CN116361191A - 一种基于人工智能的软件兼容性处理方法 - Google Patents
一种基于人工智能的软件兼容性处理方法 Download PDFInfo
- Publication number
- CN116361191A CN116361191A CN202310480395.9A CN202310480395A CN116361191A CN 116361191 A CN116361191 A CN 116361191A CN 202310480395 A CN202310480395 A CN 202310480395A CN 116361191 A CN116361191 A CN 116361191A
- Authority
- CN
- China
- Prior art keywords
- compatibility
- test
- software
- data
- compatible
- 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.)
- Withdrawn
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 623
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 26
- 238000003058 natural language processing Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 95
- 230000002159 abnormal effect Effects 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 39
- 230000009467 reduction Effects 0.000 claims description 29
- 230000008439 repair process Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000011282 treatment Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 25
- 238000000605 extraction Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005496 tempering Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003252 repetitive effect Effects 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
- G06F11/3688—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
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的软件兼容性处理方法。所述方法包括以下步骤：获取目标软件终端的兼容指令，以生成软件兼容测试信息；获取系统终端的兼容性库和兼容性包，以构建兼容性配置文件；利用机器学习和自然语言处理技术对软件兼容测试信息进行关键信息提取，以得到兼容性测试用例；对兼容性测试用例进行数据预处理，提取预处理后的兼容性测试用例中的信息特征，得到兼容性测试特征；构建基于深度学习的兼容测试模型，将兼容性测试特征输入至兼容测试模型中进行模型预测，得到兼容性测试指数。本发明可以帮助测试员更加快速、准确地发现和解决兼容性问题，从而提高软件的质量。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的软件兼容性处理方法。
背景技术
人工智能(Artificial Intelligence，简称AI)是一种技术和方法，旨在使机器能够模拟人类智能的各种方面，如认知、学习、推理、感知、理解语言等。它可以被视为一种系统，具有类似于人类大脑的可编程结构，可以通过数据和算法进行训练和优化，从而实现一系列不同的任务和功能。人工智能具有很强的自适应性和智能化，可以根据不同的环境和需求进行改进和优化。例如，大数据分析、机器学习、自然语言处理、计算机视觉、语音识别等都是人工智能技术的重要方面，这些技术在许多领域中都得到了广泛的应用。
