CN113505064B

CN113505064B - 一种基于异构信息流的电力大数据业务系统测试方法

Info

Publication number: CN113505064B
Application number: CN202110770786.5A
Authority: CN
Inventors: 王建永; 江疆; 林超
Original assignee: Guangdong Electric Power Information Technology Co Ltd
Current assignee: China Southern Power Grid Digital Enterprise Technology Guangdong Co ltd
Priority date: 2021-07-07
Filing date: 2021-07-07
Publication date: 2022-05-17
Anticipated expiration: 2041-07-07
Also published as: CN113505064A

Abstract

本发明提供一种基于异构信息流的电力大数据业务系统测试方法，步骤1：自动采集电力大数据业务系统中的每个功能点R，并将该功能点分解成一组量化的因子；因子的个数与该功能点所关联的数据要素的个数相应，功能点中每存在一个数据要素，就有一个因子与之对应；步骤2：利用神经网络模型测试得到系统功能点质量的4个维度的输出；步骤3：根据测试输出的四个维度输出，计算功能点的判别值，当判别值达到某一阈值时，则判断该功能点通过测试，当判别值小于某一阈值时，则判断该功能点未通过测试。本发明提供能够快速自动、低成本、准确、能全面比较的面向电力企业门户和信息业务的业务系统测试方法。

Description

一种基于异构信息流的电力大数据业务系统测试方法

技术领域

本发明面向供电、电力行业，特别地，涉及电力大数据业务系统相关功能点测试方法。

背景技术

电力行业是现代社会生产和生活的支柱行业。随着电力行业信息化、数据化水平的不断提高，业务量和业务范围的不断增加，电子化无纸化网络化办公软件的普遍应用，数据信息的共享、业务的办理、数据同步、信息发布等需要统一的软件平台进行集中管理和应用。当前电力企业门户和信息方面涉及业务众多，对软件系统的要求也越来越高。近年来，随着智能电网相关技术的快速发展，电力系统业务更新速度大幅提升，对支持系统软件开发、升级的要求越来越高，这就要求软件系统的功能要跟上时代的脚步。电力企业门户和信息软件系统作为电力企业业务的核心支持系统，在电力企业运营中起着至关重要的作用。一方面，业务变化要求软件研发加快迭代进度，以跟上业务发展的速度；另一方面，作为核心业务系统，电力企业门户和信息软件系统的稳定性、安全性必须得到保障。

软件系统的测试是提高系统软件实现质量，及时修正软件系统缺陷的重要步骤。在电力大数据业务需求快速迭代、系统更新频次不断加速的背景下，特别是近年来随着敏捷开发模式的快速兴起，系统的稳定性和可用性越来越成为业内关注的焦点。系统迭代速度加快不仅要求在需求分析阶段做好设计，在系统设计和开发阶段做好规划，更要求建立一套稳定、灵活、适应性强的测试方法，能够适用于不断迭代演进的电力大数据业务系统，实现在系统频繁更新的现实环境下对更新后系统功能点的测试。

而现有技术中，对于系统测试可以采用人工测试方式，但这种方式费时费力，且对测试人员的水平要求较高，同时也受到主观因素的影响。虽然目前也有使用计算机进行自动化系统测试的方法，但这些方法需要针对每个不同的系统软件进行单独开发和设计，不具有通用性，不能随系统迭代而自动变化，且其测试结果的准确性取决于每次单独开发的测试软件的设计结构，这使得不同测试对象、或不同期的测试结果不具有可比较性。此外，目前自动测试的方法均是针对软件整体进行测试，难以将每个功能点分离出来，独立测试。或者，即使能够分离，由于对于电力大数据系统而言，功能点非常多，这也会导致系统测试时间变长，资源消耗过度。

因此，设计一套能够快速自动、低成本、准确、能全面比较的面向电力企业门户和信息业务的业务系统测试方法势在必行。

发明内容

本申请描述了一种基于异构信息流的电力大数据业务系统测试方法，该方法包括下列步骤：

步骤1：自动采集电力大数据业务系统中的每个功能点R，并将该功能点分解成一组量化的因子；因子的个数与该功能点所关联的数据要素的个数相应，功能点中每存在一个数据要素，就有一个因子与之对应；

