CN113485910A - 一种测试风险预警方法、系统、设备及存储介质 - Google Patents
一种测试风险预警方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113485910A CN113485910A CN202110634164.XA CN202110634164A CN113485910A CN 113485910 A CN113485910 A CN 113485910A CN 202110634164 A CN202110634164 A CN 202110634164A CN 113485910 A CN113485910 A CN 113485910A
- Authority
- CN
- China
- Prior art keywords
- data
- test
- risk
- early warning
- information
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000007477 logistic regression Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization 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
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
本发明公开了一种测试风险预警方法、系统、设备及存储介质，涉及计算机技术领域。所述方法包括：获取原始测试数据；对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标；对所述原始测试数据结合所述数据指标进行数据预处理，得到预处理数据；其中，所述数据预处理包括数据清洗和数据降维；对所述预处理数据进行特征处理，得到特征数据；利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果。本发明基于逻辑回归算法建立的测试模型，综合考察原始测试数据的多项信息，能够提高测试风险的识别速率和准确率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种测试风险预警方法、系统、设备及存储介质。
背景技术
现有的软件测试中，一般将测试风险分成不同类型的风险，如问题阻塞风险、质量风险、进度风险、测试能力风险等。对于每种不同的测试风险类型，收集任务数据形成单一指标值，并预设相应的风险阈值，将指标值与预设的风险值进行比对，识别其中不符合相应规则的风险类型，生成风险报告。
但是现有的测试方式，具有以下缺点：(1)主观性较强，对于每一种测试风险都需先预设一个阈值，阈值的设定依赖于主观经验，难以保证测试风险的标准具有一致性。(2)误判率较高，对于每一种测试风险都做单一指标的比对，而测试风险往往应该综合多种因素进行判断，单一指标超出阈值并不能很好地说明测试风险的存在，容易存在误报风险的情况。(3)人工边际成本递增，随着需要识别的测试风险种类的增加，不仅需要依赖主观经验设定各种阈值，而且由于存在误判的问题，相关人员需要去确认更多误判的风险，增加人工成本。
发明内容
本发明目的在于，提供一种测试风险预警方法、系统、设备及存储介质，以提高测试风险的识别速率和准确率。
为实现上述目的，本发明实施例提供一种测试风险预警方法，包括：
获取原始测试数据；其中，所述原始测试数据包括缺陷信息、测试进度信息、测试人员信息和风险信息；
对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标；其中，所述数据指标包括数据的均值、方差、缺失值、异常值、最大值和最小值；
对所述原始测试数据结合所述数据指标进行数据预处理，得到预处理数据；其中，所述数据预处理包括数据清洗和数据降维；
对所述预处理数据进行特征处理，得到特征数据；其中，所述特征处理包括构造新特征、变量分箱、WOE编码和特征选择；
利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果。
优选地，所述测试风险预警方法，还包括：
根据预设指令，调度所述测试风险预警方法的启动。
优选地，所述测试风险预警方法，还包括：
分析所述风险预测结果，得到风险信息，并根据所述风险信息触发预设的报警信号。
优选地，所述测试风险预警方法，还包括：
根据所述特征数据和所述风险预测结果，分析所述测试模型的准确率，并调整所述测试模型的分类阈值。
本发明实施例还提供一种测试风险预警系统，包括：
数据采集模块，用于获取原始测试数据；其中，所述原始测试数据包括缺陷信息、测试进度信息、测试人员信息和风险信息；
数据探索模块，用于对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标；其中，所述数据指标包括数据的均值、方差、缺失值、异常值、最大值和最小值；
预处理模块，用于对所述原始测试数据结合所述数据指标进行数据预处理，得到预处理数据；其中，所述数据预处理包括数据清洗和数据降维；
特征处理模块，用于对所述预处理数据进行特征处理，得到特征数据；其中，所述特征处理包括构造新特征、变量分箱、WOE编码和特征选择；
分析模块，用于利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果。
优选地，所述测试风险预警系统，还包括：
调度模块，用于根据预设指令，调度所述测试风险预警方法的启动。
优选地，所述测试风险预警系统，还包括：
报警模块，用于分析所述风险预测结果，得到风险信息，并根据所述风险信息触发预设的报警信号。
优选地，所述测试风险预警系统，还包括：
模型调整模块，用于根据所述特征数据和所述风险预测结果，分析所述测试模型的准确率，并调整所述测试模型的分类阈值。
本发明实施例还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的测试风险预警方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一实施例所述的测试风险预警方法。
