CN115598455A - 一种电子信息装备自动测试系统及测试方法 - Google Patents

Abstract

本公开涉及一种电子信息装备自动测试系统及测试方法，属于装备测试领域，该方法包括：向所述电子信息装备发送配置信息以及测试指令，所述配置信息用于所述电子信息装备进行与所述测试指令对应的环境参数配置；获取所述电子信息装备响应于所述测试指令的初始运行数据；对所述初始运行数据进行编码，并确定目标运行数据；将所述目标运行数据输入预先训练得到的运行数据验证模型，得到验证结果；基于所述验证结果，确定所述电子信息装备是否通过测试。能够有效地实现电子信息装备多方面的自动化测试，提高了测试效率。

Description

一种电子信息装备自动测试系统及测试方法

技术领域

本公开涉及装备测试领域，具体地，涉及一种电子信息装备自动测试系统及测试方法。

背景技术

电子信息装备是以电子信息技术为主要特征的各类信息系统、设备、设施、仪器、器材、软件等的总称。电子信息装备的主要作用对象是信息，主要行动包括信息的获取、传输、处理、利用和攻击等。

为了使得电子信息装备能够可靠有效地运行，对其进行测试是必要的步骤，然而，在相关技术中，电子信息装备的需要测试的性能特性多种多样，对于不同类型的性能特性的测试，则需要对应领域的工程师对其进行测试，导致存在测试过程复杂、人力成本较高等问题。

发明内容

本公开的目的在于提供一种电子信息装备自动测试系统及测试方法。

根据本公开的第一方面，提供一种电子信息装备自动测试系统，所述测试系统包括服务器，以及与所述服务器通信连接的至少一个电子信息装备，所述服务器用于：

向所述电子信息装备发送配置信息以及测试指令，所述配置信息用于所述电子信息装备进行与所述测试指令对应的环境参数配置；

获取所述电子信息装备响应于所述测试指令的初始运行数据；

对所述初始运行数据进行编码，并确定目标运行数据；

将所述目标运行数据输入预先训练得到的运行数据验证模型，得到验证结果；

基于所述验证结果，确定所述电子信息装备是否通过测试。

根据本公开的第二方面，提供一种电子信息装备自动测试方法，所述测试方法包括：

向所述电子信息装备发送配置信息以及测试指令，所述配置信息用于所述电子信息装备进行与所述测试指令对应的环境参数配置；

获取所述电子信息装备响应于所述测试指令的初始运行数据；

对所述初始运行数据进行编码，并确定目标运行数据；

将所述目标运行数据输入预先训练得到的运行数据验证模型，得到验证结果；

基于所述验证结果，确定所述电子信息装备是否通过测试。

通过上述技术方案，通过服务器向电子信息装备发送配置信息以及测试指令，进而使得电子信息装备进行与测试指令对应的环境参数配置，并接受电子信息装备响应于配置信息以及测试指令发送的运行数据，进而对该运行数据进行编码并验证，并根据验证结果确定电子信息装备是否通过测试，能够有效地实现电子信息装备多方面的自动化测试，提高了测试效率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一示例性实施例示出的一种电子信息装备自动测试方法的流程图。

图2是根据一示例性实施例示出的一种电子信息装备自动测试系统的示意图。

图3是根据一示例性实施例示出的一种电子设备的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面结合附图，对本发明的具体实施方式进行详细说明。

图1是根据一示例性实施例示出的一种电子信息装备自动测试方法的流程图，该测试方法可以应用于电子信息装备自动测试系统，具体地，可以应用于电子信息装备自动测试系统中的服务器。该电子信息装备自动测试系统包括服务器，以及与服务器通信连接的至少一个电子信息装备。该服务器能够向电子信息装备发送控制指令，并接收该电子信息装备的运行数据，并基于该电子信息装备的运行数据对该电子信息装备的多方面性能特性进行测试验证，进而实现电子信息装备的自动化测试，如图1所示，该测试方法包括：

S101、向电子信息装备发送配置信息以及测试指令，配置信息用于电子信息装备进行与测试指令对应的环境参数配置。

可以理解的是，在与服务器通信连接的电子信息装备存在多个的情况下，可以是向其中任意一个电子信息装备发送该配置信息以及测试指令。

其中，不同的配置信息以及测试指令可以用于指示电子信息装备的不同的运行参数，使得该电子信息装备可以运行于不同的环境参数下，进而实现不同性能参数的测试，例如，可以在对该电子信息装备的信号特性进行测试时，则可以发送第一配置信息以及第一测试指令，在对该电子信息装备的功耗参数进行测试时，则可以发送第二配置信息以及第二测试指令，等等。

S102、获取电子信息装备响应于测试指令的初始运行数据。

其中，初始运行数据可以是多种形式的原始数据，例如原始的信号量化数据，或者运行时的元件开关状态信息等等，本公开对该数据的形式及内容不做具体限定，例如可以包括但不限于电子信息装备运行所生成的幅频特性数据、相频特性数据、功率参数数据、脉冲特性数据等等。

S103、对初始运行数据进行编码，并确定目标运行数据。

其中，在步骤S103中，可以是通过预先训练得到的数据编码模型实现的，具体的实现方式在下述的可能的实施例中将详细描述，此处不做赘述。

S104、将目标运行数据输入预先训练得到的运行数据验证模型，得到验证结果。

S105、基于验证结果，确定电子信息装备是否通过测试。

在一示例中，验证结果可以用于表征目标运行数据中存在异常的运行数据，进而使得服务器能够基于该验证结果确定是否满足预设的测试指标，例如，异常数据行的数量大于预设数量，进而确定电子信息装备是否通过测试。

在本公开实施例中，通过服务器向电子信息装备发送配置信息以及测试指令，进而使得电子信息装备进行与测试指令对应的环境参数配置，并接受电子信息装备响应于配置信息以及测试指令发送的运行数据，进而对该运行数据进行编码并验证，并根据验证结果确定电子信息装备是否通过测试，能够有效地实现电子信息装备多方面的自动化测试，提高了测试效率。

为了使得更加准确的对初始运行数据进行编码，在一些可选地实施例中，该方法可包括：

1)获取初始运行数据的原始编码信息。

2)将原始编码信息处理为多个分箱编码块，每一个分箱编码块用于表征初始运行数据的一个数据编码。

该原始编码信息用于表征初始运行数据的多个数据编码，可以理解的是，该原始编码信息所表征的初始运行数据的多个数据编码可以是该初始运行数据的全部数据编码，其中，服务器可在获取到初始运行数据后，将该初始运行数据输入到数据编码模型中，从而从该数据编码模型中获取该初始运行数据的原始编码信息，在具体实现中，服务器可在将初始运行数据输入到数据编码模型后，利用该数据编码模型的数据解析模块对该初始运行数据进行数据解析，从而将数据解析模块的输出作为该初始运行数据的原始编码信息，其中，数据解析模块的输出为编码特征向量(或分箱编码块)，所以，服务器获取得到的该初始运行数据的原始编码信息可以为该编码特征向量(或分箱编码块)。在服务器获取得到该原始编码信息后，为了得到用于表征初始运行数据的不同分箱编码块，服务器可对该原始编码信息进行转换，从而得到每个数据编码分别对应的分箱编码块。

