CN113342640A - 一种基于决策树的efsm测试用例排序方法 - Google Patents
一种基于决策树的efsm测试用例排序方法 Download PDFInfo
- Publication number
- CN113342640A CN113342640A CN202110550505.5A CN202110550505A CN113342640A CN 113342640 A CN113342640 A CN 113342640A CN 202110550505 A CN202110550505 A CN 202110550505A CN 113342640 A CN113342640 A CN 113342640A
- Authority
- CN
- China
- Prior art keywords
- test case
- efsm
- node
- test
- decision tree
- 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.)
- Granted
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
- G06F11/3668—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
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Complex Calculations (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于决策树的EFSM测试用例排序方法,包括如下步骤:(1)提取EFSM的测试用例集中每条测试用例的标签值;(2)提取EFSM的测试用例集中每条测试用例的特征值;(3)训练针对该EFSM的测试用例排序模型;(4)提取新测试用例集的特征值信息,得到测试数据;(5)将测试数据输入到已训练好的测试用例排序模型中,得到排序结果。本发明通过提取测试用例的标签值和特征值,构建训练数据集,并利用决策树算法训练测试用例排序模型。实验研究以5个EFSM作为实验对象,将新方法和已有的7个简单启发式排序算法进行对比。结果表明,本发明方法相比于已有的简单启发式排序算法在APFD值上有明显提升。
Description
技术领域
本发明涉及基于模型的测试用例排序技术领域,具体为一种基于决策树的EFSM测试用例排序方法。
背景技术
测试是一项重要而昂贵的软件工程活动,指的是对修改后的程序进行重新测试。测试的目标是确定修改是否引入了新的错误。然而,它需要测试人员进行大量繁琐的工作以达到较高的故障检测率。因此,为了改善这一状况,已经有大量关于如何提高测试效率的研究。目前,大多数的测试用例排序技术是基于代码的。然而,对于大型程序的测试,基于代码的测试用例排序技术既昂贵又耗时。不同于基于代码的测试用例排序技术,基于模型的测试用例排序从模型的执行过程中收集的动态信息对测试用例进行排序。因为模型是软件的系统行为,基于模型的测试用例排序在理论上更简单有效。
已有的软件建模技术有很多种,比如UML,State charts和SDL等。其中,扩展状态机(EFSM)综合考虑了软件的数据流动和控制分支,可以较为全面的模拟复杂的软件系统。目前,有大量的研究基于EFSM,包括有EFSM的测试序列自动生成、EFSM的测试数据自动生成和EFSM的测试用例排序等。其中,有不少针对EFSM的测试用例排序问题的研究成果。比如,基于选择的排序算法、基于计数的排序算法、基于轮询计数的排序算法,基于均匀传播计数的排序算法、基于频度的排序算法以及基于轮询频度的排序算法等。这些已有的排序方法都只考虑了EFSM的某一方面特征。但是,仅仅考虑EFSM的单一特征很难提高排序算法性能。
排序学习(LTR)是一种使用机器学习算法构建排序模型的技术。它可应用于信息检索、自然语言处理与数据挖掘等领域。此外,一些研究者已经成功将此技术应用于软件故障定位。他们引入了LTR来整合多组本地化输入特征来训练高精度故障定位排序模型。决策树是LTR众多具体算法中的一种。若能结合决策树提出一种EFSM测试用例排序方法,必能提高测试用例集检测出EFSM可能存在错误的速度。
发明内容
本发明的目的在于提供一种基于决策树的EFSM测试用例排序方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
本发明一种基于决策树的EFSM测试用例排序方法,包括如下步骤:
(1)提取EFSM的测试用例集中每条测试用例的标签值;
(2)提取EFSM的测试用例集中每条测试用例的特征值;
(3)训练针对该EFSM的测试用例排序模型;
