证方法、装置、设备及介质 | |
US8055470B2 (en) | Simulated bucket testing | |
WO2022017082A1 (zh) | 用于检测虚假交易订单的方法和装置 | |
CN112084102A (zh) | 接口压力测试的方法和装置 | |
US20150286753A1 (en) | Estimating Think Times | |
CN110635961B (zh) | 服务器的压测方法、装置和系统 | |
CN112965916B (zh) | 页面测试方法、页面测试装置、电子设备及可读存储介质 | |
CN113535577A (zh) | 基于知识图谱的应用测试方法、装置、电子设备和介质 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN110866031B (zh) | 数据库访问路径的优化方法、装置、计算设备以及介质 | |
CN111581431B (zh) | 基于动态评估的数据探查方法和装置 | |
CN112214770A (zh) | 恶意样本的识别方法、装置、计算设备以及介质 | |
CN112241761A (zh) | 模型训练方法、装置和电子设备 | |
US20230196811A1 (en) | Dynamic generation of client-specific feature maps | |
CN113869904B (zh) | 可疑数据识别方法、装置、电子设备、介质和计算机程序 | |
CN112906910A (zh) | 测试方法、系统、装置和电子设备 | |
CN111367778B (zh) | 评估搜索策略的数据分析方法和装置 | |
CN112379967B (zh) | 模拟器检测方法、装置、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 |