在一个实施例中，服务器在对该原始编码信息进行转换，并得到多个分箱编码块时，可将该原始编码信息通过分层编码模型生成，其中，该分层编码模型的层数等于需要生成的分箱编码块的数量，即如果需要生成的分箱编码块的数量为X，则服务器可将该原始编码信息通过X层分层编码模型，从而得到多个分箱编码块。其中，该分层编码模型对该原始编码信息进行转换得到的多个分箱编码块中，每个分箱编码块的数据数量是基于需要生成的初始运行数据的目标编码信息的数据总量，以及转换得到的多个分箱编码块的数量确定的，若需要生成的初始运行数据的目标编码信息的数量为Y，转换得到的多个分箱编码块的数量为X，且Y和X均为大于1的正整数，则通过该分层编码模型得到的每个分箱编码块的数据数量为[Y/X]。在一个实施例中，该分层编码模型在基于需要生成的初始运行数据的目标编码信息的数据总量，以及转换得到的多个分箱编码块的数量确定每个分箱编码块的数据数量时，如果需要生成的初始运行数据的目标编码信息的长度为Y，转换得到的多个分箱编码块的数量为X，还可随机确定每个分箱编码块的数据数量，并保证多个数据数量的数量总和为Y即可。

在一个实施例中，若数据编码模型中包括该分层编码模型，服务器在对该原始编码信息进行数据处理时，则可利用数据编码模型对该原始编码信息进行转换，从而得到每个数据编码分别对应的分箱编码块，或者，如果该数据编码模型不包括该分层编码模型，服务器也可利用其他包括该分层编码模型的模型，并将从数据编码模型中获取得到的原始编码信息输入到该包括该分层编码模型的模型中，从而将该原始编码信息处理为多个分箱编码块。在服务器得到多个分箱编码块后，为了将初始运行数据中各数据编码的权重指标融入到对应分箱编码块中，该服务器可基于每个数据编码的权重指标，转而执行以下步骤3）。

3）获取每个数据编码在初始运行数据中的权重指标，并根据每个数据编码在初始运行数据中的权重指标，对每个数据编码对应的分箱编码块进行权重分配。

在服务器获取得到多个分箱编码块后，可进一步确定每个数据编码在初始运行数据中的权重指标，其中，不同数据编码在初始运行数据中的权重指标，是基于该数据编码对初始运行数据进行异常验证的准确程度进行确定的。在一个实施例中，服务器获取得到的初始运行数据的数据编码是具备类别从属属性的数据编码，主数据编码指代的数据范围是大于次数据编码指代的数据范围的，其中，该具备类别从属属性的数据编码例如可以是信号特性数据编码和相频特性数据编码、幅频特性编码，该信号特性数据编码为主数据编码，相频特性数据编码、幅频特性编码为从数据编码，该信号特性数据编码指代的数据范围是大于相频特性数据编码、幅频特性编码指代的数据范围的。

在服务器确定出每个数据编码在初始运行数据中的权重指标后，则可根据该每个数据编码的权重指标，对每个数据编码对应的分箱编码块进行权重分配，并基于权重分配后的分箱编码块重新确定初始运行数据的目标编码信息。在一个实施例中，服务器在获取每个数据编码在初始运行数据中的权重指标时，可基于数据编码的类别从属属性进行确定，具体地，服务器可将具备类别从属属性的两个数据编码中，认为主数据编码的权重指标大于从数据编码的权重指标，那么，服务器也就可以在对数据编码进行权重分配时，采用数值较大的权重指标作为主数据编码的权重，而采用数值较小的权重指标作为从数据编码的权重。在一个实施例中，若具备类别从属属性的两个数据编码被记录在某个计算图的层级元素中，那么可以理解的是，记录该主数据编码的层级元素距离起始层级元素(或根元素)的位置，比记录从数据编码的的层级元素距离起始层级元素的位置近。

4）基于权重分配后的分箱编码块，重新确定初始运行数据的目标编码信息，得到目标运行数据。

其中，该目标运行数据即可以是编码后的，便于进一步验证的运行数据。

在服务器确定出权重分配后的分箱编码块后，则可基于该权重分配后的分箱编码块，重新确定该初始运行数据的目标编码信息，其中，该服务器确定出的该初始运行数据的原始编码信息可以是编码特征向量，那么，基于对该原始编码信息的转换得到的多个分箱编码块则可以是子编码特征，进一步地，对每个分箱编码块的权重分配即是对每个子编码特征的权重分配。也就可以理解，服务器获取到的权重分配后的分箱编码块则也就可以是权重分配后的子编码特征，在一个实施例中，服务器在基于权重分配后的分箱编码块重新确定该初始运行数据的目标编码信息时，将该权重分配后的分箱编码块进行重新组合，得到该初始运行数据的目标编码信息，具体地，服务器在组合该权重分配后的分箱编码块时，可根据该初始运行数据中数据编码的权重指标由高至低的顺序，依次将对应数据编码的权重分配后的分箱编码块进行重新组合，或者，服务器也可根据数据编码的权重指标由低至高的顺序，依次将对应数据编码的权重分配后的分箱编码块进行重新组合，本发明实施例中，对服务器对数据编码的分箱编码块进行权重分配的顺序和方式不做限定，该服务器可采用任意一种顺序或方式对全部数据编码的分箱编码块进行组合。

在一个实施例中，服务器在将权重分配后的分箱编码块进行特征融合，得到特征融合后的分箱编码块后，服务器可将特征融合后的分箱编码块直接作为该初始运行数据的目标编码信息，即该初始运行数据的目标编码信息为编码特征向量(或分箱编码块，或离散化向量)。或者，服务器可在得到特征融合后的分箱编码块后，对该特征融合后的分箱编码块进行离散化处理，并将离散化处理后的数据编码作为该初始运行数据的目标编码信息，可以理解的是，在对数据编码进行离散化处理后，则可得到该初始运行数据由零或者一表示的离散化数据，

在本发明实施例中，服务器在获取到初始运行数据的原始编码信息后，将该原始编码信息处理为多个分箱编码块，从而使得每个分箱编码块表征一个数据编码，基于对初始运行数据的原始编码信息的转换，使得服务器可获取到不同数据编码下的分箱编码块，从而实现对初始运行数据基于数据编码的不同进行差异性地表示。在服务器得到每个数据编码对应的分箱编码块后，进一步地，该服务器可基于每个数据编码的权重指标，对每个数据编码对应的分箱编码块进行权重分配，从而得到权重分配后的分箱编码块，并基于该加权后的分箱编码块重新确定该初始运行数据的目标编码信息，基于服务器对各数据编码对应分箱编码块的权重分配，可使得各数据编码对应分箱编码块的差异更加明显，也就实现了对初始运行数据的不同数据编码之间特征差异的加强，进而可使得采用目标编码信息对初始运行数据的表示更加准确。

在一些可选地实施例中，该方法可包括：

1）将初始运行数据输入预训练的数据编码模型，并从数据编码模型中获取初始运行数据的原始编码信息。

其中，原始编码信息可以用于表征初始运行数据的多个数据编码。

对该数据编码模型的训练过程即是不断优化该数据编码模型的模型参数的过程，为了使得数据编码模型学习得到运行数据之间的相关系数，服务器可在采用运行数据样本集对该数据编码模型进行训练时，在获取到运行数据样本集后，可确定该运行数据样本集包括至少一个运行样本数据，以及任意两个运行样本数据之间的相关系数，从而可基于相关系数和至少一个运行样本数据，更新数据编码模型的模型参数，得到数据编码模型。

在一个实施例中，该数据编码模型的数据融合模块用于将生成的编码特征向量融合成融合运行数据，具体地，该数据融合模块可以包括一层全连接层和一层逻辑回归网络层)组成。可以理解的是，对数据编码模型的训练包括以下几个目的：目的一：降低运行样本数据与对应融合运行数据的融合代价；目的二：降低运行样本数据与对应融合运行数据的融合代价；目的三：降低运行样本数据和之间的相关系数和对应编码特征向量(原始编码信息)之间的相关系数的融合代价；目的四：运行样本数据的原始编码信息的分布与标准正态分布之间的散度；目的五：运行样本数据的原始编码信息的分布与标准正态分布之间的散度。