步骤2：利用神经网络模型测试得到系统功能点质量的4个维度的输出；

2.1根据大数据因子集合生成功能点质量的大数据特征F_R；

其中F_R表示由业务系统功能点的类型、安全级别、功能质量级别、性能质量级别四个方面的33个数据构成的33维特征数据；其中：

第1-3维特征数据分别为因子中3个不同类型对应的元素的个数；

第4-13维特征数据分别为因子中10个安全级别对应元素的个数；

第14-23维特征数据分别为因子中10个功能质量级别对应元素的个数；

第24-33维特征数据分别为因子中10个性能质量级别对应元素的个数；

2.2以质量大数据特征F_R作为输入，通过神经网络模型，得到业务系统功能点质量4个维度的测试输出，包括：业务系统功能点的完成度、系统资源占用度、成熟度和优先级；

其中，该神经网络模型中的激励函数为：

用于建立非线性模型，参数α的作用是调整函数的收敛速度。作为一组优选值，可以设定α＝0.015。

其中，该神经网络模型中的学习评价判别函数为：

式(7)中，x是模型的输入，y是模型的输出值，

表示样本的真实值，N是样本数量。β为独立的控制变量，作为一组优选值，可取β＝0.925。

步骤3：根据测试输出的四个维度输出，根据下式计算功能点的判别值：

π＝Y3·Y4

式(8)中，Y1表示完成度，Y2表示系统资源占用度，Y3表示成熟度，Y4表示优先级，E表示业务系统功能点质量的判别值；

当判别值达到某一阈值时，则判断该功能点通过测试，当判别值小于某一阈值时，则判断该功能点未通过测试。

因子的数据结构为：

因子F：{

类型(t)：t∈{生成，更新，传递}，

值域(v)：v，

安全级别(sg1)：security_grade∈{1，2，...，10}，

功能质量级别(sg2)：functional_grade∈{1，2，...，10}，

性能质量级别(sg3)：performance_grade∈{1，2，...，10}，

}。

对于因子的类型，自动判别如下：

Def1.1.如果该因子所对应的数据要素的值是在被评价的功能点内部所产生的，而且不依赖于该功能点本身之外的任何功能点，该因子的类型为“生成”。

Def1.2.如果Def1.1的前提不满足，即因子所对应的数据要素的值依赖于被评价功能点之外的功能点，那么如果该数据在当前功能点和其依赖功能点中业务含义一致，那么该因子的类型为“传递”。

Def1.3.如果Def1.1和Def1.2的前提均不满足，那么将因子类型标记为“更新”。

对于因子的值域，自动判别如下：当v＝1时，表示数据要素取值为数值，即数据要素的不同取值可以量化比较的；当v＝-1时，表示数据要素取值为其它，即数据要素的不同取值之间不可量化比较。

对于因子的安全级别，自动判别如下：执行一次系统安全测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_B，那么安全级别取值＝max(1,10-N_B)。即如果缺陷数量少于10个，则系统安全级别等于10减去缺陷的数量，如果缺陷数量大于或等于10个，系统安全级别取值为1。

对于因子的功能质量级别，自动判别如下：执行一次系统功能测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_F，那么功能质量级别取值＝max(1,10-N_F)。即如果缺陷数量少于10个，则系统功能质量级别等于10减去缺陷的数量，如果缺陷数量大于或等于10个，系统功能质量级别取值为1。

对于因子的性能质量级别，自动判别如下：执行一次系统性能测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_P，那么性能质量级别取值＝max(1,10-N_P)。即如果缺陷数量少于10个，则系统性能质量级别等于10减去缺陷的数量，如果缺陷数量大于或等于10个，系统性能质量级别取值为1。

一种由一般客户端、专家客户端和远程平台构成的系统，实施所述方法。

发明点及技术效果

1、建立了一种基于异构信息流因子的业务系统功能点质量大数据特征的生成方法，覆盖了各种业务及各类典型的数据结构，并根据数据结构和数据的属性建立业务系统功能点质量的大数据特征，能够适用于电网大数据的各种业务系统，且能够实现各个业务系统之间的比较。

2、建立了一种业务系统功能点质量大数据特征模式的学习方法，根据业务系统功能点质量测试的要素建立了专门的神经网络测试模型(模型连接结构、激励函数、损失函数等)，能够提高对业务系统功能点质量的大数据特征进行建模测试的准确性。