(4)提取新测试用例集的特征值信息,得到测试数据;
(5)将测试数据输入到已训练好的测试用例排序模型中,得到排序结果。
优选的,所述步骤(1)具体如下:当进行测试用例的标签值提取时,需要处理EFSM的测试用例集TS,最终得到该测试用例集的标签值集合labellist;首先,向EFSM的源代码中注入一些已知错误,完整执行一遍测试用例,以得知每个测试用例都能发现哪些错误;接着,初始化标签值集合labellist,判断测试用例集TS是否为空;如果TS不为空,则找到TS中能发现最多错误的测试用例t,执行t后将其从TS中删除,并从错误列表中删除t发现的错误;之后,设置t的标签值为其执行顺序的倒数,并将t的标签值添加进labellist中;如果TS为空,则输出labellist。
优选的,所述步骤(2)具体如下:当进行测试用例的特征提取时,需要处理EFSM的测试用例集TS,最终得到该测试用例集的特征数组集合featurelist;首先,初始化特征数组集合featurelist;之后,判断测试用例集TS是否为空,如果不为空,那么循环遍历测试用例集TS中的每个测试用例t,以获取其变迁种类数量、长度、最多变迁数量以及最少变迁数量这4个特征值;将t的4维特征数组添加进featurelist中,并从测试用例集TS中删除t;如果测试用例集TS为空,那么输出featurelist,测试用例的标签值和特征值一起构成训练数据集。
优选的,所述步骤(3)具体如下:当在训练测试用例排序模型时,需要处理由步骤(1)和步骤(2)产生的数据集D,最后输出决策树的根结点;首先,初始化树结点列表nodelist;之后,初始化决策树的根结点root,并将其添加进nodelist中,判断nodelist的长度是否大于0,如果大于0,那么提取并删除nodelist的首位结点node;接着,再判断node所包含的数据集Dnode是否可以再分,如果可以再分,那么找到最佳划分点bestsplit将Dnode划分为两个子集,并创建node的两个子结点node.left和node.right,分别包含划分出的两个子数据集,最后将node.left和node.right添加进nodelist中,如果node所包含的数据集Dnode不可再分,那么接着判断nodelist的长度是否大于0;当nodelist的长度等于0时,输出决策树的根结点root,通过root结点遍历整个决策树,生成的决策树即为该EFSM训练好的测试用例排序模型。
优选的,通过限制最大叶子数来限制决策树的大小,在训练阶段每个叶子节点i的分数通过公式计算。其中,标签l∈{1,2,…n},p(l|leaf)表示当前叶子节点leaf上标签l出现的频率;最后,在应用阶段使用公式计算第j个测试用例tj对应于错误组合c的预测分数。
优选的,所述步骤(4)具体如下:当获取测试数据时,需要处理EFSM新的测试用例集TS,以得到该测试用例集的测试数据;使用特征数组集合作为测试数据,其获取方式和步骤(2)相同。
优选的,所述步骤(5)中当获取排序结果时,需要将步骤(4)中获得的测试数据输入到步骤(3)中训练好的测试用例排序模型中;新测试用例集的排序结果是一个实数的集合,每个实数代表该测试用例的得分,得分越高的测试用例将越早执行。
与现有技术相比,本发明的有益效果是:本发明通过决策树算法分析不同EFSM测试用例的特征之间的相关性,使得排序后的测试用例集可以更快检测出EFSM源代码中可能存在的错误。新方法将EFSM的测试用例排序问题转换为机器学习中的分类问题。新方法使用了决策树这个具体的学习排序算法分析测试用例的多维特征,并以此训练测试用例排序模型。实验表明,该测试用例排序模型相比于单一排序算法可以明显提升测试用例集的平均错误检测率。
附图说明
图1为LTR-TC整体框架示意图。
图2为标签值提取流程图。
图3为特征值提取流程图。
图4为训练排序模型流程图。
图5为不同排序算法在5个EFSM上的最小APFD值直方图。
图6为不同排序算法在5个EFSM上的最大APFD值直方图。
图7为不同排序算法在5个EFSM上的平均APFD值直方图。
图8为不同排序算法在5个EFSM上的APFD值标准差直方图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
参阅图1,一种基于决策树的EFSM测试用例排序方法包括两个主要阶段:训练和应用。在训练阶段,某个EFSM的测试用例集中所有的测试用例会被分别输入到标签算法和特征提取算法中,以获取对应标签值信息和特征值信息。接下来,处理这些结果,以构建可以用于训练的数据集。将训练数据集输入到决策树算法中,训练出一个针对该EFSM的测试用例排序模型。在应用阶段,当该EFSM的测试用例集中的测试用例发生替换或者更改时,将测试用例集中所有的测试用例输入到特征提取算法中,以获取测试数据。之后,将测试数据输入到训练好的测试用例排序模型中,以输出每个测试用例对应的分数。拥有更高分数的测试用例会被排在测试集中靠前的位置。重新排序的测试集将更能检测出EFSM的源代码在修改后可能出现的错误。