那么可以理解的是，服务器在基于相关系数和运行样本数据更新数据编码模型的模型参数，即是服务器先利用数据编码模型的数据解析模块对任意两个运行样本数据进行数据解析，得到每个运行样本数据的原始编码信息，以及原始编码信息之间的相关系数；进一步地，可利用数据编码模型的数据融合模块对原始编码信息进行特征融合，得到每个运行样本数据的融合运行数据，如运行样本数据与对应融合运行数据，以及运行样本数据与对应融合运行数据，从而使得服务器可根据降低每个运行样本数据和对应融合运行数据之间的相似度距离，以及相关系数和编码信息的相关系数之间的系数差值的目的，更新数据编码模型的模型参数，从而实现对数据编码模型进行训练，并使得数据编码模型可学习到运行数据之间的相关系数，也就是说，采用数据编码模型在生成具备相关系数的运行数据的原始编码信息(即编码特征向量)是相似的，或相似程度大于等于预设相似度阈值的，而采用数据编码模型生成没有相关系数的运行数据的原始编码信息是不相似的(或相似程度小于预设相似度阈值)。

在一个实施例中，服务器在对数据编码模型训练完成后，则可利用学习了运行数据的相关系数的数据编码模型(即数据编码模型)对初始运行数据进行处理，从而得到该初始运行数据结合了相关系数的原始编码信息，并基于该原始编码信息生成具有从属关系的目标编码信息。

2）将原始编码信息处理为多个分箱编码块，每一个分箱编码块用于表征初始运行数据的一个数据编码。

在一个实施例中，在获取到原始编码信息后，为了得到具备从属关系的目标编码信息，服务器可先将获取到的原始编码信息处理为多个分箱编码块，以使一个分箱编码块表征初始运行数据的一个数据编码，具体地，该原始编码信息包括编码特征向量，服务器在对将该原始编码信息处理为多个分箱编码块时，则是对该编码特征向量进行特征重构，得到多个子编码特征，并将得到的一个子编码特征作为一个分箱编码块。在具体实现中，服务器在对该编码特征向量进行特征重构，得到多个子编码特征时，服务器可先将该编码特征向量通过X层分层编码模型，从而得到基于编码特征向量在不同数据编码的指导下进行特征融合得到的在不同数据编码下的融合运行数据。进一步地，服务器可通过每个数据编码下的融合运行数据，生成每个数据编码的分箱编码块，可以理解的是，得到的一个分箱编码块用于表征该初始运行数据的一个数据编码。

在服务器获取得到用于表征每个数据编码的分箱编码块后，则可基于每个数据编码在初始运行数据中的权重指标，对每个数据编码对应的分箱编码块进行权重分配，从而基于加权后的分箱编码块确定初始运行数据的目标编码信息。

3）获取每个数据编码在初始运行数据中的权重指标，并根据每个数据编码在初始运行数据中的权重指标，对每个数据编码对应的分箱编码块进行权重分配。

4）基于权重分配后的分箱编码块，重新确定初始运行数据的目标编码信息，得到目标运行数据。

其中，服务器在获取每个数据编码在初始运行数据中的权重指标时，可先对初始运行数据的多个数据编码执行分类聚合操作，得到初始运行数据的多个数据编码之间的类别从属属性，从而可基于该类别从属属性确定数据编码之间的权重指标，其中，具备类别从属属性的主数据编码的权重指标高于从数据编码的权重指标，在具体实现中，服务器可先基于类别从属属性，确定任一数据编码所在的从属级别，以及类别从属属性包括的从属总级别数，从而可将任一数据编码所在的从属级别和从属总级别数之间的比值，作为任一数据编码的权重指标。在一个实施例中，为了对该初始运行数据的数据编码进行分类聚合操作，从而得到初始运行数据的多个数据编码之间的类别从属属性，服务器需要先获取用于记录不同数据编码的从属分布图，其中，为了得到用于记录不同数据编码的从属分布图，服务器可将运行样本数据的数据编码进行分类聚合操作，从而使得各数据编码被聚合到不同的从属级别中。

基于以上针对原始从属分布图的更新操作，服务器在基于任一运行样本数据包括的至少一个数据编码，对该原始从属分布图进行元素分布更新时，服务器可先基于任一运行样本数据包括的至少一个数据编码，确定执行任意一种更新操作对应的优化置信度；并根据最大优化置信度对应的更新操作，对原始从属分布图进行更新。在一个实施例中，服务器可确定执行任意一种更新操作对应的优化置信度。

具体地，可以包括以下步骤：

1）获取原始从属分布图；

2）判断原始从属分布图中除起始层级元素之外，是否还包括从元素；

3）如果该原始从属分布图不包括从元素，即在该原始从属分布图只包括起始层级元素的情况下，为该起始层级元素新增一个从元素，并基于运行样本数据确定新增的从元素对应记录的数据编码；

4）通过为运行样本数据中任一运行数据的数据编码分析，对确定针对从元素的更新操作，是拆分该从元素，或者所有运行数据的数据编码新增到从元素中，从而实现对该原始从属分布图的更新；

5）若该原始从属分布图包括从元素，针对包括的从元素，计算任一运行样本数据执行任意一种更新操作对应的优化置信度；

6）若执行拆分元素的操作对应的优化置信度最大，则拆分一个元素得到两个元素；

7）若执行融合元素的操作对应的优化置信度最大，则融合两个元素；

8）若执行删除元素的操作对应的优化置信度最大，则删除该元素；

9）若执行将运行样本数据新增到元素的操作对应的优化置信度最大，则将运行样本数据新增到该元素。

在一个实施例中，服务器确定出的从属分布图可以包括至少一条分布线路，一条分布线路包括至少一个层级元素，每个层级元素记录了一个数据编码，一条分布线路中连接任意两个层级元素的线段表示任意两个层级元素记录的数据编码具备类别从属属性，例如记录的数据编码为信号特性数据编码的层级元素和记录的数据编码为信号特性数据编码的层级元素，由于这两个层级元素由一条线段连接，则这两个层级元素分别记录的数据编码具备类别从属属性。在服务器获取得到用于记录数据编码的从属分布图后，服务器则可对初始运行数据的多个数据编码执行分类聚合操作，从从属分布图中确定出用于指示初始运行数据的多个数据编码之间的类别从属属性的目标分布线路，进而可将目标分布线路的线段连接的任意两个层级元素中，低从属级别层级元素记录的数据编码作为主数据编码，高从属级别层级元素记录的数据编码作为从数据编码。

基于确定出的用于记录不同数据编码的从属分布图，服务器则可基于该从属分布图确定初始运行数据中的各数据编码对应的权重指标，从而根据每个数据编码在初始运行数据中的权重指标对每个数据编码对应的分箱编码块进行权重分配，从而基于权重分配后的编码重新确定初始运行数据的目标编码信息。

服务器在确定出初始运行数据对应与从属分布图的目标分布线路后，可基于该分布线路确定该初始运行数据中各数据编码的类别从属属性。

可以理解，在运行数据验证的场景下，在本发明实施例中，基于服务器对数据编码模型的训练，可使得数据编码模型学习到运行数据之间的相关系数，从而在生成初始运行数据的原始编码信息时，使得生成的原始编码信息的信息更加丰富、准确，同时，由于在生成初始运行数据的目标编码信息时，融合了从属聚合的方法，基于在多个从属级别上训练学习分段的分箱编码块，将多从属级别上的分箱编码块融合起来形成初始运行数据最终的目标编码信息，这样丰富了目标编码信息的语义表征，便可以利用从属关系自顶向下从属级别地进行数据验证，而不必对整个初始运行数据中的所有的运行数据进行特征比对，大大节省了数据验证的时间，有效降低了服务器的数据处理压力。

