CN115617636B - 一种分布式性能测试系统 - Google Patents
一种分布式性能测试系统 Download PDFInfo
- Publication number
- CN115617636B CN115617636B CN202211626247.5A CN202211626247A CN115617636B CN 115617636 B CN115617636 B CN 115617636B CN 202211626247 A CN202211626247 A CN 202211626247A CN 115617636 B CN115617636 B CN 115617636B
- Authority
- CN
- China
- Prior art keywords
- feature
- test result
- test
- matrix
- classification
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- 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
-
- 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
- G06F11/3692—Test management for test results analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及性能测试技术领域,其具体地公开了一种分布式性能测试系统,其首先获取控制中心的测试任务;然后,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,其中,所述多个测试节点至少属于两个不同的网络;接着,利用包含多个全连接层的特征提取器和深度卷积神经网络模型提取所述多个测试结果中各个测试结果的高维隐含特征以及各个测试结果之间的高维隐含特征,并基于上述特征来对分布式网络的性能是否满足应用要求进行判断,通过这样的方式,实现跨网络性能测试。
Description
技术领域
本申请涉及性能测试技术领域,且更为具体地,涉及一种分布式性能测试系统。
背景技术
当前的网络性能测试,一般在运营商内网运行,通过在内网部署控制器实现对内网终端、测试设备、基站等的性能测试,例如,在一个通信网中检测基站交换机的性能,检测工作状态、定位性能故障等。
这种方法只能在一个网络中执行性能测试,在面对分布式网络时,每个内网都需要单独测试,操作复杂,同时不同局域网之间的终端设备不能进行交互,导致无法实现跨网络性能测试。
因此,期待一种优化的分布式网络性能测试方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种分布式性能测试系统,其首先获取控制中心的测试任务;然后,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,接着,利用包含多个全连接层的特征提取器和深度卷积神经网络模型提取所述多个测试结果中各个测试结果的高维隐含特征以及各个测试结果之间的高维隐含特征,并基于上述特征来对分布式网络的性能是否满足应用要求进行判断,通过这样的方式,从而实现跨网络性能测试。
根据本申请的一个方面,提供了一种分布式性能测试系统,其包括:
测试任务提取模块,用于获取控制中心的测试任务;
测试结果提取模块,用于将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,其中,所述多个测试节点至少属于两个不同的网络;
测试结果特征提取模块,用于将所述多个测试结果通过包含多个全连接层的特征提取器以得到多个测试结果特征向量;
测试结果特征关联编码模块,用于将所述多个测试结果特征向量进行二维排列为测试结果特征矩阵后通过使用二维卷积核的深度卷积神经网络模型以得到测试结果关联特征图;
关联特征分布校正模块,用于对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图;以及
性能测试结果生成模块,用于将所述校正后测试结果关联特征图通过分类器以得到分类结果,所述分类结果用于表示分布式网络的性能是否满足应用要求。
在上述分布式性能测试系统中,所述测试结果特征提取模块,进一步用于:使用所述特征提取器的各个全连接层在层的正向传递中以如下公式对输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵相乘,其中,所述特征提取器的第一层的输入为所述多个测试结果中的各个测试结果,所述特征提取器的第二层至最后一层的输入为上一层的输出向量,所述特征提取器的最后一层的输出为多个测试结果特征向量中的各个测试结果特征向量。
在上述分布式性能测试系统中,所述测试结果特征关联编码模块,进一步用于:使用所述深度卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:
基于卷积核对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述深度卷积神经网络模型的第一层的输入为所述测试结果特征矩阵,所述深度卷积神经网络模型的最后一层的输出为所述测试结果关联特征图。
在上述分布式性能测试系统中,所述使用二维卷积核的深度卷积神经网络模型为深度残差网络。
在上述分布式性能测试系统中,所述关联特征分布校正模块,进一步用于:以如下公式对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图;
其中,所述公式为:
这里,为校正前和校正后的所述测试结果关联特征图的每个特征矩阵,表示矩阵相乘,表示指数运算,表示线性整流函数,为所述校正后测试结果关联特征图的每个特征矩阵。
在上述分布式性能测试系统中,所述性能测试结果生成模块,包括:
特征向量获取单元,用于使用所述分类器的全连接层对所述校正后测试结果关联特征图进行全连接编码以得到分类特征向量;
概率值计算单元,用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值,所述分类标签包括所述分布式网络的性能满足应用要求和所述分布式网络的性能不满足应用要求;
分类结果确定单元,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
与现有技术相比,本申请提供的一种分布式性能测试系统,其首先获取控制中心的测试任务;然后,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,接着,利用包含多个全连接层的特征提取器和深度卷积神经网络模型提取所述多个测试结果中各个测试结果的高维隐含特征以及各个测试结果之间的高维隐含特征,并基于上述特征来对分布式网络的性能是否满足应用要求进行判断,通过这样的方式,实现跨网络性能测试。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的分布式性能测试系统的框图示意图。
图2为根据本申请实施例的分布式性能测试系统中性能测试结果生成模块的框图示意图。
图3为根据本申请实施例的分布式性能测试方法的流程图。
图4为根据本申请实施例的分布式性能测试方法的系统架构的示意图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如上所述,在面对分布式网络时,每个内网都需要单独测试,操作复杂,同时不同局域网之间的终端设备不能进行交互,导致无法实现跨网络性能测试。因此,期待一种优化的分布式网络性能测试方案。
在本申请的技术方案中,在得到控制中心的测试任务后,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,其中,所述多个测试节点至少属于两个不同的网络。进而,基于所述多个测试结果中各个测试结果的特征以及各个测试结果之间的高维隐含特征来对分布式网络的性能是否满足应用要求进行判断,即,利用分布式网络的不同网络的测试结果的高维隐含特征和测试结果之间的高维隐含关联特征来判断分布式网络性能是否满足应用要求。
具体地,在本申请一个具体的示例中,所述测试任务可以是:A车车载终端与B车车载终端建立会话,测试A车与B车的会话数据作为测试结果并上报至测试节点,如会话中的平均通信延迟和数据包到达率。
在得到所述多个测试结果后,将所述多个测试结果中各个测试结果分别通过包含多个全连接层的特征提取器以得到多个测试结果特征向量。也就是,在本申请的技术方案中,所述特征提取器通过多个全连接层对所述各个测试结果进行深度全连接编码以充分利用所述测试结果中各个数据项所蕴含的高维信息以得到所述多个测试结果特征向量。
接着,将所述多个测试结果特征向量进行二维排列为测试结果特征矩阵后通过使用二维卷积核的深度卷积神经网络模型以得到测试结果关联特征图。也就是,在高维特征空间中,将所述多个测试结果特征向量进行矩阵化整合以得到所有测试结果的特征向量表示聚合到所述测试结果特征矩阵中,接着,使用在局部特征提取领域具有优异性能表现的所述深度卷积神经网络模型对所述测试结果特征矩阵进行深度卷积编码以提取所述测试结果特征矩阵中不同测试结果的特征分布间的高维隐含关联特征。
最终,将所述测试结果关联特征图通过分类器以得到分类结果,所述分类结果用于表示所述分布式网络的性能是否满足应用要求。这样,利用分布式网络的不同网络的测试结果的高维隐含特征和测试结果之间的高维隐含关联特征来判断分布式网络性能是否满足应用要求。
特别地,在本申请的技术方案中,由于所述多个测试结果特征向量中的每个测试结果特征向量是从单独的测试结果获得的,因此所述多个测试结果特征向量的序列表达特征分布不可能完全对齐,这就使得测试结果特征矩阵在其自身的整体特征分布内会存在局部分布之间的负相关关系,并由深度卷积神经网络模型的二维卷积核进一步强化,从而影响所述测试结果关联特征图通过分类器得到的所述分类结果的准确性。
因此,本申请的申请人采用全正投影非线性重加权的方式对所述测试结果关联特征图的每个特征矩阵进行校正,具体表示为:
这里,和分别为校正前和校正后的所述测试结果关联特征图的每个特征矩阵,其中,所述测试结果关联特征图的每个特征矩阵预先通过线性变换转换为对角特征,并且,分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除。