与现有技术相比，本发明具有以下有益效果：
本发明提供的一种测试风险预警方法，包括：获取原始测试数据；其中，所述原始测试数据包括缺陷信息、测试进度信息、测试人员信息和风险信息；对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标；其中，所述数据指标包括数据的均值、方差、缺失值、异常值、最大值和最小值；对所述原始测试数据结合所述数据指标进行数据预处理，得到预处理数据；其中，所述数据预处理包括数据清洗和数据降维；对所述预处理数据进行特征处理，得到特征数据；其中，所述特征处理包括构造新特征、变量分箱、WOE编码和特征选择；利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果。基于逻辑回归算法建立的测试模型，综合考察原始测试数据的多项信息，能够提高测试风险的识别速率和准确率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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是本发明某一实施例提供的测试风险预警方法的流程示意图；
图2是本发明某一实施例提供的测试风险预警系统的结构示意图；
图3是本发明某一实施例提供的计算机终端设备的结构示意图。
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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明某一实施例提高的测试风险预警方法的流程示意图。本实施例提供的测试风险预警方法包括以下步骤：
S110，获取原始测试数据；其中，所述原始测试数据包括缺陷信息、测试进度信息、测试人员信息和风险信息。
在本发明实施例中，原始测试数据的获取来源包括被测试软件的数据库和日志等。
S120，对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标；其中，所述数据指标包括数据的均值、方差、缺失值、异常值、最大值和最小值。
S130，对所述原始测试数据结合所述数据指标进行数据预处理，得到预处理数据；其中，所述数据预处理包括数据清洗和数据降维。
在本发明实施例中，原始测试数据一般具有杂乱性、重复性和不完整性。其中，杂乱性是因为原始测试数据从多个不同的来源获取，系统格式存在差异，导致数据缺乏统一标准和定义，数据结构有较大的差异；重复性是由于业务的交叉和重叠，几乎所有系统中都存在数据的重复和信息的冗余现象；不完整性即大量的模糊信息，某些数据设置的随机性等导致数据的缺失。正是由于原始测试数据的杂乱性、重复性和不完整性，所以需要对数据进行清洗。数据降维，是将数据从高维特征空间向低纬特征空间映射的过程，其直观地好处是维度降低了，便于计算和可视化，其更深层次的意义在于有效信息的提取综合及无用信息的摈弃。由于数据的多重共线性，特征属性之间存在着相互关联关系，多重共线性会导致解的空间不稳定，会导致模型的泛化能力弱；高纬空间样本具有稀疏性，导致模型比较难找到数据特征；过多的变量会妨碍模型查找规律；仅仅考虑单个变量对于目标属性的影响可能忽略变量之间的潜在关系。此外，也存在特征矩阵过大，导致计算量比较大，训练时间长的问题，数据降维可以方便数据可视化、数据分析、数据压缩和数据提取等。
S140，对所述预处理数据进行特征处理，得到特征数据；其中，所述特征处理包括构造新特征、变量分箱、WOE(Weight of Evidence)编码和特征选择。
在本发明实施例中，变量分箱是指将连续变量进行离散化，能够增强模型的鲁棒性，提高模型的泛化能力。WOE编码是指将分箱后的值用WOE编码来进行替换，WOE编码的好处是能够将所有的特征都划分到统一的维度。特征选择主要是使用IV(InformationValue)值进行筛选。
S150，利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果。
在本发明实施例中，本系统采用逻辑回归算法来进行建模，基于以下理由：逻辑回归算法可解释性强，易于理解；逻辑回归算法简单，鲁棒性强，模型更稳健。
在本发明某一实施例中，测试风险预警方法还包括：根据预设指令，调度所述测试风险预警方法的启动。
在某一实施例中，预设指令的功能为定时启动任务，包括采集原始测试数据的任务、加工原始数据的任务、预测测试风险的任务、推送风险的任务等。其中，采集原始测试数据的任务，包括获取原始测试数据；加工原始数据的任务，包括对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标，以及对所述原始测试数据结合所述数据指标进行数据预处理；预测测试风险的任务，包括利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果；推送风险的任务，包括分析所述风险预测结果，得到风险信息，并根据所述风险信息触发预设的报警信号。
在本发明某一实施例中，测试风险预警方法还包括：分析所述风险预测结果，得到风险信息，并根据所述风险信息触发预设的报警信号。
在某一实施例中，触发预设的报警信号，根据风险信息的不同，通过邮件、短信或者电子语音信号，通知对应的负责人。
在本发明某一实施例中，测试风险预警方法还包括：根据所述特征数据和所述风险预测结果，分析所述测试模型的准确率，并调整所述测试模型的分类阈值。
请参阅图2，图2是本发明某一实施例提供的测试风险预警系统的结构示意图。在本实施例中，测试风险预警系统，包括：
数据采集模块210，用于获取原始测试数据；其中，所述原始测试数据包括缺陷信息、测试进度信息、测试人员信息和风险信息；
数据探索模块220，用于对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标；其中，所述数据指标包括数据的均值、方差、缺失值、异常值、最大值和最小值；
预处理模块230，用于对所述原始测试数据结合所述数据指标进行数据预处理，得到预处理数据；其中，所述数据预处理包括数据清洗和数据降维；
特征处理模块240，用于对所述预处理数据进行特征处理，得到特征数据；其中，所述特征处理包括构造新特征、变量分箱、WOE编码和特征选择；