在一个实施例中，为了使得更加准确的对运行数据进行验证，该电子信息装备自动测试方法还包括以下步骤：

1）获取范例运行数据，范例运行数据包括在范例运行数据中异常数据字段的异常种类标注值。

其中，范例运行数据用于对未经训练的运行数据验证模型进行训练，该范例运行数据可以是基于上述的数据编码模型处理后的数据，范例运行数据中可以包括一个或多个异常数据字段；异常数据字段是指在测试数据中需要识别出的特定数据，例如可以是数值不处于正常范围的测试数据；异常种类标注值用于指示范例运行数据中所包括的异常数据字段的异常种类。

例如，在实际应用场景中，在一个实施例中，运行数据可以包括但不限于电子信息装备运行所生成的幅频特性数据、相频特性数据、功率参数数据、脉冲特性数据等等；数据字段可以包括不限于是幅频特性值、相频特性值、功率参数、脉冲特性值等等；异常种类标注值用于指示范例运行数据中所包括的各个字段数据的异常种类，例如包括表示为“正常幅频特性值”的标注值、表示为“异常相频特性值”的种类标注值等。

2）利用初始运行数据验证模型，获取在范例运行数据中异常数据字段所在的待验证数据行，以及各待验证数据行中异常数据字段对应各异常种类的第一概率分布。

其中，初始运行数据验证模型用于检测范例运行数据中的异常数据字段。待验证数据行是指在范例运行数据中可能包含异常数据字段的数据行，是范例运行数据中的某一条数据行；待验证数据行中异常数据字段对应各异常种类的第一概率分布，是指在该待验证数据行中异常数据字段属于不同异常种类的可能性。

其中，初始运行数据验证模型用于识别范例运行数据中所有待验证的异常数据字段，确定范例运行数据中每个异常数据字段所在的数据行的数据行标识以及异常数据字段的异常种类。这里的初始运行数据验证模型可以是已经经过预先训练的人工智能模型，也可以是未经过预先训练的人工智能模型。具体地，初始运行数据验证模型可以包括特征提取模块、异常标识模块以及异常分类模块；其中，特征提取模块用于提取输入运行数据的数据特征表征；异常标识模块用于基于特征提取模块确定的数据特征表征上进行待验证数据行的确定；异常分类模块用于对异常标识模块确定的待验证数据行进行分类，以获取待验证数据行中异常数据字段属于不同异常种类的概率值分布。其中，特征提取模块可以采用卷积神经网络，例如ResNet网络。

具体地，服务器在获取到范例运行数据后，将范例运行数据输入至初始运行数据验证模型中，利用特征提取模块提取范例运行数据对应的数据特征表征；然后将数据特征表征输入至异常标识模块中，利用异常标识模块确定可能包含异常数据字段的数据行，得到多个待验证数据行；最后利用异常分类模块对待验证数据行所包含的各个字段进行分类，以获取待验证数据行中异常数据字段属于各个异常种类的第一概率分布。

需要进行说明的是，异常种类除了包括需要被验证的异常数据字段的异常种类之外，还包括正常数据种类，该正常数据种类是指非异常数据字段(即不存在异常的数据字段)的异常种类；当初始运行数据验证模型识别待验证数据行中的异常数据字段为正常数据种类的初始推理得到的概率值最高时，可以认为该待验证数据行中并不包括需要被检测的异常数据字段，而是包含了需要被检测的异常数据字段的存在关联关系的相关数据字段，即初始运行数据验证模型确定得到的待验证数据行中可以不包含需要被检测的异常数据字段。

3）基于各待验证数据行中异常数据字段对应各异常种类的第一概率分布与范例运行数据的数据字段间的变化率分布，获取初始运行数据验证模型针对范例运行数据的注意力分布矩阵。

其中，注意力分布矩阵包括初始运行数据验证模型在检测异常数据字段的过程中范例运行数据上各个数据字段的注意力信息，当某数据行中的数据字段上的注意力越高，可以认为该数据字段与异常数据字段的相关程度越大。具体地，服务器在获取到各个待验证数据行中异常数据字段属于各个异常种类的第一概率分布后，可以将第一概率分布在初始运行数据验证模型中进行反向传播，以获取各个待验证数据行对应的第一概率分布与范例运行数据的数据字段间变化率分布，进而基于变化率分布获取初始运行数据验证模型对范例运行数据上各个数据字段的注意力，得到与范例运行数据对应的注意力分布矩阵。可以理解的是，当某数据行中数据字段对应的第一概率分布与范例运行数据的数据字段间变化率分布越大，即该数据行的数据字段上的注意力越高，则可以认为该数据行与异常数据字段的相关程度越大，当某数据行中数据字段对应的第一概率分布与范例运行数据的数据字段间变化率分布越小，即该数据行的数据字段上的注意力越低，则可以认为该数据行与异常数据字段的相关程度越小，其中，变化率分布可以是根据各个数据字段变化的梯度信息。

进一步地，范例运行数据的数据字段可以是范例运行数据的原始数据字段，也可以是初始运行数据验证模型中中间层所确定的范例运行数据的数据特征表征，例如异常标识模块输入层的数据特征表征、异常分类模块输入层的数据特征表征等，在此不做限定。

4）从注意力分布矩阵中获取各待验证数据行的注意力指标，基于各待验证数据行的注意力指标、各待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及异常种类标注值，更新初始运行数据验证模型的模型参数，重复上述步骤，直至达到预设停止指标，得到运行数据验证模型。

其中，注意力指标是指初始运行数据验证模型在验证异常数据字段的过程中范例运行数据上某数据行或某数据字段的注意力信息，当某数据行或某个数据字段上的注意力指标越高，可以认为该数据行或数据字段与异常数据字段的相关程度越大。从注意力分布矩阵中获取各个待验证数据行的注意力指标，具体可以是从在注意力分布矩阵中获取待验证数据行中各个数据字段的注意力指标，然后将该待验证数据行中所有数据字段的注意力指标的算数平均确定为待验证数据行对应的注意力指标；也可是从在注意力分布矩阵中获取待验证数据行中各个数据字段的注意力指标，然后将该待验证数据行中所有数据字段的注意力指标的累加值确定为待验证数据行对应的注意力指标。

其中，如上述，当待验证数据行的注意力指标越高，可以认为该待验证数据行或数据字段与异常数据字段的相关程度越大(该数据行为异常数据字段所在数据行的概率越高)，该待验证数据行的数据特征表征包含有表征异常数据字段的数据特征表征以及表征异常数据字段所在位置的数据特征表征的可能性越大；而在初始运行数据验证模型在验证待验证数据行的过程，当某一数据行为异常数据字段所在数据行时，初始运行数据验证模型对该数据行的注意力越高，则初始运行数据验证模型获取异常数据字段所在的待验证数据行以及异常种类越准确；因此，在获取到注意力分布矩阵后，从注意力分布矩阵中获取各个待验证数据行的注意力指标，然后基于各个待验证数据行的注意力指标，分别更新对应待验证数据行中异常数据字段对应各个异常种类的第一概率分布与异常种类标注值间的区别所带来的训练代价指标，实现增加属于异常数据字段所在数据行的待验证数据行的训练代价指标的权重，减小不属于异常数据字段所在数据行的待验证数据行的训练代价指标的权重；进而，利用更新后的训练代价指标监督初始运行数据验证模型对范例运行数据的学习过程，更新初始运行数据验证模型的模型参数，使得初始运行数据验证模型可以将更多的注意力放在范例运行数据中的异常数据字段所在的数据行上，实现更加充分地学习到范例运行数据中的异常数据字段所在数据行的特征表征，以提高初始运行数据验证模型的验证能力。