具体地,所述全正投影非线性重加权通过函数来保证投影的全正以避免聚合负相关的信息,并同时引入非线性重加权机制来彼此聚集所述测试结果关联特征图的每个特征矩阵的局部特征值分布,以使得所述测试结果关联特征图的每个特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样,就实现了所述测试结果关联特征图的每个特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换的协同效果,从而提高所述测试结果关联特征图通过分类器得到的所述分类结果的准确性。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的分布式性能测试系统的框图示意图。如图1所示,根据本申请实施例的所述分布式性能测试系统100,包括:测试任务提取模块110,用于获取控制中心的测试任务;测试结果提取模块120,用于将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,其中,所述多个测试节点至少属于两个不同的网络;测试结果特征提取模块130,用于将所述多个测试结果通过包含多个全连接层的特征提取器以得到多个测试结果特征向量;测试结果特征关联编码模块140,用于将所述多个测试结果特征向量进行二维排列为测试结果特征矩阵后通过使用二维卷积核的深度卷积神经网络模型以得到测试结果关联特征图;关联特征分布校正模块150,用于对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图;以及,性能测试结果生成模块160,用于将所述校正后测试结果关联特征图通过分类器以得到分类结果,所述分类结果用于表示分布式网络的性能是否满足应用要求。
在本申请实施例中,所述测试任务提取模块110和测试结果提取模块120,用于获取控制中心的测试任务,然后,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,其中,所述多个测试节点至少属于两个不同的网络。如上所述,在面对分布式网络时,每个内网都需要单独测试,操作复杂,同时不同局域网之间的终端设备不能进行交互,导致无法实现跨网络性能测试。因此,期待一种优化的分布式网络性能测试方案。具体地,在本申请的技术方案中,在得到控制中心的测试任务后,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,其中,所述多个测试节点至少属于两个不同的网络。进而,基于所述多个测试结果中各个测试结果的特征以及各个测试结果之间的高维隐含特征来对分布式网络的性能是否满足应用要求进行判断,即,利用分布式网络的不同网络的测试结果的高维隐含特征和测试结果之间的高维隐含关联特征来判断分布式网络性能是否满足应用要求。
具体地,在本申请一个具体的示例中,所述测试任务可以是:A车车载终端与B车车载终端建立会话,A车车载终端与B车车载终端位于不同的区域网,测试A车与B车的会话数据作为测试结果并上报至管理节点,其中,会话数据包括会话中的平均通信延迟和数据包到达率。
在本申请实施例中,所述测试结果特征提取模块130,用于将所述多个测试结果通过包含多个全连接层的特征提取器以得到多个测试结果特征向量。应可以理解,考虑到测试结果中每个数据项蕴含着丰富的特征信息,将其全部提取出来能提高最后分类的准确性,因此,在本申请的技术方案中,所述特征提取器通过多个全连接层对所述各个测试结果进行深度全连接编码以充分利用所述测试结果中各个数据项所蕴含的高维信息以得到所述多个测试结果特征向量,也就是,通过多个全连接层对所述多个测试结果进行全连接编码以提取分布式网络的不同网络的测试结果的高维隐含特征。
在本申请一个具体的实施例中,所述测试结果特征提取模块,进一步用于:使用所述特征提取器的各个全连接层在层的正向传递中以如下公式对输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵相乘,其中,所述特征提取器的第一层的输入为所述多个测试结果中的各个测试结果,所述特征提取器的第二层至最后一层的输入为上一层的输出向量,所述特征提取器的最后一层的输出为多个测试结果特征向量中的各个测试结果特征向量。
在本申请实施例中,所述测试结果特征关联编码模块140,用于将所述多个测试结果特征向量进行二维排列为测试结果特征矩阵后通过使用二维卷积核的深度卷积神经网络模型以得到测试结果关联特征图。应可以理解,考虑到各个测试结果之间具有关联性,且这种关联具有局部性,因此,在高维特征空间中,将所述多个测试结果特征向量进行矩阵化整合以得到所有测试结果的特征向量表示聚合到所述测试结果特征矩阵后,再使用在局部特征提取领域具有优异性能表现的所述深度卷积神经网络模型对所述测试结果特征矩阵进行深度卷积编码以提取所述测试结果特征矩阵中不同测试结果的特征分布间的高维隐含关联特征。这里,使用深度卷积神经网络既能提取局部特征,且由于深度卷积神经网络中卷积层具有局部连接和权值共享的特征,其参数要远小于全连接层,也就是,使用深度卷积神经网络既不影响局部特征的提取,其计算量更小,对设备的性能要求低。