3、提出了一种电力大数据业务系统功能点质量的测试方法，通过功能点质量大数据特征的测试要素，计算获得电力大数据业务系统功能点质量的测试值。在资源占用较少的前提下，整个测试过程更加全面，能够覆盖所有业务的每个细节。

4、将每个功能点分离出来，并优化其描述因子，能够在最小的资源使用度情况下，全面准确地进行系统测试。

5、与人工评价方法相比，本文提出的方法能够有效评估电力大数据业务系统功能点的实现效果，降低人工评价的成本和工作量，更加适应当代软件开发业务迭代更新频繁、业务功能变动大的现实情况。

6、在客户端中提出了根据不同业务涉密程度对查看、确认、发送等操作进行分步骤身份认证的技术手段，兼顾了身份认证的效率和必要性。

本文所述一种基于异构信息流的电力大数据业务系统功能点质量评价方法，是指通过对电力大数据业务进行分析，建立相关业务数据模式的异构信息流，并通过该信息流建立功能点质量的神经网络机器学习测试模型，实现对电力大数据业务系统功能点质量的客观测试；借助神经网络的自学习能力，本文所述方法能够实现对电力大数据业务系统中已实现功能点的自主测试，节省了软件系统质量控制阶段的资源占用。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1是测试系统示意图。

具体实施方式

系统结构

如图1所示，一种基于异构信息的电力大数据业务系统功能点测试管理系统，包括：一般客户端1、专家客户端2和远程平台3。

其中一般客户端用于采集业务系统功能点质量大数据基本特征，通过自动收集获得相关变量所需要的数据，经过一般用户确认后，并最终计算基本特征相关因子。完成后，将数据、指标直接发送至专家客户端，同时发送至远程平台备份。

专家客户端用于采集业务系统功能点质量大数据专业特征。专家客户端接收一般客户端发送的基本特征的相关数据、指标，自动采集专业特征相关数据，由专家用户确认后，最终计算专业特征相关因子。计算完成后，专家客户端将从一般客户端采集到的数据、指标一起发送至远程平台。

远程平台包括存储模块和管理判别模块。远程平台接收一般客户端和专家客户端发送的信息并在存储模块进行备份。同时将专家客户端发送的信息传送至管理判别模块，管理判别模块利用其中设置的神经网络模型，对信息进行判别，从而输出对应的系统功能点测试结果。

为了保证系统安全，一般客户端、专家客户端均设有身份识别模块。

在一般客户端中，身份识别模块包括密码模块、身份等级判别模块、扫描识别模块。首先使用密码模块输入密码，打开一般客户端，此时用户可以正常查看出现的某一系统测试请求。身份等级判别模块根据测试请求描述中的关键词以及各因子的基本特征，判别该请求的安全级别，并根据不同的安全级别启动不同的扫描识别模块。例如，该请求安全级别低，可以启动指纹扫描模块；该请求安全级别高，可以启动多指纹扫描模块。利用扫描识别模块扫描认证用户身份。认证完毕后将用户提供数据内容发送。

在专家客户端中，身份识别模块包括密码模块、安全等级确认模块、身份等级判别模块、扫描识别模块。首先使用密码模块输入密码，打开专家客户端。此时专家客户端接收一般客户端发送的数据包，并根据数据包中安全等级，由安全等级确认模块启动对应的扫描识别模块识别专家用户指纹进行身份验证，从而保证查看该数据包的专家初步符合安全等级要求。例如，该安全级别低，可以启动指纹识别；该请求安全级别高，可以多指纹识别。当专家针对各因子的专业特征进行确认时，身份等级判别模块实时判断各因子情况，并根据该情况启动不同的扫描识别模块，扫描获得更高安全等级的身份信息，例如可以扫描用户虹膜，进而可以对用户进行更高安全等级的身份认证。认证完毕后将用户提供的数据内容发送。

远程平台无论接收到一般客户端还是专家客户端的数据，首先要对一般客户端和专家客户端中识别的身份信息进行再次核实认证，通过后再进行存储和/或利用神经网络模型进行计算评价。