分析模块250，用于利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果。
在本发明某一实施例中，测试风险预警系统还包括：调度模块，用于根据预设指令，调度所述测试风险预警方法的启动。
在本发明某一实施例中，测试风险预警系统还包括：报警模块，用于分析所述风险预测结果，得到风险信息，并根据所述风险信息触发预设的报警信号。
在本发明某一实施例中，测试风险预警系统还包括：模型调整模块，用于根据所述特征数据和所述风险预测结果，分析所述测试模型的准确率，并调整所述测试模型的分类阈值。
关于测试风险预警系统的具体限定可以参见上文中对于测试风险预警方法的限定，在此不再赘述。上述测试风险预警系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参阅图3，本发明实施例提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的测试风险预警方法。
处理器用于控制该计算机终端设备的整体操作，以完成上述的测试风险预警方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的测试风险预警方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的测试风险预警方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的测试风险预警方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种测试风险预警方法，其特征在于，包括：
获取原始测试数据；其中，所述原始测试数据包括缺陷信息、测试进度信息、测试人员信息和风险信息；
对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标；其中，所述数据指标包括数据的均值、方差、缺失值、异常值、最大值和最小值；
对所述原始测试数据结合所述数据指标进行数据预处理，得到预处理数据；其中，所述数据预处理包括数据清洗和数据降维；
对所述预处理数据进行特征处理，得到特征数据；其中，所述特征处理包括构造新特征、变量分箱、WOE编码和特征选择；
利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果。
2.根据权利要求1所述的测试风险预警方法，其特征在于，还包括：
根据预设指令，调度所述测试风险预警方法的启动。
3.根据权利要求1所述的测试风险预警方法，其特征在于，还包括：
分析所述风险预测结果，得到风险信息，并根据所述风险信息触发预设的报警信号。
4.根据权利要求1所述的测试风险预警方法，其特征在于，还包括：
根据所述特征数据和所述风险预测结果，分析所述测试模型的准确率，并调整所述测试模型的分类阈值。
5.一种测试风险预警系统，其特征在于，包括：
数据采集模块，用于获取原始测试数据；其中，所述原始测试数据包括缺陷信息、测试进度信息、测试人员信息和风险信息；
数据探索模块，用于对所述原始测试数据进行数据探索，获取所述原始测试数据的数据指标；其中，所述数据指标包括数据的均值、方差、缺失值、异常值、最大值和最小值；
预处理模块，用于对所述原始测试数据结合所述数据指标进行数据预处理，得到预处理数据；其中，所述数据预处理包括数据清洗和数据降维；
特征处理模块，用于对所述预处理数据进行特征处理，得到特征数据；其中，所述特征处理包括构造新特征、变量分箱、WOE编码和特征选择；
分析模块，用于利用逻辑回归算法建立测试模型对所述特征数据进行分类处理，得到风险预测结果。
6.根据权利要求5所述的测试风险预警系统，其特征在于，还包括：
调度模块，用于根据预设指令，调度所述测试风险预警方法的启动。
7.根据权利要求5所述的测试风险预警系统，其特征在于，还包括：
报警模块，用于分析所述风险预测结果，得到风险信息，并根据所述风险信息触发预设的报警信号。
8.根据权利要求5所述的测试风险预警系统，其特征在于，还包括：
模型调整模块，用于根据所述特征数据和所述风险预测结果，分析所述测试模型的准确率，并调整所述测试模型的分类阈值。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的测试风险预警方法。
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，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的测试风险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110634164.XA CN113485910A (zh) | 2021-06-07 | 2021-06-07 | 一种测试风险预警方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110634164.XA CN113485910A (zh) | 2021-06-07 | 2021-06-07 | 一种测试风险预警方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113485910A true CN113485910A (zh) | 2021-10-08 |
Family
ID=77934516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110634164.XA Pending CN113485910A (zh) | 2021-06-07 | 2021-06-07 | 一种测试风险预警方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113485910A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364106A (zh) * | 2018-02-27 | 2018-08-03 | 平安科技（深圳）有限公司 | 一种报销单风险预测方法、装置、终端设备及存储介质 |
| WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技（深圳）有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
| CN111159043A (zh) * | 2019-12-31 | 2020-05-15 | 中国银行股份有限公司 | 一种测试风险的自动识别方法及系统 |
| CN111178675A (zh) * | 2019-12-05 | 2020-05-19 | 佰聆数据股份有限公司 | 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备 |
| CN111626523A (zh) * | 2020-06-03 | 2020-09-04 | 中国银行股份有限公司 | 一种测试风险预警方法及系统 |
-
2021
- 2021-06-07 CN CN202110634164.XA patent/CN113485910A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364106A (zh) * | 2018-02-27 | 2018-08-03 | 平安科技（深圳）有限公司 | 一种报销单风险预测方法、装置、终端设备及存储介质 |
| WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技（深圳）有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
| CN111178675A (zh) * | 2019-12-05 | 2020-05-19 | 佰聆数据股份有限公司 | 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备 |
| CN111159043A (zh) * | 2019-12-31 | 2020-05-15 | 中国银行股份有限公司 | 一种测试风险的自动识别方法及系统 |
| CN111626523A (zh) * | 2020-06-03 | 2020-09-04 | 中国银行股份有限公司 | 一种测试风险预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9921937B2 (en) | Behavior clustering analysis and alerting system for computer applications | |
| CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
| US10373065B2 (en) | Generating database cluster health alerts using machine learning | |
| CN110262939B (zh) | 算法模型运行监控方法、装置、计算机设备和存储介质 | |
| US20150205691A1 (en) | Event prediction using historical time series observations of a computer application | |
| CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN112579728B (zh) | 基于海量数据全文检索的行为异常识别方法及装置 | |
| US10452458B2 (en) | Computer performance prediction using search technologies | |
| US9870294B2 (en) | Visualization of behavior clustering of computer applications | |
| CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
| CN112231181B (zh) | 数据异常更新检测方法、装置、计算机设备及存储介质 | |
| Jiang et al. | Efficient fault detection and diagnosis in complex software systems with information-theoretic monitoring | |
| CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
| CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| US20200104233A1 (en) | System operational analytics using normalized likelihood scores | |
| WO2014199177A1 (en) | Early warning and prevention system | |
| CN116010220A (zh) | 一种告警诊断方法、装置、设备及存储介质 | |
| CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
| CN113011897A (zh) | 供应商质量评价预警方法、装置及电子设备 | |
| CN111078500A (zh) | 运行配置参数的调整方法、装置、计算机设备和存储介质 | |
| CN114443437A (zh) | 告警根因输出方法、装置、设备、介质和程序产品 | |
| CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
| CN113485910A (zh) | 一种测试风险预警方法、系统、设备及存储介质 | |
| CN107357703B (zh) | 一种终端应用耗电检测方法及服务器 | |
| CN115858291A (zh) | 一种系统指标的检测方法、装置、电子设备及其存储介质 |
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 |