一种基于决策树的EFSM测试用例排序方法,包括如下步骤:
(1)提取EFSM的测试用例集中每条测试用例的标签值;
(2)提取EFSM的测试用例集中每条测试用例的特征值;
(3)训练针对该EFSM的测试用例排序模型;
(4)提取新测试用例集的特征值信息,得到测试数据;
(5)将测试数据输入到已训练好的测试用例排序模型中,得到排序结果。
如图2所示,步骤(1)具体如下:当进行测试用例的标签值提取时,需要处理EFSM的测试用例集TS,最终得到该测试用例集的标签值集合labellist;首先,向EFSM的源代码中注入一些已知错误,完整执行一遍测试用例,以得知每个测试用例都能发现哪些错误;接着,初始化标签值集合labellist,判断测试用例集TS是否为空;如果TS不为空,则找到TS中能发现最多错误的测试用例t,执行t后将其从TS中删除,并从错误列表中删除t发现的错误;之后,设置t的标签值为其执行顺序的倒数,并将t的标签值添加进labellist中;如果TS为空,则输出labellist。
如图3所示,步骤(2)具体如下:当进行测试用例的特征提取时,需要处理EFSM的测试用例集TS,最终得到该测试用例集的特征数组集合featurelist;首先,初始化特征数组集合featurelist;之后,判断测试用例集TS是否为空,如果不为空,那么循环遍历测试用例集TS中的每个测试用例t,以获取其变迁种类数量、长度、最多变迁数量以及最少变迁数量这4个特征值;将t的4维特征数组添加进featurelist中,并从测试用例集TS中删除t;如果测试用例集TS为空,那么输出featurelist,测试用例的标签值和特征值一起构成训练数据集。
如图4所示,步骤(3)具体如下:当在训练测试用例排序模型时,需要处理由步骤(1)和步骤(2)产生的数据集D,最后输出决策树的根结点;首先,初始化树结点列表nodelist;之后,初始化决策树的根结点root,并将其添加进nodelist中,判断nodelist的长度是否大于0,如果大于0,那么提取并删除nodelist的首位结点node;接着,再判断node所包含的数据集Dnode是否可以再分,如果可以再分,那么找到最佳划分点bestsplit将Dnode划分为两个子集,并创建node的两个子结点node.left和node.right,分别包含划分出的两个子数据集,最后将node.left和node.right添加进nodelist中,如果node所包含的数据集Dnode不可再分,那么接着判断nodelist的长度是否大于0;当nodelist的长度等于0时,输出决策树的根结点root,通过root结点可以遍历整个决策树,生成的决策树即为该EFSM训练好的测试用例排序模型;通过限制最大叶子数来限制决策树的大小,在训练阶段每个叶子节点i的分数通过公式计算。其中,标签l∈{1,2,…n},p(l|leaf)表示当前叶子节点leaf上标签l出现的频率;最后,在应用阶段使用公式计算第j个测试用例tj对应于错误组合c的预测分数。
本发明中,步骤(4)具体如下:当获取测试数据时,需要处理EFSM新的测试用例集TS,以得到该测试用例集的测试数据;使用特征数组集合作为测试数据,其获取方式和步骤(2)相同。
本发明中,步骤(5)中当获取排序结果时,需要将步骤(4)中获得的测试数据输入到步骤(3)中训练好的测试用例排序模型中;新测试用例集的排序结果是一个实数的集合,每个实数代表该测试用例的得分,得分越高的测试用例将越早执行。
为了验证所提出方法的可行性和有效性,本发明基于五个基准协议EFSM测试模型开展了详尽的实验分析。这五个模型分别为:Network Monitor(记为M1)、Inres initiator(记为M2)、Class II(记为M3)、OLSR(记为M4)和SCP(记为M5)。具体模型细节如表1所示。
表1五个目标EFSM
本发明使用平均错误检测率(APFD)来衡量排序算法的性能。APFD值的取值范围为0到1。一个较大的APFD值意味着重新排序后的测试用例集有更高的平均错误检测率。APFD可以形式化地定义为以下公式:
在上述公式中,T表示有q个测试用例的测试集,F表示T能发现的错误集合。TFk为首个发现第k个错误的测试用例在重新排序后的测试集中的序列号,k在1至m之间取值。