在本申请一个具体的实施例中,所述测试结果特征关联编码模块,进一步用于:使用所述深度卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:基于卷积核对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述深度卷积神经网络模型的第一层的输入为所述测试结果特征矩阵,所述深度卷积神经网络模型的最后一层的输出为所述测试结果关联特征图。
更为具体地,通过卷积核在所述输入数据上滑动,并且在每个位置上进行值的计算,以提取输入数据的高维局部隐含特征,得到所述卷积特征图;再通过对所述卷积特征图基于局部特征矩阵的平均值池化处理或者最大值池化处理以获得所述池化特征图,通过池化处理,可以提取主要特征,同时减小参数的数量并减小过拟合。然后,选择激活函数对所述池化特征图行激活以得到激活特征图,例如Sigmoid激活函数,通过激活函数引入非线性因素,以增加整个网络的表征能力。
在本申请一个具体的实施例中,所述使用二维卷积核的深度卷积神经网络模型为深度残差网络。应可以理解,考虑到深度卷积神经网络随着层数越多,会出现梯度弥散地问题,导致训练错误率与测试错误率升高,因此,还可以更进一步地使用深度残差网络进行特征提取,深度残差网络在传统的卷积神经网络中增加一个残差模块,残差模块用于获取两层前的输出特征图,将两层前的输出特征图与本层的输入特征图进行相加以得到一个新的特征图,对这个特征图进行编码,更为具体地,当两层前的输出特征图与本层的输入特征图维度不同时,使用1x1的卷积来增加维度以实现维度统一。更为具体地,所述深度残差网络可以为ResNet-50、ResNet-101和ResNet-152。
在本申请实施例中,所述关联特征分布校正模块150,用于对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图。应可以理解,特别地,在本申请的技术方案中,由于所述多个测试结果特征向量中的每个测试结果特征向量是从单独的测试结果获得的,因此所述多个测试结果特征向量的序列表达特征分布不可能完全对齐,这就使得测试结果特征矩阵在其自身的整体特征分布内会存在局部分布之间的负相关关系,并由深度卷积神经网络模型的二维卷积核进一步强化,从而影响所述测试结果关联特征图通过分类器得到的所述分类结果的准确性。因此,本申请的申请人采用全正投影非线性重加权的方式对所述测试结果关联特征图的每个特征矩阵进行校正。
在本申请一个具体的实施例中,所述关联特征分布校正模块,进一步用于:以如下公式对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图;
其中,所述公式为:
这里,为校正前和校正后的所述测试结果关联特征图的每个特征矩阵,表示矩阵相乘,表示指数运算,表示线性整流函数,为所述校正后测试结果关联特征图的每个特征矩阵,并且,分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除。
具体地,所述全正投影非线性重加权通过函数来保证投影的全正以避免聚合负相关的信息,并同时引入非线性重加权机制来彼此聚集所述测试结果关联特征图的每个特征矩阵的局部特征值分布,以使得所述测试结果关联特征图的每个特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样,就实现了所述测试结果关联特征图的每个特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换的协同效果,从而提高所述测试结果关联特征图通过分类器得到的所述分类结果的准确性。
在本申请实施例中,所述性能测试结果生成模块160,用于将所述校正后测试结果关联特征图通过分类器以得到分类结果,所述分类结果用于表示分布式网络的性能是否满足应用要求。
图2为根据本申请实施例的分布式性能测试系统中性能测试结果生成模块的框图示意图。如图2所示,在本申请一个具体的实施例中,所述性能测试结果生成模块160,包括:特征向量获取单元161,用于使用所述分类器的全连接层对所述校正后测试结果关联特征图进行全连接编码以得到分类特征向量;概率值计算单元162,用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值,所述分类标签包括所述分布式网络的性能满足应用要求和所述分布式网络的性能不满足应用要求;以及,分类结果确定单元163,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
更为具体地,将所述分布式网络的性能满足应用要求对应的概率值设置为第一概率,所述分布式网络的性能不满足应用要求对应的概率值设置为第二概率,当第一概率大于第二概率时,所述分类结果为所述分布式网络的性能满足应用要求,否则为所述分布式网络的性能不满足应用要求。