值得说明的是，每个范例运行数据对初始运行数据验证模型进行训练的步骤过程相同，并且，后一个范例运行数据是在前一个范例运行数据对初始运行数据验证模型进行训练后的基础上继续进行训练的。其中，预设停止指标可基于实际需要调节或配置，例如，当目标训练代价指标达到最小时，则可认为达到预设停止指标；或者当前后两次迭代训练所得到的目标训练代价指标不再发生变化或变化较小(例如小于一个阈值)时，则可认为达到预设停止指标；或者当利用预设数量的范例运行数据对初始运行数据验证模型进行训练后，可以认为达到预设停止指标。在一些实施例中获取范例运行数据，范例运行数据包括在范例运行数据中异常数据字段的异常种类标注值；利用初始运行数据验证模型，获取在范例运行数据中异常数据字段所在的待验证数据行，以及各待验证数据行中异常数据字段对应各异常种类的第一概率分布；初始运行数据验证模型用于验证范例运行数据中的异常数据字段；基于各待验证数据行中异常数据字段对应各异常种类的第一概率分布以及范例运行数据的数据字段间的变化率分布，获取初始运行数据验证模型针对范例运行数据的注意力分布矩阵；从注意力分布矩阵中获取各待验证数据行的注意力指标，基于各待验证数据行的注意力指标、各待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及异常种类标注值，更新初始运行数据验证模型的模型参数，继续训练直至得到运行数据验证模型。利用获取初始运行数据验证模型对范例运行数据上各个数据字段的注意力分布矩阵，并基于注意力分布矩阵更新初始运行数据验证模型的模型参数，使得初始运行数据验证模型对范例运行数据中的异常数据字段具有更多的注意力，进而使得模型参数更新后的初始运行数据验证模型从运行数据中异常数据字段所在的数据行获取更多的数据特征表征，提高识别异常数据字段的所在数据行或异常种类的准确性。

在一个实施例中，基于各待验证数据行的注意力指标、各待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及异常种类标注值，更新初始运行数据验证模型的模型参数的步骤，包括：

1）基于各待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及异常种类标注值，获取各待验证数据行对应的训练代价指标；

2）基于各待验证数据行的注意力指标，获取各待验证数据行的训练代价置信度；

3）基于各待验证数据行的训练代价置信度以及训练代价指标，获取初始运行数据验证模型的目标训练代价指标；

4）基于初始运行数据验证模型的目标训练代价指标更新初始运行数据验证模型的模型参数。

其中，训练代价指标是指，初始运行数据验证模型确定的待验证数据行中的异常数据字段对应各个异常种类的第一概率分布，与范例运行数据中的异常数据字段的实际的异常种类之间的区别所带来的训练代价；具体地，可以利用均方差损失获取训练代价指标。训练代价置信度用于控制不同待验证数据行的训练代价指标的大小，可以理解的是，当待验证数据行的注意力指标越大，该待验证数据行或数据字段与异常数据字段的相关程度越大，则该待验证数据行的训练代价指标的训练代价置信度越大，使得初始运行数据验证模型可以更加充分地学习到范例运行数据中的待验证数据行的特征表征，当待验证数据行的注意力指标越小，该待验证数据行或数据字段与异常数据字段的相关程度越小，则该待验证数据行的训练代价指标的训练代价置信度越小，使得初始运行数据验证模型可以减少对范例运行数据中的待验证数据行的特征表征的学习。

具体地，服务器在获取到各待验证数据行的注意力指标以及各待验证数据行中异常数据字段对应各个异常种类的第一概率分布后，利用均方差损失，基于各个待验证数据行中异常数据字段对应各个异常种类的第一概率分布与对应异常种类标注值，计算各待验证数据行对应的训练代价指标，然后基于各个待验证数据行的注意力指标获取对应的训练代价置信度，进而利用训练代价置信度更新对应待验证数据行的训练代价指标，得到初始运行数据验证模型的目标训练代价指标，最后利用初始运行数据验证模型的目标训练代价指标对初始运行数据验证模型的模型参数更新迭代，直至达到预设停止指标，得到完成训练的运行数据验证模型。其中，预设停止指标可基于实际需要调节或配置，例如，当目标训练代价指标达到最小时，则可认为达到预设停止指标；或者当目标训练代价指标不再发生变化时，则可认为达到预设停止指标；或者当利用预设数量的范例运行数据对初始运行数据验证模型进行训练后，可以认为达到预设停止指标。

在一个实施例中，异常种类包括异常数据种类以及正常数据种类；待验证数据行中异常数据字段对应的概率分布包括异常数据概率值以及正常数据概率值；基于各待验证数据行中异常数据字段对应各异常种类的第一概率分布与范例运行数据的数据字段间的变化率分布，获取初始运行数据验证模型针对范例运行数据的注意力分布矩阵，包括：

1）基于各待验证数据行中异常数据字段对应的异常种类的第一概率分布，获取待验证数据行中异常数据种类的概率和值以及正常数据种类的概率和值。

2）基于异常数据种类的概率和值与范例运行数据的数据字段间的变化率分布，获取异常数据的注意力分布矩阵。

3）基于正常数据种类的概率和值与范例运行数据的数据字段间的变化率分布，获取正常数据的注意力分布矩阵。

其中，如上述，异常种类除了包括需要被检测的异常数据字段的异常种类之外，还包括正常数据种类。在验证过程中，异常数据是指需要被验证出的异常数据字段，正常数据是指除需要被验证出的异常数据字段以外的任意数据字段；对应的，异常数据种类是指需要被验证出的异常数据字段的异常种类中任一异常种类，而当待验证数据行中异常数据字段不属于需要被验证出的异常数据字段的异常种类中任一异常种类时，则该待验证数据行中异常数据字段的异常种类为正常数据种类。

具体地，服务器在获取到各个待验证数据行中异常数据字段对应的异常种类的第一概率分布后，对于异常数据种类，服务器计算各个待验证数据行中属于异常数据种类的异常种类的第一概率分布的和值，得到各个待验证数据行对应的异常数据种类的概率值，进而，计算所有待验证数据行的异常数据种类的概率值的和值，得到所有待验证数据行的异常数据种类的概率和值。同样的，对于正常数据种类，服务器计算所有待验证数据行的正常数据种类的第一概率分布的和值，得到所有待验证数据行的正常数据种类的概率和值。

例如，当初始运行数据验证模型确定的第一待验证数据行以及第二待验证数据行，其中，第一待验证数据行中异常数据字段对应为种类“异常相频特性值”的第一概率分布为0.65，为种类“异常幅频特性值”的第一概率分布为0.3，为种类“异常功率参数”的第一概率分布为0.05，为正常数据种类的第一概率分布为0.1。此时，第一待验证数据行中的异常数据种类的概率值为0.9，正常数据种类的概率值为0.1。

其中，在得到所有待验证数据行的异常数据种类的概率值以及正常异常种类的概率值后，服务器基于异常数据概率值和正常数据概率值分别将运行数据的数据字段输入偏导函数，得到异常数据的注意力分布矩阵以及正常数据的注意力分布矩阵。在一个实施例中，从注意力分布矩阵中获取各待验证数据行的注意力指标的步骤，包括：