表2为不同排序方法在不同EFSM上的APFD值详细数据。APFD代表平均错误检出率。其中,H1-H7是7个已有的简单启发式排序方法,CART代表基于决策树的LTR-TC排序方法。表格中统计的是不同排序方法在每个EFSM模型上的APFD值中的最小值(Min),最大值(Max),平均值(Mean)和标准差(Std-Dev)。最后一项All统计了5个EFSM的平均结果。可以看到All这一项中,CART的最小值为0.803,相比于H3的0.728提升10.3%,相比于H6相比,提升百分比达到最高的97.3%。在所有EFSM中,CART的最大值为0.983,并没有很大的提高,但比H1高2%。H4在所有EFSM中的最大值也为0.983,但是当实验结果中保留更多的小数时,CART的最大值是大于H4的。在所有EFSM中,CART的平均APFD值为0.933,比H3提升2.2%,相比H6提升最多为21.6%。在标准偏差方面,CART在所有EFSM中为0.030。与H5相比,最低降低了6.3%,与H6相比,最高降低了69.4%。这表明CART相比于已有的简单启发式更加高效和稳定,出现上述比较结果的原因是H1-H7仅考虑了EFSM的一个方面,而基于CART综合考虑了多方面的特性。
表2不同排序方法在不同EFSM上的APFD值统计
图5-8是不同排序方法在5个EFSM模型上APFD值的最小值,最大值,平均值和标准差的直方图。其中H1是随机算法,它作为对比APFD的下限。图5是不同排序方法在5个EFSM上最小APFD值的直方图。从图中可以发现CART算法的最小APFD值均大于H1-H7。图6是不同排序方法在5个EFSM模型上的最大APFD值的直方图。从图中可以发现CART算法的最大APFD值和H4接近。图7是不同排序方法在5个EFSM上的平均APFD值的直方图。从图中可以发现CART算法的平均APFD值和H3、H5接近,高于其他启发式排序算法。从APFD的最小值,最大值和平均值这3个指标上,可以得出CART的排序性能好于已有的单个启发式排序算法。图8是不同排序方法在5个EFSM上的APFD值的标准差直方图。从图中可以发现CART算法的APFD值的标准差小于H1-H7,与H5最接近。这表明CART排序算法的稳定性要高于已有的单个启发式排序算法。
综上所述,本发明通过决策树算法分析不同EFSM测试用例的特征之间的相关性,使得排序后的测试用例集可以更快检测出EFSM源代码中可能存在的错误。新方法将EFSM的测试用例排序问题转换为机器学习中的分类问题。新方法使用了决策树这个具体的学习排序算法分析测试用例的多维特征,并以此训练测试用例排序模型。实验表明,该测试用例排序模型相比于单一排序算法可以明显提升测试用例集的平均错误检测率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (7)
1.一种基于决策树的EFSM测试用例排序方法,其特征在于:包括如下步骤:
(1)提取EFSM的测试用例集中每条测试用例的标签值;
(2)提取EFSM的测试用例集中每条测试用例的特征值;
(3)训练针对该EFSM的测试用例排序模型;
(4)提取新测试用例集的特征值信息,得到测试数据;
(5)将测试数据输入到已训练好的测试用例排序模型中,得到排序结果。
2.根据权利要求1所述的一种基于决策树的EFSM测试用例排序方法,其特征在于:所述步骤(1)具体如下:当进行测试用例的标签值提取时,需要处理EFSM的测试用例集TS,最终得到该测试用例集的标签值集合labellist;首先,向EFSM的源代码中注入一些已知错误,完整执行一遍测试用例,以得知每个测试用例都能发现哪些错误;接着,初始化标签值集合labellist,判断测试用例集TS是否为空;如果TS不为空,则找到TS中能发现最多错误的测试用例t,执行t后将其从TS中删除,并从错误列表中删除t发现的错误;之后,设置t的标签值为其执行顺序的倒数,并将t的标签值添加进labellist中;如果TS为空,则输出labellist。
3.根据权利要求1所述的一种基于决策树的EFSM测试用例排序方法,其特征在于:所述步骤(2)具体如下:当进行测试用例的特征提取时,需要处理EFSM的测试用例集TS,最终得到该测试用例集的特征数组集合featurelist;首先,初始化特征数组集合featurelist;之后,判断测试用例集TS是否为空,如果不为空,那么循环遍历测试用例集TS中的每个测试用例t,以获取其变迁种类数量、长度、最多变迁数量以及最少变迁数量这4个特征值;将t的4维特征数组添加进featurelist中,并从测试用例集TS中删除t;如果测试用例集TS为空,那么输出featurelist,测试用例的标签值和特征值一起构成训练数据集。