综上,基于本申请实施例的所述分布式性能测试系统,其首先获取控制中心的测试任务;然后,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,接着,利用包含多个全连接层的特征提取器和深度卷积神经网络模型提取所述多个测试结果中各个测试结果的高维隐含特征以及各个测试结果之间的高维隐含特征,并基于上述特征来对分布式网络的性能是否满足应用要求进行判断,通过这样的方式,从而实现跨网络性能测试。
如上所述,根据本申请实施例的所述分布式性能测试系统100可以实现在各种终端设备中,例如部署有分布式性能测试算法的服务器等。在一个示例中,根据分布式性能测试系统00可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该分布式性能测试系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该分布式性能测试系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该分布式性能测试系统100与该终端设备也可以是分立的设备,并且分布式性能测试系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图3为根据本申请实施例的分布式性能测试方法的流程图。如图3所示,根据本申请实施例的所述分布式性能测试方法,包括:S110,获取控制中心的测试任务;S120,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,其中,所述多个测试节点至少属于两个不同的网络;S130,将所述多个测试结果通过包含多个全连接层的特征提取器以得到多个测试结果特征向量;S140,将所述多个测试结果特征向量进行二维排列为测试结果特征矩阵后通过使用二维卷积核的深度卷积神经网络模型以得到测试结果关联特征图;S150,对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图;以及,S160,将所述校正后测试结果关联特征图通过分类器以得到分类结果,所述分类结果用于表示分布式网络的性能是否满足应用要求。
图4为根据本申请实施例的分布式性能测试方法的系统架构的示意图。在本申请实施例中,如图4所示,首先,获取控制中心的测试任务。然后,将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果。接着,将所述多个测试结果通过包含多个全连接层的特征提取器以得到多个测试结果特征向量,并将所述多个测试结果特征向量进行二维排列为测试结果特征矩阵后通过使用二维卷积核的深度卷积神经网络模型以得到测试结果关联特征图。最后,对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图,并将所述校正后测试结果关联特征图通过分类器以得到分类结果,所述分类结果用于表示分布式网络的性能是否满足应用要求。
在本申请一个具体的实施例中,所述将所述多个测试结果通过包含多个全连接层的特征提取器以得到多个测试结果特征向量,包括:使用所述特征提取器的各个全连接层在层的正向传递中以如下公式对输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵相乘,其中,所述特征提取器的第一层的输入为所述多个测试结果中的各个测试结果,所述特征提取器的第二层至最后一层的输入为上一层的输出向量,所述特征提取器的最后一层的输出为多个测试结果特征向量中的各个测试结果特征向量。
在本申请一个具体的实施例中,所述将所述多个测试结果通过包含多个全连接层的特征提取器以得到多个测试结果特征向量,包括:使用所述深度卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:基于卷积核对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述深度卷积神经网络模型的第一层的输入为所述测试结果特征矩阵,所述深度卷积神经网络模型的最后一层的输出为所述测试结果关联特征图。
在本申请一个具体的实施例中,所述使用二维卷积核的深度卷积神经网络模型为深度残差网络。
在本申请一个具体的实施例中,所述对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图,进一步用于:以如下公式对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图;
其中,所述公式为:
这里,为校正前和校正后的所述测试结果关联特征图的每个特征矩阵,表示矩阵相乘,表示指数运算,表示线性整流函数,为所述校正后测试结果关联特征图的每个特征矩阵。
在本申请一个具体的实施例中,所述将所述校正后测试结果关联特征图通过分类器以得到分类结果,包括:使用所述分类器的全连接层对所述校正后测试结果关联特征图进行全连接编码以得到分类特征向量;将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值,所述分类标签包括所述分布式网络的性能满足应用要求和所述分布式网络的性能不满足应用要求;以及,将所述概率值中最大者对应的分类标签确定为所述分类结果。