1）将各待验证数据行对应的第一概率分布中概率值最高的异常种类，分别确定为各待验证数据行中异常数据字段的第一异常种类。

其中，在得到每个待验证数据行针对每种异常种类的推理概率值之后，可以确定每个数据行中所包含的数据字段是哪一种异常种类。具体地，服务器可以将待验证数据行对应各个异常种类中，推理概率值为最大值的异常种类确定为该待验证数据行的第一异常种类。

2）基于各待验证数据行中异常数据字段的第一异常种类，确定各待验证数据行的数据行种类，数据行种类包括异常数据行以及正常数据行；

其中，在确定到待验证数据行的第一异常种类后，服务器基于该第一异常种类，确定待验证数据行的数据行种类。具体地，当待验证数据行中异常数据字段的第一异常种类是需要被验证出的异常数据字段的异常种类(即异常数据种类)时，则该待验证数据行为异常数据行，当待验证数据行中异常数据字段的第一异常种类不是需要被验证出的异常数据字段的异常种类(即正常数据种类)，则该待验证数据行为正常数据行。

3）从数据行种类对应的注意力分布矩阵中获取各待验证数据行的注意力指标。

其中，在确定到各个待验证数据行的数据行种类后，基于各个待验证数据行的数据行种类，从其数据行种类对应的注意力分布矩阵中，获取各个待验证数据行的注意力指标。具体地，当待验证数据行为异常数据行，则从前景注意力分布矩阵中获取该待验证数据行的注意力指标，当待验证数据行为正常数据行，则从对应的注意力分布矩阵中获取该待验证数据行的注意力指标。

可以理解的是，后续获取初始运行数据验证模型的目标训练代价指标的过程，具体可以是先基于各待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及异常种类标注值，获取各待验证数据行对应的训练代价指标；然后，对于各个待验证数据行中的异常数据行，从对应的注意力分布矩阵中获取该异常数据行的注意力指标，对于各个待验证数据行中的对于正常数据行，从对应的注意力分布矩阵中获取该异常数据行的注意力指标，进而基于各个待验证数据行对应的训练代价置信度以及训练代价指标，获取初始运行数据验证模型的目标训练代价指标。

在一个实施例中，从注意力分布矩阵中获取各待验证数据行的注意力指标的步骤，包括：从注意力分布矩阵中，获取待验证数据行中各个数据字段对应的注意力指标；将待验证数据行中数据字段的注意力指标间的算数平均，确定为待验证数据行的注意力指标。其中，注意力分布矩阵中包括各个数据字段对应的注意力指标，利用获取待验证数据行中各个数据字段的注意力指标，进而计算该待验证数据行中所有数据字段上注意力指标的算数平均，将该算数平均确定为待验证数据行的注意力指标。

在一个实施例中，范例运行数据还包括在范例运行数据中异常数据字段的数据行标识标注值；基于各待验证数据行的注意力指标、各待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及异常种类标注值，更新初始运行数据验证模型的模型参数的步骤，包括：基于各待验证数据行的注意力指标、各待验证数据行中异常数据字段对应各个异常种类的第一概率分布、异常种类标注值、待验证数据行的数据行标识以及数据行标识标注值，更新初始运行数据验证模型的模型参数。

具体地，服务器基于各待验证数据行的注意力指标、各待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及异常种类标注值获取初始运行数据验证模型的目标训练代价指标，同时，基于数据行标识标注值获取异常数据字段实际所在数据行，进而基于初始运行数据验证模型确定的异常数据字段在范例运行数据中所在待验证数据行与异常数据字段实际所在数据行间的数据行标识差异，获取初始运行数据验证模型的第二训练代价指标；然后，基于目标训练代价指标以及第二训练代价指标，对初始运行数据验证模型的模型参数更新迭代。

其中，基于目标训练代价指标以及第二训练代价指标，对初始运行数据验证模型的模型参数更新迭代，具体可以是将目标训练代价指标以及第二训练代价指标进行加权计算，得到初始运行数据验证模型的目标训练代价指标，或者可以是将目标训练代价指标以及第二训练代价指标进行算数平均计算，得到初始运行数据验证模型的目标训练代价指标。进而，基于目标第二训练代价指标对对初始运行数据验证模型的模型参数更新迭代，直至达到预设停止指标，得到完成训练的运行数据验证模型。其中，预设停止指标可基于实际需要调节或配置，例如，当目标训练代价指标达到最小时，则可认为达到预设停止指标；或者当目标训练代价指标不再发生变化时，则可认为达到预设停止指标；或者当利用预设数量的范例运行数据对初始运行数据验证模型进行训练后，可以认为达到预设停止指标。

进一步地，还可以利用初始运行数据验证模型确定的待验证数据行确定为异常数据行还是为正常数据行，与该待验证数据行实际为正常数据行还是为异常数据行的区别，获取初始运行数据验证模型的第三训练代价指标。具体地，当待验证数据行与异常数据字段实际所在数据化之间的重叠数据行的数量，与异常数据字段实际所在数据行的数量之间的比例大于或者等于预设阈值时，则该待验证数据行实际为异常数据行，反之，若该比例小于预设阈值，则该待验证数据行实际为正常数据行。进而，可以基于目标训练代价指标、第二训练代价指标以及第三训练代价指标，对初始运行数据验证模型的模型参数更新迭代。

在一个实施例中，利用初始运行数据验证模型，获取在范例运行数据中异常数据字段所在的待验证数据行，以及各待验证数据行中异常数据字段对应各异常种类的第一概率分布的步骤，包括：

1）利用初始运行数据验证模型提取范例运行数据的全量数据特征表征；

2）基于全量数据特征表征，确定异常数据字段所在的待验证数据行；

3）基于待验证数据行，获取各待验证数据行中异常数据字段对应各个异常种类的第一概率分布。

其中，全量数据特征表征为整个范例运行数据对应的数据特征表征，其中包括与异常数据字段相关的数据行标识、异常种类等数据特征表征参数。如上所述，初始运行数据验证模型可以包括但不限于特征提取模块、异常标识模块以及异常分类模块；利用初始运行数据验证模型，获取在范例运行数据中异常数据字段所在的待验证数据行，以及各待验证数据行中异常数据字段对应各个异常种类的第一概率分布，具体可以是将范例运行数据输入至初始运行数据验证模型中，利用初始运行数据验证模型的特征提取模块提取范例运行数据的全量数据特征表征；然后，将全量数据特征表征输入至异常标识模块中，利用异常标识模块确定可能包含异常数据字段的待验证数据行；最后，利用异常分类模块确定各个待验证数据行中所包含的异常数据字段属于各个异常种类的第一概率分布。

进一步地，在一个实施例中，基于待验证数据行，获取各待验证数据行中异常数据字段对应各个异常种类的第一概率分布，包括：从全量数据特征表征中，获取各待验证数据行对应的分量数据特征表征；基于各待验证数据行的分量数据特征表征，获取各待验证数据行中异常数据字段对应各个异常种类的第一概率分布。

其中，一个待验证数据行对应于一个分量数据特征表征，待验证数据行为范例运行数据中的一个分量，因此，分量数据特征表征是待验证数据行在范例运行数据中对应数据范围的数据特征表征。具体地，在确定到异常数据字段所在的待验证数据行后，可以基于待验证数据行的数据行标识，从全量数据特征表征中对应的数据行标识获取待验证数据行对应的分量数据特征表征，并将待验证数据行对应的分量数据特征表征输入到异常分类模块中，异常分类模块基于所获取到的每个分量数据特征表征识别待验证数据行中的异常数据字段属于各个异常种类的推理概率值。