可以理解，上述客户端-客户端-远程平台的模式并不是必须的，但使用该系统会提高整个测试的效率和安全性，是本发明所优选的。

各装置中的具体操作方法

1、一般客户端中基本特征的数据采集。

一般客户端从独立于本发明所述装置的外部软件测试管理平台自动采集测试基本信息，并根据Def1、Def2的定义(具体参见下述)，对功能点的因子进行评估，经确认后，建立业务系统功能点质量大数据的基本特征。

一般客户端将采集到的数据和评估指标发送至专家客户端，同时发送至远程平台备份。

其中业务系统功能点质量大数据基本特征包括各个因子中的：

类型(t)：t∈{生成，更新，传递},

值域(v)：v,

2、专家客户端中专业特征的数据采集。

专家客户端从独立于本发明所述装置的外部软件测试管理平台自动采集安全测试、功能测试、性能测试相关数据，并根据Def3、Def4、Def5定义(具体参见下述)，对因子进行评估，建立业务系统功能点质量大数据的专业特征。

前述步骤完成后，专家客户端根据从一般客户端接收的基本特征、与专业特征结合，生成功能点的质量大数据因子集合S_F，经确认后，将上述数据形成数据包后直接发送至远程平台。

其中质量大数据专业特征包括各个因子中的：

安全级别(sg1)：security_grade∈{1,2,…,10},

功能质量级别(sg2)：functional_grade∈{1,2,…,10},

性能质量级别(sg3)：performance_grade∈{1,2,…,10},

3、远程平台对功能点涉及的各因子进行神经网络分析判别

3.1根据大数据因子集合S_F生成功能点质量的大数据特征F_R。

3.2以步骤1获得业务系统功能点的质量大数据特征F_R作为输入，通过神经网络模型，得到业务系统功能点质量的测试输出。

业务系统功能点质量评估输出的维度包括：业务系统功能点实现的业务系统功能点的完成度、系统资源占用度、成熟度和优先级，即输出一个四维矩阵。

3.3利用预先设定的测试算法，对上述四维矩阵进行计算，从而得到最终判别值，当判别值达到某一阈值时，则判断该功能点通过测试，当判别值小于某一阈值时，则判断该功能点未通过测试。上述阈值可以根据历史经验数据进行设定。

测试核心算法

以下对整个算法进行概述，可以理解，该算法可以在如上所述的客户端-客户端-远程平台的系统中实现，也可以在同一服务器上实现。

步骤1：一种基于异构信息流的功能点质量大数据特征的生成方法，是指根据业务系统实现后，针对该系统实现过程中的开发、测试阶段采集到的各类大规模数据来源，运用一定的统计分析方法，针对要测试的功能点建立与其相关的大数据特征。

步骤1.1一种大数据特征的因子表达方法。

本发明所对应的电力企业门户和信息业务软件系统的特点是，在系统实现过程中会产生大规模的数据，这些数据具备一定的模式和特点，称为大数据特征。前述大数据特征与软件系统的质量密切相关，因此可以通过挖掘这些大数据特征来实现对业务系统实现后、每个功能点实现质量的测试。本文所述的一种大数据特征的因子表达方法，是指将与系统功能点质量相关的大数据特征分解为若干因子，以达到对大数据特征的定义和描述作用，并在后续方法步骤中继续完成对大数据特征的生成和学习。

大数据特征的因子是构成大数据特征的基本要素，因子通过一定的数据结构组成大数据特征。将业务系统给定版本的每个功能点R用一组对应的大数据特征表示，它涉及一组量化因子，可能是一个或多个，量化因子的个数与该功能点所关联的数据要素的个数有关。数据要素是指具备且仅具备独立业务含义的数据，比如“用户账号”就具备独立的业务含义，因此是一个数据要素；而“用户个人信息”可能包含账号、姓名、年龄等多类具备业务含义的数据，因此不能称为一个数据要素。功能点中每存在一个数据要素，就有一个因子与之对应。定义因子的结构如下：