这里,本领域技术人员可以理解,上述分布式性能测试方法中的各个步骤的具体操作已经在上面参考图1和图2的分布式性能测试系统的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。
图5为根据本申请实施例的电子设备的框图。
如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的分布式性能测试以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如测试任务等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的分布式性能测试方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的分布式性能测试方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
Claims (5)
1.一种分布式性能测试系统,其特征在于,包括:
测试任务提取模块,用于获取控制中心的测试任务;
测试结果提取模块,用于将所述测试任务分配到多个测试节点,并从所述多个测试节点得到多个测试结果,其中,所述多个测试节点至少属于两个不同的网络;
测试结果特征提取模块,用于将所述多个测试结果通过包含多个全连接层的特征提取器以得到多个测试结果特征向量;
测试结果特征关联编码模块,用于将所述多个测试结果特征向量进行二维排列为测试结果特征矩阵后通过使用二维卷积核的深度卷积神经网络模型以得到测试结果关联特征图;
关联特征分布校正模块,用于对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图;以及
性能测试结果生成模块,用于将所述校正后测试结果关联特征图通过分类器以得到分类结果,所述分类结果用于表示分布式网络的性能是否满足应用要求;
所述关联特征分布校正模块,进一步用于:以如下公式对所述测试结果关联特征图的沿通道维度的各个特征矩阵进行特征分布校正以得到校正后测试结果关联特征图;
其中,所述公式为:
这里,为校正前和校正后的所述测试结果关联特征图的每个特征矩阵,为的转置矩阵,表示矩阵相乘,表示指数运算,表示线性整流函数,为所述校正后测试结果关联特征图的每个特征矩阵。
2.根据权利要求1所述的分布式性能测试系统,其特征在于,所述测试结果特征提取模块,进一步用于:使用所述特征提取器的各个全连接层在层的正向传递中以如下公式对输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵相乘,其中,所述特征提取器的第一层的输入为所述多个测试结果中的各个测试结果,所述特征提取器的第二层至最后一层的输入为上一层的输出向量,所述特征提取器的最后一层的输出为多个测试结果特征向量中的各个测试结果特征向量。
3.根据权利要求2所述的分布式性能测试系统,其特征在于,所述测试结果特征关联编码模块,进一步用于:使用所述深度卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:
基于卷积核对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述深度卷积神经网络模型的第一层的输入为所述测试结果特征矩阵,所述深度卷积神经网络模型的最后一层的输出为所述测试结果关联特征图。
4.根据权利要求3所述的分布式性能测试系统,其特征在于,所述使用二维卷积核的深度卷积神经网络模型为深度残差网络。
5.根据权利要求4所述的分布式性能测试系统,其特征在于,所述性能测试结果生成模块,包括:
特征向量获取单元,用于使用所述分类器的全连接层对所述校正后测试结果关联特征图进行全连接编码以得到分类特征向量;
概率值计算单元,用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值,所述分类标签包括所述分布式网络的性能满足应用要求和所述分布式网络的性能不满足应用要求;以及
分类结果确定单元,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211626247.5A CN115617636B (zh) | 2022-12-17 | 2022-12-17 | 一种分布式性能测试系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211626247.5A CN115617636B (zh) | 2022-12-17 | 2022-12-17 | 一种分布式性能测试系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115617636A CN115617636A (zh) | 2023-01-17 |
CN115617636B true CN115617636B (zh) | 2023-04-07 |
Family