软件兼容性是指在不同的操作系统、硬件平台、浏览器等环境下，软件能够正常运行、正确处理数据、提供正确的功能和性能。在软件开发和维护过程中，软件兼容性的问题往往会带来很大的挑战，因此需要采取有效的软件兼容性处理方法。目前，随着人工智能的发展，计算机设备系统的更新换代也速度增快，往往会造成系统软件出现软件驱动不兼容的情况，当前兼容性测试缺乏足够人工智能技术来帮助程序自动生成测试用例，使得测试人员需要凭借经验和专业知识来判断是否存在兼容性问题，另外，不同的操作系统、硬件以及软件开发方法之间存在差异，这将导致软件在不同的操作系统上运行情况不同，兼容性测试工作会变得更加复杂，无法保证软件兼容性的绝对性和一致性。
发明内容
基于此，本发明提供一个基于人工智能的软件兼容性处理方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于人工智能的软件兼容性处理方法，所述方法包括以下步骤：
步骤S1：获取目标软件终端的兼容指令，以生成软件兼容测试信息；
步骤S2：获取系统终端的兼容性库和兼容性包，以构建兼容性配置文件；
步骤S3：利用机器学习和自然语言处理技术对软件兼容测试信息进行关键信息提取，以得到兼容性测试用例；
步骤S4：对兼容性测试用例进行数据预处理，提取预处理后的兼容性测试用例中的信息特征，得到兼容性测试特征；
步骤S5：构建基于深度学习的兼容测试模型，将兼容性测试特征输入至兼容测试模型中进行模型预测，得到兼容性测试指数；
步骤S6：利用预设的兼容测试分析模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，得到兼容性异常数据；
步骤S7：利用兼容性配置文件对兼容性异常数据进行兼容匹配，生成兼容性处理数据；
步骤S8：对兼容性处理数据进行预测处理，生成兼容性处理决策信息；响应于目标软件终端的修复指令，以执行相应的软件兼容修复决策。
本发明提供了一种基于人工智能的软件兼容性处理方法的具体步骤方法，首先，在软件开发中，兼容性测试是重要的一环，它用于确定应用程序能够在各种硬件平台、操作系统和浏览器等不同环境下正确运行，为了生成软件兼容测试信息，需要获取目标软件终端的兼容指令，用户通过使用第三方工具来获取兼容指令，以确保软件在不同环境下的正确运行。由于许多操作系统和终端都提供了兼容性库和兼容性包来确保软件应用程序在不同环境下能够正常工作，通过获取系统终端的兼容性库和兼容性包来构建兼容性配置文件可以提高软件在不同平台上的兼容性，降低开发成本，确保软件的性能和安全性，并提高用户的满意度，保证软件兼容性的绝对性和一致性。因为软件兼容测试信息涉及到的信息背景复杂，测试信息数量众多，后续在进行兼容性测试过程繁琐且繁重，为了解决这个问题，通过使用机器学习和自然语言处理技术来对软件兼容测试信息进行关键信息提取，以得到更准确的兼容性测试用例。在兼容性测试中，使用机器学习技术可以有效地帮助识别并提取关键信息，它可以学习信息特征，自动识别文本中的重要信息，从而自动执行关键信息提取任务，而自然语言处理技术可以有效地帮助机器学习技术处理文本数据，帮助更加准确地提取关键信息，能够更好地检测和解决软件的兼容性问题，为后续特征提取提供了数据基础保障。同时，在进行兼容性测试时，测试用例数量往往非常庞大。为了有效地评估系统软件的兼容性，并且避免耗费大量的时间和精力，需要对兼容性测试用例进行数据预处理，提取出有用的信息特征。这些特征可以帮助测试人员更好地理解测试用例，并在更短的时间内对系统进行有效的兼容性测试，有助于提高测试效率、测试覆盖率和测试质量，同时还能降低测试成本和时间。构建基于深度学习的兼容性测试模型是通过使用深度学习算法，利用大量的数据进行训练，从而建立一个能够识别软件运行在特定平台或环境中是否存在问题的模型。该模型可以将输入兼容性测试特征与训练数据的结果进行比较，并输出一个相应的兼容性测试指数，用于评估软件在不同平台或环境中的兼容性。利用预设的兼容测试分析模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，来提供有关软件是否兼容的详细信息，通过对兼容测试分析模型的使用可以提供详细的兼容性异常数据，并提高测试效率、降低测试成本，同时可以帮助提高软件的质量。兼容性配置文件其中包含了不同操作系统、浏览器和设备的兼容性信息，这些信息能够帮助开发人员识别出兼容性异常问题，并提供解决方案以确保软件在不同设备上运行时都能正常工作。兼容性配置文件可以对兼容性异常数据进行兼容匹配，从而在不同的设备上生成兼容性处理数据，此过程可以显著提高软件的用户体验。通过对兼容性处理数据进行分析和处理，并使用机器学习等技术，生成兼容性处理决策信息，以便系统可以预测并处理不同版本之间的兼容性问题，兼容性处理决策信息则是根据预测结果所做出的相应决策，以确保兼容性处理措施的准确性和有效性，最后，通过充分利用预测处理和决策信息，以及响应目标软件终端的修复指令，可以帮助开发人员更好地处理兼容性问题，提高系统的质量和效率。
优选地，步骤S1包括以下步骤：
步骤S11：对目标软件终端进行指令测试，得到初始兼容指令；
步骤S12：对初始兼容指令进行数据预处理和数据采集，生成兼容指令；
步骤S13：根据兼容指令进行兼容测试，生成软件兼容测试信息。