因子F:{

类型(t)：t∈{生成，更新，传递},

值域(v)：v,

安全级别(sg1)：security_grade∈{1,2,…,10},

功能质量级别(sg2)：functional_grade∈{1,2,…,10},

性能质量级别(sg3)：performance_grade∈{1,2,…,10},

}。

Def1.因子的类型，属于集合{生成，更新，传递}中的某一个元素，每一种类型代表了信息的一种特殊数据结构，故称为“异构信息”。其每个元素的含义如下：

Def1.1.如果该因子所对应的数据要素的值是在被评价的功能点内部所产生的，而且不依赖于该功能点本身之外的任何功能点，该因子的类型为“生成”。比如需要评估“新建用户”这个功能点，用户账号这个数据要素是在开户过程中用户输入的，并不依赖于其它功能点，所以其类型是“生成”。

Def1.2.如果Def1.1的前提不满足，即因子所对应的数据要素的值依赖于被评价功能点之外的功能点，那么如果该数据在当前功能点和其依赖功能点中业务含义一致，那么该因子的类型为“传递”。比如需要评估“用户查询”这个功能点，所输入的数据要素“用户账号”是在“新建用户”这个功能点中生成的，也就是说依赖于外部功能点，“用户账号”这类数据的含义在两个功能点中是一致的，因此其类型是“传递”。

Def2.因子的值域，是指因子对应数据要素的取值范围的标记。当v＝1时，表示数据要素取值为数值，即数据要素的不同取值可以量化比较的；比如“用户用电量”；当v＝-1时，表示数据要素取值为其它，即数据要素的不同取值之间不可量化比较，比如“用户账号”。

Def3.因子的安全级别，是指执行一次系统安全测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_B，那么安全级别取值＝max(1, 10-N_B)。即如果缺陷数量少于10个，则系统安全级别等于10减去缺陷的数量，如果缺陷数量大于或等于10个，系统安全级别取值为1。

Def4.因子的功能质量级别，是指执行一次系统功能测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_F，那么功能质量级别取值＝max(1,10-N_F)。即如果缺陷数量少于10个，则系统功能质量级别等于10 减去缺陷的数量，如果缺陷数量大于或等于10个，系统功能质量级别取值为1。

Def5.因子的性能质量级别，是指执行一次系统性能测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_P，那么性能质量级别取值＝max(1,10-N_P)。即如果缺陷数量少于10个，则系统性能质量级别等于10 减去缺陷的数量，如果缺陷数量大于或等于10个，系统性能质量级别取值为1。

对于被评价功能点R，与功能点相关的所有因子的集合，定义为该功能点的质量大数据因子集合S_F。

步骤1.2生成业务系统功能点质量的大数据特征F_R。

对于某个功能点R，对应的质量大数据因子集合S_F，定义：

运算‖S_F‖_a，表示因子集合S_F中，其类型为“生成”的元素的个数。

运算‖S_F‖_b，表示因子集合S_F中，其类型为“传递”的元素的个数。

运算‖S_F‖_c，表示因子集合S_F中，其类型为“更新”的元素的个数。

运算‖S_F‖_1-1，表示因子集合S_F中，其安全级别为1的元素的个数。

运算‖S_F‖_1-2，表示因子集合S_F中，其安全级别为2的元素的个数。

……

运算‖S_F‖_1-10，表示因子集合S_F中，其安全级别为10的元素的个数。

运算‖S_F‖_2-1，表示因子集合S_F中，其功能质量级别为1的元素的个数。

运算‖S_F‖_2-2，表示因子集合S_F中，其功能质量级别为2的元素的个数。

……

运算‖S_F‖_2-10，表示因子集合S_F中，其功能质量级别为10的元素的个数。

运算‖S_F‖_3-1，表示因子集合S_F中，其性能质量级别为1的元素的个数。

运算‖S_F‖_3-2，表示因子集合S_F中，其性能质量级别为2的元素的个数。

……

运算‖S_F‖_3-10，表示因子集合S_F中，其性能质量级别为10的元素的个数。

F_R＝[‖S_F‖_a,‖S_F‖_b,‖S_F‖_c,

‖S_F‖_1-1,…,‖S_F‖_1-10,‖S_F‖_2-1,…,‖S_F‖_2-10,‖S_F‖_3-1,…,‖S_F‖_3-10]

＝[x₁,x₂,…,x₃₃]…(1)