ID=84880517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211626247.5A Active CN115617636B (zh) | 2022-12-17 | 2022-12-17 | 一种分布式性能测试系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115617636B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116718894B (zh) * | 2023-06-19 | 2024-03-29 | 上饶市广强电子科技有限公司 | 玉米灯的电路稳定性测试方法及其系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112732549B (zh) * | 2019-10-14 | 2023-10-17 | 无锡江南计算技术研究所 | 基于聚类分析的测试程序分类方法 |
CN112434785B (zh) * | 2020-10-22 | 2023-04-14 | 西安交通大学 | 一种面向超级计算机的分布式并行深度神经网络性能评测方法 |
CN114666254A (zh) * | 2022-03-11 | 2022-06-24 | 杭州雅深科技有限公司 | 用于全屋路由器系统的网络性能测试方法及其系统 |
-
2022
- 2022-12-17 CN CN202211626247.5A patent/CN115617636B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115617636A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8086549B2 (en) | Multi-label active learning | |
CN112016635B (zh) | 设备类型的识别方法、装置、计算机设备和存储介质 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
CN115617636B (zh) | 一种分布式性能测试系统 | |
CN110298374B (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
CN104424254A (zh) | 获取相似对象集合、提供相似对象信息的方法及装置 | |
CN115118675B (zh) | 基于智能网卡设备实现的数据流传输加速方法及其系统 | |
Zaragoza et al. | A two-step method to learn multidimensional Bayesian network classifiers based on mutual information measures | |
JP2018077765A (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
CN114648103A (zh) | 用于处理深度学习网络的自动多目标硬件优化 | |
CN109086819A (zh) | caffemodel模型压缩方法、系统、设备及介质 | |
CN116404212B (zh) | 锌铁液流电池系统容量均衡控制方法及系统 | |
WO2020252925A1 (zh) | 用户特征群中用户特征寻优方法、装置、电子设备及计算机非易失性可读存储介质 | |
CN116383714A (zh) | 用于斗轮机的设备保护系统及其方法 | |
CN116167833A (zh) | 基于联邦学习的互联网金融风险控制系统及其方法 | |
CN116228014A (zh) | 一种基础设施入网的直流配电网效益评估系统及其方法 | |
CN110851655B (zh) | 一种用于简化复杂网络的方法和系统 | |
Lee et al. | Fractional centralities on networks: Consolidating the local and the global | |
Sood | Iterative solver selection techniques for sparse linear systems | |
CN113746539B (zh) | Gpon光链路保护倒换方法及系统 | |
CN108282205B (zh) | 一种空分用户选择的方法及装置 | |
Fang et al. | Parallel tensor decomposition with distributed memory based on hierarchical singular value decomposition | |
Karev | Dynamics of heterogeneous populations and communities and evolution of distributions | |
CN112087405A (zh) | 码本生成方法、信息传输方法、终端及网络设备 |
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 |