本发明提供了对目标软件终端进行指令测试是一种兼容性测试方法，可以确保软件在通信协议、数据格式和传输方式方面与终端设备相兼容，得到初始兼容指令，这种测试方法可以帮助找到软件中存在的初始兼容性问题。然后通过对初始兼容指令进行数据预处理和采集，对采集到的初始兼容指令进行去重、去噪、去掉不必要的信息，能够提高数据的质量和一致性，最终生成兼容指令。最后，根据兼容指令进行兼容测试，兼容测试的目的是确保软件在不同操作系统、硬件设备、浏览器等不同环境下都能够正常运行，通过兼容测试后生成软件兼容测试信息，为后续的操作提供了数据保障。
优选地，步骤S2包括以下步骤：
步骤S21：获取系统终端的兼容性库和兼容性包，得到历史兼容性配置信息；
步骤S22：定期获取新产生的兼容性库和兼容性包，得到更新兼容性配置信息；
步骤S23：将历史兼容性配置信息和更新兼容性配置信息发送至云端服务器，以生成兼容性配置文件，其中兼容性配置文件包括用于解决各种兼容性问题的解决方案文件。
本发明提供了通过获取系统终端的兼容性库和兼容性包，得到历史兼容性配置信息，可以提高系统的兼容性，由于不同的应用程序和软件可能需要特定的库和包才能正常运行，获取系统终端的兼容性库和兼容性包可以确保系统有足够的库和包来满足应用程序和软件的需求，从而提高系统的兼容性。并且能够快速解决兼容性问题，帮助管理软件兼容性库和包之间的依赖关系，从而提高系统的效率和性能。通过定期获取新产生的兼容性库和兼容性包，可以帮助实时更新系统兼容性配置信息，对于软件和应用程序的稳定性、可靠性、性能和安全性都有重要影响，能够及时对兼容性问题进行检测，可以帮助确保软件始终处于最佳状态。将历史兼容性配置信息和更新兼容性配置信息发送至云端服务器的目的是为了生成适合特定系统软件而配置的兼容性配置文件，这个兼容性配置文件包括了在此系统上可以对软件兼容性问题行之有效的解决方案，并为后续检测兼容性问题提供了有效的解决方案。
优选地，步骤S3包括以下步骤：
步骤S31：对软件兼容测试信息进行数据采集，得到软件兼容测试数据；
步骤S32：对软件兼容测试数据进行数据预处理，通过对预处理后的软件兼容测试数据进行特征提取，得到软件兼容测试特征；
步骤S33：利用基于支持向量机的兼容分类模型对软件兼容测试特征进行模型测试，得到初始兼容性测试用例；
步骤S34：利用自然语言处理技术对初始兼容性测试用例进行关键信息提取，筛选出与兼容性测试相关的关键信息，得到兼容性测试用例。
本发明提供了对软件兼容测试信息进行数据采集，以得到软件兼容测试数据，在进行软件兼容性测试时，从软件兼容测试信息收集软件兼容测试数据可以帮助测试员掌握软件的表现，并且识别出在不同环境下可能出现的问题和缺陷，通过数据采集，测试员可以了解不同操作系统和浏览器之间的兼容性问题，识别出硬件和系统配置问题，并且可以调查和定位性能问题和兼容性异常问题。对软件兼容测试数据进行数据预处理，首先，预处理软件兼容测试数据可以优化数据质量，减少数据中的噪声和异常值，这有助于提高特征提取的准确性和可靠性。其次，特征提取可以将原始数据转换为具有可解释性的特征向量，以描述数据的关键特征。在软件兼容测试中，这些特征可能包括不同操作系统、硬件和软件版本之间的差异等。通过提取这些特征，可以更深入地了解软件的兼容性问题，并确定哪些因素对软件兼容性的影响最大。最后，提取软件兼容测试特征可以有效简化数据，降低计算复杂度，提高算法的效率。这对于处理大规模软件兼容测试数据集尤其有用。为了有效地完成兼容性测试，需要在不同的环境下构建兼容性测试用例，所以先通过使用基于支持向量机的兼容分类模型来自动化生成初始兼容性测试用例，基于支持向量机的兼容分类模型可以从现有的软件兼容测试特征中学习出测试用例的特征和性能，并用于预测未被测试的软件在不同环境下的兼容性。具体来说，这个模型可以通过对测试用例的不同特征进行分类，可以自动发现各种环境因素的影响，从而更快速地生成初始兼容性测试用例，并以更加客观的方式评估软件的性能和稳定性。然后通过自然语言处理技术对初始兼容性测试用例进行关键信息提取，自然语言处理技术可以帮助我们从初始兼容性测试用例中提取出有用的信息，这对于兼容性测试用例的设计和优化非常有帮助，从中筛选出与兼容性测试相关的关键信息，最终得到兼容性测试用例，为后续的操作提供了数据来源。
优选地，步骤S4包括以下步骤：
构建兼容性测试特征数据库，对兼容性测试用例进行数据预处理，得到兼容性测试用例数据，将兼容性测试用例数据保存至兼容性测试特征数据库；
获取兼容性测试特征数据库中兼容性测试用例数据的特征数据包，提取特征数据包中的信息特征，得到兼容性测试特征。