为业务系统功能点R的质量大数据特征(33维)。

步骤2：一种功能点质量的大数据特征模式的学习方法，以步骤1获得业务系统功能点的大数据特征F_R作为输入。该特征反映了业务系统功能点的模式，需要对该模式进行学习，以测试功能点的实现质量。功能点质量测试输出的维度包括：业务系统功能点的完成度、系统资源占用度、成熟度和优先级。

功能点的完成度(Y1)，是指业务系统功能点实现后，对应于该功能点的通过测试的测试案例数与总测试案例数的比值，其值在[0,1]之间。

功能点的系统资源占用度(Y2)，表示实现业务系统功能点所耗费的资源与系统单功能点平均实现所需资源的比较结果，当功能点成本小于平均所需资源时，该项值设为0，反之设为1。

功能点的成熟度(Y3)，指功能点是否首次出现在被评估系统当前版本；成熟度等于0，表示该功能点并非首次出现在被评估系统的当前版本中，成熟度等于 1，表示功能点首次出现于被评估系统的当前版本。

功能点的实现优先级(Y4)，表示功能点是否需要优先实现，优先级等于0，表示不需优先实现，优先级等于1，表示需要优先实现。

基于前述定义，建立业务系统功能点质量大数据特征模式的学习网络。

定义：

式子(2)中，

表示模型第一层的第i个节点，i是上标作为顺序的标记；x_i表示模型输入层(即大数据特征F_R)的第i个元素，相应的，x_i+p表示大数据特征F_R的第i+p个元素；

中表示与第一层节点

相连接的、与x_i+p相对应的第p个权重， p是上标作为顺序的标记；可见p是一维窗口卷积模型的窗口的控制参数，b₀表示线性偏移。定义p∈{0，1，2}。σ(x)表示激励函数，其定义在后面详述。

定义：

式子(3)中，与上式相似，

表示模型第二层的第i个节点，

中表示与第二层节点

相连接的、与

相对应的第p个权重，p在此处同样作为窗口的控制参数，定义p∈{0，1，2}，b₁表示线性偏移。σ(x)的定义同(2)。

定义：

式子(4)中，

表示模型第三层的第i个节点，

表示在以节点

为基准，窗口大小为p的所有节点的值中取最小值，相应的，

表示在以节点

为基准，窗口大小为p的所有节点的值中取最大值；

表示节点

为基准，窗口大小为p的所有节点的值之和。因此，上述

表示以节点

为基准，窗口大小为p范围内去掉最小值和最大值后的均值。作为一种去除极值干扰的方法，式(4)所表述的方法有助于大幅降低样本数据中由于噪声引起的极端偏离值对方法鲁棒性的影响，提高方法的性能。定义p∈{0，1，2，3}。

定义：

式子(5)中，j＝{1，2，3，4}，y_j分别表示业务系统功能点的完成度、系统资源占用度、成熟度和优先级。

表示式子(4)的输出值，

表示第三层节点

与输出层节点y_j相对应的权重，b₃是线性偏移。

根据式(2)-(5)，可以得到y_j与F_R的关系模型。进一步的，定义：

σ(x)称为激励函数，用于使模型非线性化，参数α的作用是调整函数的收敛速度。作为一组优选值，可以设定α＝0.015。

采用现有技术中常见的方法对前述模型进行学习，可以得到业务系统功能点质量大数据特征模型。特别的，定义模型学习评价判别函数为：

式(7)中，x是模型的输入，y是模型的输出值，

表示样本的真实值，N是样本数量。β为独立的控制变量，作为一组优选值，可取β＝0.925，准确度最高。

步骤3：一种电力大数据业务系统功能点质量的判别方法，根据步骤2学习获得的业务系统功能点质量大数据特征模型M，对新的电力大数据业务系统功能点质量进行判别。

给定一个功能点R’，可根据M计算得到功能点的完成度、系统资源占用度、成熟度和优先级的测试值。根据下式计算功能点的判别值：

π＝Y3·Y4

式(8)中，Y1表示完成度，Y2表示系统资源占用度，Y3表示成熟度，Y4 表示优先级。E表示业务系统功能点质量的判别值。

得到判别值后，与阈值进行比较，从而确定该功能点的质量情况。在多个功能点质量均被判别的情况下，该系统的完整测试即可结束，能够获得整个系统的测试结果。

优选的，可以在不同时刻对同一系统进行同样测试，如此可以获得同一系统各个功能点不同时刻的判别值情况，由此可以进行不同时刻测试结果的比较。例如在系统更新后判别系统更新效果时可以用，供软件更新决策之用。当然，有时候并不是整个系统更新，而只是对系统某些部分更新。此时对比同一系统各个功能点不同时刻的判别值情况，也可以判别系统部分更新的效果。