本申请可以获取范例运行数据，范例运行数据包括在范例运行数据中异常数据字段的异常种类标注值；利用初始运行数据验证模型，获取在范例运行数据中异常数据字段所在的待验证数据行，以及各待验证数据行中异常数据字段对应各异常种类的第一概率分布；初始运行数据验证模型用于验证范例运行数据中的异常数据字段；基于各待验证数据行中异常数据字段对应各异常种类的第一概率分布以及范例运行数据的数据字段间的变化率分布，获取初始运行数据验证模型针对范例运行数据的注意力分布矩阵；从注意力分布矩阵中获取各待验证数据行的注意力指标，基于各待验证数据行的注意力指标、各待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及异常种类标注值，更新初始运行数据验证模型的模型参数，继续训练直至得到运行数据验证模型。利用获取初始运行数据验证模型对范例运行数据的注意力分布矩阵，并基于注意力分布矩阵获取各个待验证数据行的注意力指标，动态更新异常数据以及正常数据的训练代价指标计算权重大小，平衡范例运行数据中异常数据、正常数据对训练代价指标的贡献大小，提高识别异常数据字段的所在数据行或异常种类的准确性。

在一个实施例中，将所述运行数据输入预先训练得到的运行数据验证模型，得到验证结果，包括：

1）利用预先训练的运行数据验证模型获取目标运行数据中异常数据字段所在的待验证数据行，以及各待验证数据行中异常数据字段对应各个异常种类的第一概率分布；其中，运行数据验证模型为基于范例运行数据中的待验证数据行的注意力指标、待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及范例运行数据中异常数据字段的异常种类标注值，对初始运行数据验证模型的模型参数更新迭代后所得到运行数据验证模型；范例运行数据的待验证数据行以及待验证数据行中异常数据字段对应各个异常种类的第一概率分布是利用初始运行数据验证模型获取的。

2)基于各待验证数据行中异常数据字段对应各个异常种类的第一概率分布，获取待验证数据行中异常数据字段的目标异常类别。

3)确定目标运行数据中异常数据字段所在的待验证数据行的数据行标识以及目标异常类别。

4）根据各个待验证数据行的数据行标识以及目标异常类别，生成验证结果。

其中，目标运行数据可以是利用电子信息装备运行所生成的幅频特性数据、相频特性数据、功率参数数据、脉冲特性数据等等。其中目标运行数据中包括异常数据字段，异常数据字段是指运行数据中需要被验证出来的数据。验证结果即可以表征各个待验证数据行的数据行标识以及目标异常类别，进而使得服务器能够基于该验证结果确定是否满足预设的测试指标，进而确定电子信息装备是否通过测试。

具体地，在获取到目标运行数据后，服务器将目标运行数据输入至运行数据验证模型，利用运行数据验证模型获取异常数据字段所在的待验证数据行，以及各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布。其中，运行数据验证模型可以是利用上述任意一个实施例中的运行数据验证模型的训练方法获得的。在获取到待验证数据行中异常数据字段对应各个异常种类的第一概率分布后，将具有最大值的第一概率分布的异常种类确定为待验证数据行中异常数据字段的目标异常类别，最后，确定待验证数据行的数据行标识以及待验证数据行中异常数据字段的目标异常类别。

图2是根据一示例性实施例示出的一种电子信息装备自动测试系统的示意图，如图2所示，该电子信息装备自动测试系统200包括服务器210，以及与服务器210通信连接的多个电子信息装备220。

其中，该服务器210可以用于执行本公开上述实施例中的电子信息装备自动测试方法，以实现本公开实施例的方法中限定的上述功能。

在一示例中，电子信息装备自动测试系统200中电子信息装备220的数量可以只有一个，或者大于如图2所示的三个，本公开对该电子信息装备220的具体数量不作限定。

下面参考图3，其示出了适于用来实现本公开实施例的电子设备（例如图2中的服务器210）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的确定装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，基于本公开的实施例，上文参考流程图描述的过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，其包括承载在非暂态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，该计算机程序可以利用通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的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，该计算机可读信号介质可以发送、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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

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该电子设备执行时，使得该电子设备实现本公开实施例的方法中限定的上述功能。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。

Claims (10)

1.一种电子信息装备自动测试系统，其特征在于，所述测试系统包括服务器，以及与所述服务器通信连接的至少一个电子信息装备，所述服务器用于：

向所述电子信息装备发送配置信息以及测试指令，所述配置信息用于所述电子信息装备进行与所述测试指令对应的环境参数配置；

获取所述电子信息装备响应于所述测试指令的初始运行数据；

对所述初始运行数据进行编码，并确定目标运行数据；

将所述目标运行数据输入预先训练得到的运行数据验证模型，得到验证结果；

基于所述验证结果，确定所述电子信息装备是否通过测试。

2.根据权利要求1所述的一种电子信息装备自动测试系统，其特征在于，所述对所述初始运行数据进行编码，并确定目标运行数据，包括：

将所述初始运行数据输入预训练的数据编码模型，并从所述数据编码模型中获取所述初始运行数据的原始编码信息，所述原始编码信息用于表征所述初始运行数据的多个数据编码；

将所述原始编码信息处理为多个分箱编码块，每一个所述分箱编码块用于表征所述初始运行数据的一个数据编码；

获取每个数据编码在所述初始运行数据中的权重指标，并根据每个数据编码在所述初始运行数据中的权重指标，对每个数据编码对应的分箱编码块进行权重分配；

基于权重分配后的分箱编码块，重新确定所述初始运行数据的目标编码信息，得到所述目标运行数据。

3.根据权利要求2所述的一种电子信息装备自动测试系统，其特征在于，所述服务器还用于：

获取运行数据样本集，所述运行数据样本集包括至少一个运行样本数据，以及任意两个运行样本数据之间的相关系数；

基于所述相关系数和所述至少一个运行样本数据，更新所述数据编码模型的模型参数，得到所述数据编码模型；

所述基于所述相关系数和所述至少一个运行样本数据，更新所述数据编码模型的模型参数，包括：

利用数据编码模型的数据解析模块对任意两个运行样本数据进行数据解析，得到每个运行样本数据的原始编码信息，以及所述原始编码信息之间的相关系数；

利用所述数据编码模型的数据融合模块对所述原始编码信息进行特征融合，得到每个运行样本数据的融合运行数据；

根据降低每个运行样本数据和对应融合运行数据之间的相似度距离，以及所述相关系数和编码信息的相关系数之间的系数差值的目的，更新所述数据编码模型的模型参数。

4.根据权利要求1所述的一种电子信息装备自动测试系统，其特征在于，所述获取每个数据编码在所述初始运行数据中的权重指标，包括：

对所述初始运行数据的多个数据编码执行分类聚合操作，得到所述初始运行数据的多个数据编码之间的类别从属属性；

其中，所述类别从属属性用于指示不同数据编码的权重指标，具备类别从属属性的主数据编码的权重指标高于从数据编码的权重指标。

5.根据权利要求4所述的一种电子信息装备自动测试系统，其特征在于，所述服务器还用于：

基于所述类别从属属性，确定任一数据编码所在的从属级别，以及所述类别从属属性包括的从属总级别数；

将所述任一数据编码所在的从属级别和所述从属总级别数之间的比值，作为所述任一数据编码的权重指标；

所述对所述初始运行数据的多个数据编码执行分类聚合操作，得到所述初始运行数据的多个数据编码之间的类别从属属性，包括：

获取用于记录不同数据编码的从属分布图，所述从属分布图包括至少一条分布线路，一条分布线路包括至少一个层级元素，每个层级元素记录了一个数据编码，所述一条分布线路中连接任意两个层级元素的线段表示所述任意两个层级元素记录的数据编码具备类别从属属性；