4.根据权利要求1所述的一种基于决策树的EFSM测试用例排序方法,其特征在于:所述步骤(3)具体如下:当在训练测试用例排序模型时,需要处理由步骤(1)和步骤(2)产生的数据集D,最后输出决策树的根结点;首先,初始化树结点列表nodelist;之后,初始化决策树的根结点root,并将其添加进nodelist中,判断nodelist的长度是否大于0,如果大于0,那么提取并删除nodelist的首位结点node;接着,再判断node所包含的数据集Dnode是否可以再分,如果可以再分,那么找到最佳划分点bestsplit将Dnode划分为两个子集,并创建node的两个子结点node.left和node.right,分别包含划分出的两个子数据集,最后将node.left和node.right添加进nodelist中,如果node所包含的数据集Dnode不可再分,那么接着判断nodelist的长度是否大于0;当nodelist的长度等于0时,输出决策树的根结点root,通过root结点遍历整个决策树,生成的决策树即为该EFSM训练好的测试用例排序模型。
6.根据权利要求1所述的一种基于决策树的EFSM测试用例排序方法,其特征在于:所述步骤(4)具体如下:当获取测试数据时,需要处理EFSM新的测试用例集TS,以得到该测试用例集的测试数据;使用特征数组集合作为测试数据,其获取方式和步骤(2)相同。
7.根据权利要求1所述的一种基于决策树的EFSM测试用例排序方法,其特征在于:所述步骤(5)中当获取排序结果时,需要将步骤(4)中获得的测试数据输入到步骤(3)中训练好的测试用例排序模型中;新测试用例集的排序结果是一个实数的集合,每个实数代表该测试用例的得分,得分越高的测试用例将越早执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550505.5A CN113342640B (zh) | 2021-05-20 | 2021-05-20 | 一种基于决策树的efsm测试用例排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550505.5A CN113342640B (zh) | 2021-05-20 | 2021-05-20 | 一种基于决策树的efsm测试用例排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113342640A true CN113342640A (zh) | 2021-09-03 |
CN113342640B CN113342640B (zh) | 2023-08-08 |
Family
ID=77469923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110550505.5A Active CN113342640B (zh) | 2021-05-20 | 2021-05-20 | 一种基于决策树的efsm测试用例排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113342640B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528948A (zh) * | 2022-03-10 | 2022-05-24 | 电子科技大学 | 一种复杂系统的序贯测试序列生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110055842A1 (en) * | 2009-08-25 | 2011-03-03 | International Business Machines Corporation | Virtual multiple instance extended finite state machines with wait rooms and/or wait queues |
CN110502447A (zh) * | 2019-08-30 | 2019-11-26 | 西安邮电大学 | 一种基于图的回归测试用例优先排序方法 |
-
2021
- 2021-05-20 CN CN202110550505.5A patent/CN113342640B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110055842A1 (en) * | 2009-08-25 | 2011-03-03 | International Business Machines Corporation | Virtual multiple instance extended finite state machines with wait rooms and/or wait queues |
CN110502447A (zh) * | 2019-08-30 | 2019-11-26 | 西安邮电大学 | 一种基于图的回归测试用例优先排序方法 |