优选的，可以在同一时刻对不同系统进行同样测试，如此可以获得不同系统各个功能点的判别值情况，由此可以进行不同系统测试结果的比较。例如在判别两个系统优劣时可以使用，供软件系统上线决策之用。

以上两点也是本发明优选的应用方法，能够使得该方法的应用场景和用途更加广泛，特别是针对系统具有更准确、完整的测试，因此也是发明点之一。

根据实验，采用本发明的方法，测试可行性比人工法提高12％，比一般自动测试方法提高4％；测试准确性比人工法提高21％，比一般自动测试方法提高9％；资源占用率比人工法少10倍，比一般自动测试法少2倍。

本领域技术人员可以理解，以上实施例不作为对本发明保护范围的限定，对于本领域技术人员可以想到和预见的变形也是在本发明保护范围之列。

Claims

1.一种基于异构信息流的电力大数据业务系统测试方法，其特征在于：

2.1根据大数据因子集合生成功能点质量的大数据特征F_R；

其中，该神经网络模型中的激励函数为：

用于建立非线性模型，参数α的作用是调整函数的收敛速度，作为一组优选值，可以设定α＝0.015；

其中，该神经网络模型中的学习评价判别函数为：

式(7)中，x是模型的输入，y是模型的输出值，

表示样本的真实值，N是样本数量， β为独立的控制变量，作为一组优选值，可取β＝0.925；

2.如权利要求1所述的方法，其特征在于：因子的数据结构为：

因子F:{

类型(t)：t∈{生成，更新，传递},

值域(v)：v,

安全级别(sg1)：security_grade∈{1,2,…,10},

功能质量级别(sg2)：functional_grade∈{1,2,…,10},

性能质量级别(sg3)：performance_grade∈{1,2,…,10},

}。

3.如权利要求2所述的方法，其特征在于：对于因子的类型，自动判别如下：

Def1.1.如果该因子所对应的数据要素的值是在被评价的功能点内部所产生的，而且不依赖于该功能点本身之外的任何功能点，该因子的类型为“生成”；

Def1.2.如果Def1.1的前提不满足，即因子所对应的数据要素的值依赖于被评价功能点之外的功能点，那么如果该数据在当前功能点和其依赖功能点中业务含义一致，那么该因子的类型为“传递”；

4.如权利要求2所述的方法，其特征在于：对于因子的值域，自动判别如下：当v＝1时，表示数据要素取值为数值，即数据要素的不同取值可以量化比较的；当v＝-1时，表示数据要素取值为其它，即数据要素的不同取值之间不可量化比较。

5.如权利要求2所述的方法，其特征在于：对于因子的安全级别，自动判别如下：执行一次系统安全测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_B，那么安全级别取值＝max(1,10-N_B)，即如果缺陷数量少于10个，则系统安全级别等于10减去缺陷的数量，如果缺陷数量大于或等于10个，系统安全级别取值为1。

6.如权利要求2所述的方法，其特征在于：对于因子的功能质量级别，自动判别如下：执行一次系统功能测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_F，那么功能质量级别取值＝max(1,10-N_F)，即如果缺陷数量少于10个，则系统功能质量级别等于10减去缺陷的数量，如果缺陷数量大于或等于10个，系统功能质量级别取值为1。

7.如权利要求2所述的方法，其特征在于：对于因子的性能质量级别，自动判别如下：执行一次系统性能测试时，发现的缺陷中存在与该因子相关联的缺陷的数量，假设缺陷的数量为N_P，那么性能质量级别取值＝max(1,10-N_P)，即如果缺陷数量少于10个，则系统性能质量级别等于10减去缺陷的数量，如果缺陷数量大于或等于10个，系统性能质量级别取值为1。

8.一种由一般客户端、专家客户端和远程平台构成的系统，其特征在于：实施如权利要求1-7所述的方法。