对所述初始运行数据的多个数据编码执行分类聚合操作，从所述从属分布图中确定出用于指示所述初始运行数据的多个数据编码之间的类别从属属性的目标分布线路；

将所述目标分布线路的线段连接的任意两个层级元素中，低从属级别层级元素记录的数据编码作为主数据编码，高从属级别层级元素记录的数据编码作为从数据编码；

所述获取用于记录不同数据编码的从属分布图，包括：

获取原始从属分布图以及运行数据样本集，所述运行数据样本集包括多个运行样本数据，以及每个运行样本数据包括的至少一个数据编码，其中，所述原始从属分布图至少包括起始层级元素；

基于任一运行样本数据包括的至少一个数据编码，对所述原始从属分布图进行元素分布更新，并将更新后的原始从属分布图作为从属分布图；

对所述原始从属分布图进行元素分布更新执行的更新操作包括以下一种或多种：为所述原始从属分布图新增层级元素，融合所述原始从属分布图的层级元素，拆分所述原始从属分布图的层级元素，确定任一运行样本数据与所述原始从属分布图中分布线路的关联指标；

所述基于任一运行样本数据包括的至少一个数据编码，对所述原始从属分布图进行元素分布更新，包括：

基于任一运行样本数据包括的至少一个数据编码，确定执行任意一种更新操作对应的优化置信度；

根据最大优化置信度对应的更新操作，对所述原始从属分布图进行更新。

6.根据权利要求1所述的一种电子信息装备自动测试系统，其特征在于，所述将所述目标运行数据输入预先训练得到的运行数据验证模型，得到验证结果，包括：

利用预先训练的运行数据验证模型获取所述目标运行数据中异常数据字段所在的待验证数据行，以及各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布；其中，所述运行数据验证模型为基于范例运行数据中的待验证数据行的注意力指标、待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及所述范例运行数据中异常数据字段的异常种类标注值，对初始运行数据验证模型的模型参数更新迭代后所得到运行数据验证模型；所述范例运行数据的待验证数据行以及待验证数据行中异常数据字段对应各个异常种类的第一概率分布是利用所述初始运行数据验证模型获取的；所述注意力指标是从基于各所述待验证数据行中异常数据字段对应各所述异常种类的第一概率分布与所述范例运行数据的数据字段间的变化率分布所获取的注意力分布矩阵中获取的；

基于各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布，获取所述待验证数据行中异常数据字段的目标异常类别；

确定所述目标运行数据中异常数据字段所在的待验证数据行的数据行标识以及目标异常类别；

根据各个待验证数据行的数据行标识以及目标异常类别，生成验证结果。

7.根据权利要求6所述的一种电子信息装备自动测试系统，其特征在于，所述服务器还用于：

获取范例运行数据，所述范例运行数据包括在范例运行数据中异常数据字段的异常种类标注值；

利用初始运行数据验证模型，获取在所述范例运行数据中所述异常数据字段所在的待验证数据行，以及各所述待验证数据行中异常数据字段对应各异常种类的第一概率分布；

所述初始运行数据验证模型用于检测所述范例运行数据中的异常数据字段；

基于各所述待验证数据行中异常数据字段对应各所述异常种类的第一概率分布与所述范例运行数据的数据字段间的变化率分布，获取所述初始运行数据验证模型针对所述范例运行数据的注意力分布矩阵；

从所述注意力分布矩阵中获取各所述待验证数据行的注意力指标，基于各所述待验证数据行的所述注意力指标、各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及所述异常种类标注值，更新所述初始运行数据验证模型的模型参数，重复上述步骤，直至达到预设停止指标，得到所述运行数据验证模型。

8.根据权利要求7所述的一种电子信息装备自动测试系统，其特征在于，所述异常种类包括异常数据种类以及正常数据种类；所述待验证数据行中异常数据字段对应的概率分布包括异常数据概率值以及正常数据概率值；

所述基于各所述待验证数据行中异常数据字段对应各所述异常种类的第一概率分布与所述范例运行数据的数据字段间的变化率分布，获取所述初始运行数据验证模型针对所述范例运行数据的注意力分布矩阵，包括：

基于各所述待验证数据行中异常数据字段对应的异常种类的第一概率分布，获取所述待验证数据行中所述异常数据种类的概率和值以及所述正常数据种类的概率和值；

基于所述异常数据种类的概率和值与所述范例运行数据的数据字段间的变化率分布，获取异常数据的注意力分布矩阵；

基于所述正常数据种类的概率和值与所述范例运行数据的数据字段间的变化率分布，获取正常数据的注意力分布矩阵；

所述从所述注意力分布矩阵中获取各所述待验证数据行的注意力指标，包括：

将各所述待验证数据行对应的第一概率分布中概率值最高的异常种类，分别确定为各所述待验证数据行中异常数据字段的第一异常种类；

基于各所述待验证数据行中异常数据字段的第一异常种类，确定各所述待验证数据行的数据行种类，所述数据行种类包括异常数据行以及正常数据行；

从所述数据行种类对应的注意力分布矩阵中获取各所述待验证数据行的注意力指标。

9.根据权利要求7所述的一种电子信息装备自动测试系统，其特征在于，所述从所述注意力分布矩阵中获取各所述待验证数据行的注意力指标，包括：

从所述注意力分布矩阵中，获取所述待验证数据行中各个数据字段对应的注意力指标；

将所述待验证数据行中数据字段的注意力指标间的算数平均，确定为所述待验证数据行的注意力指标；

所述基于各所述待验证数据行的所述注意力指标、各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及所述异常种类标注值，更新所述初始运行数据验证模型的模型参数，包括：

基于各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及所述异常种类标注值，获取各所述待验证数据行对应的训练代价指标；

基于各所述待验证数据行的所述注意力指标，获取各所述待验证数据行的训练代价置信度；

基于各所述待验证数据行的训练代价置信度以及训练代价指标，获取所述初始运行数据验证模型的目标训练代价指标；

基于所述初始运行数据验证模型的目标训练代价指标更新所述初始运行数据验证模型的模型参数；

所述范例运行数据还包括在范例运行数据中异常数据字段的数据行标识标注值；

所述基于各所述待验证数据行的所述注意力指标、各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布以及所述异常种类标注值，更新所述初始运行数据验证模型的模型参数，包括：

基于各所述待验证数据行的所述注意力指标、各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布、所述异常种类标注值、所述待验证数据行的数据行标识以及所述数据行标识标注值，更新所述初始运行数据验证模型的模型参数；

所述利用初始运行数据验证模型，获取在所述范例运行数据中所述异常数据字段所在的待验证数据行，以及各所述待验证数据行中异常数据字段对应各异常种类的第一概率分布，包括：

利用所述初始运行数据验证模型提取所述范例运行数据的全量数据特征表征；

基于所述全量数据特征表征，确定所述异常数据字段所在的待验证数据行；

从所述全量数据特征表征中，获取各所述待验证数据行对应的分量数据特征表征；

基于各所述待验证数据行的分量数据特征表征，获取各所述待验证数据行中异常数据字段对应各个异常种类的第一概率分布。

10.一种电子信息装备自动测试方法，其特征在于，所述方法包括：

向所述电子信息装备发送配置信息以及测试指令，所述配置信息用于所述电子信息装备进行与所述测试指令对应的环境参数配置；

获取所述电子信息装备响应于所述测试指令的初始运行数据；

对所述初始运行数据进行编码，并确定目标运行数据；

将所述目标运行数据输入预先训练得到的运行数据验证模型，得到验证结果；

基于所述验证结果，确定所述电子信息装备是否通过测试。

Images