Non-Patent Citations (3)
Title |
---|
TING SHU , YECHAO HUANG: "Generating feasible protocol test sequences from EFSM models using Monte Carlo tree search", 《INFORMATION AND SOFTWARE TECHNOLOGY》, pages 1 - 21 * |
TING SHU: "A heuristic transition executability analysis method for generating EFSM-specified protocol test sequences", 《INFORMATION SCIENCES 》, pages 63 - 79 * |
刘攀: "确定性有限状态机的最小测试成本迁移覆盖准则", 《软件学报》, pages 1457 - 1474 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528948A (zh) * | 2022-03-10 | 2022-05-24 | 电子科技大学 | 一种复杂系统的序贯测试序列生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113342640B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105306475B (zh) | 一种基于关联规则分类的网络入侵检测方法 | |
Snir et al. | Quartets MaxCut: a divide and conquer quartets algorithm | |
CN112417028B (zh) | 一种风速时序特征挖掘方法及短期风电功率预测方法 | |
CN111581092B (zh) | 仿真测试数据的生成方法、计算机设备及存储介质 | |
CN109165040B (zh) | 一种基于随机森林模型的代码抄袭嫌疑检测的方法 | |
WO2022121163A1 (zh) | 用户行为倾向识别方法、装置、设备及存储介质 | |
CN112199670A (zh) | 一种基于深度学习改进iforest对行为异常检测的日志监控方法 | |
CN113342640B (zh) | 一种基于决策树的efsm测试用例排序方法 | |
CN102339278B (zh) | 信息处理装置和信息处理方法 | |
CN112115313A (zh) | 正则表达式的生成、数据提取方法、装置、设备及介质 | |
CN115345458A (zh) | 业务流程合规性检查方法、计算机设备以及可读存储介质 | |
CN107194468A (zh) | 面向情报大数据的决策树增量学习方法 | |
CN112257332B (zh) | 一种仿真模型的评估方法及装置 | |
US20240177077A1 (en) | Attribution analysis method, electronic device, and storage medium | |
Bader-El-Den | Self-adaptive heterogeneous random forest | |
CN104376261B (zh) | 一种在取证场景下自动检测恶意进程的方法 | |
CN107832611B (zh) | 一种动静态特征结合的僵尸程序检测与分类方法 | |
CN111428821A (zh) | 一种基于决策树的资产分类方法 | |
Yang et al. | Towards automatic clustering of protein sequences | |
Iglesias et al. | Sequence classification using statistical pattern recognition | |
CN114465875B (zh) | 故障处理方法及装置 | |
CN115859191A (zh) | 故障诊断方法、装置、计算机可读存储介质及计算机设备 | |
CN112069227B (zh) | 一种面向事件序列的因果建模方法及装置 | |
CN112035423B (zh) | 一种基于Petri网挖掘混合多并发结构提高业务流程效率的方法 | |
CN114048796A (zh) | 一种改进型硬盘故障预测方法及装置 |
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 |