本发明构建了兼容性测试特征数据库，通过对兼容性测试用例进行数据预处理后提取信息特征，最终得到兼容性测试特征。首先，需要对兼容性测试用例进行数据采集得到兼容性测试用例数据，接下来，需要对采集后的兼容性测试用例数据进行数据预处理，其中包括数据清洗、数据归一化和数据平滑处理，以便后续更好地提取信息特征，将兼容性测试用例数据保存至兼容性测试特征数据库中，最后，从兼容性测试特征数据库中获取关于兼容性测试用例数据的特征数据包，提取特征数据包中的信息特征，得到兼容性测试特征，同时，在提取特征数据包的过程中，需要对特征数据包进行数据保护，防止在兼容性测试过程中用户信息被泄露。
优选地，步骤S5包括以下步骤：
步骤S51：对兼容性测试特征进行数据预处理和数据采集，生成兼容性测试特征数据集；
步骤S52：利用兼容降噪算法对兼容性测试特征数据集进行降噪处理，得到兼容噪声指数；
其中，兼容降噪算法的公式如下所示：
式中，σ为兼容噪声指数，
为兼容性测试特征中的第i个特征分量，/>
为兼容性测试特征中的带噪特征分量，λi为兼容性测试特征中的第i个特征分量的噪声指数
的调和平滑参数，n为兼容性测试特征中的特征分量数量，/>
为兼容性测试特征的平均特征分量，/>
为兼容噪声指数的标准偏差值，μ为兼容噪声指数的修正系数；
本发明提供了一种兼容降噪算法的公式，为了消除兼容性测试特征数据集中噪声数据对兼容性测试质量和准确性的影响，通过该降噪算法对兼容性测试特征数据集进行降噪处理，以获得更加干净、准确的兼容性测试数据集，最终得到兼容噪声指数，该公式充分考虑了兼容性测试特征中的第i个特征分量
兼容性测试特征中的带噪特征分量/>
另外，通过/>
和/>
形成数据关系得到兼容性测试特征中的第i个特征分量的噪声指数
以及兼容性测试特征中的第i个特征分量的噪声指数的调和平滑参数λi，兼容性测试特征中的特征分量数量n，兼容性测试特征的平均特征分量/>
为了防止获得的兼容噪声指数有偏差，需要添加兼容噪声指数的标准偏差值/>
进行调和处理，根据兼容噪声指数σ与以上参数之间的相互关系构成函数关系/>
该算法公式实现了对兼容噪声指数进行计算，同时，通过兼容噪声指数的修正系数μ的引入，可以根据实际情况进行调整，从而提高利用兼容降噪算法对兼容噪声指数计算的准确性。
步骤S53：当兼容噪声指数大于预设的噪声阈值时，剔除该兼容噪声指数对应的兼容性测试特征分量，得到目标兼容性测试数据集；
步骤S54：构建基于深度学习的兼容测试模型，将目标兼容性测试数据集输入至兼容测试模型中进行模型预测，得到兼容性测试指数。
本发明提供了对兼容性测试特征进行数据预处理和数据采集，为了准确评估软件在不同环境下的兼容性，需要收集和处理大量的兼容性测试特征，而兼容性测试特征容易受到噪声的影响，所以需要对其进行降噪处理，从而得到兼容噪声指数，当得到的兼容噪声指数大于预设的噪声阈值时，可以认定该兼容噪声指数对应的兼容性测试特征分量受噪声的影响很大，容易影响兼容性测试，所以将该兼容噪声指数对应的兼容性测试特征分量剔除掉，最终得到目标兼容性测试数据集。利用深度学习算法构建兼容测试模型，可以帮助测试员快速、准确地检测软件在不同环境下的兼容性问题，建立兼容测试模型后，将得到的目标兼容性测试数据集输入到兼容测试模型中进行预测，模型输出兼容性测试指数，测试员可以使用兼容性测试指数来快速准确地评估软件兼容性和解决兼容性问题，可以有效提高兼容性测试的准确度。
优选地，步骤S54包括以下步骤：
步骤S541：对目标兼容性测试数据集进行分类，得到相关系统软件测试数据集；
步骤S542：构建基于卷积神经网络深度学习算法的兼容测试模型，其中兼容测试模型包括平台、浏览器、移动设备和软件版本等不同系统上软件的兼容测试模型；
步骤S543：将相关系统软件测试数据集输入至兼容测试模型中进行训练，并通过如下损失函数进行模型优化，获得兼容测试模型的损失值：
其中，m为损失值，T为相关系统软件测试数据集中的数据数量，exp为指数函数，Pt为相关系统软件测试数据集中第t个数据项，Qt为兼容测试模型训练结果中第t个数据项，u为损失值的修正系数；
本发明提供了一个损失函数公式，用于计算兼容测试模型的损失值，在对兼容性测试模型进行训练时，为了帮助模型尽可能地拟合相关系统软件测试数据集，需要使用一个适合的损失函数来作为模型优化的指标，对于本发明的兼容测试模型而言，通过选择如上的损失函数来评估模型的准确性，该函数公式充分考虑了相关系统软件测试数据集中的数据数量T，相关系统软件测试数据集中第t个数据项Pt，兼容测试模型训练结果中第t个数据项Qt，根据损失值m与各变量之间相互的作用关系，以形成函数关系
该函数公式实现了利用损失函数对兼容测试模型的损失值的计算，同时，通过损失值的修正系数u的引入，可以针对在模型训练时出现的特殊情况进行调整，进一步提高损失函数的适用性和稳定性，从而提高兼容测试模型的泛化能力和鲁棒性。
步骤S544：根据损失值对兼容测试模型进行参数调优，得到最优兼容测试模型；
步骤S545：将相关系统软件测试数据集重新输入至最优兼容测试模型中进行模型预测，得到兼容性测试指数。
本发明提供了一个构建基于卷积神经网络深度学习算法的兼容测试模型的具体过程，首先，需要对目标兼容性测试数据集进行分类，以得到相关系统软件的测试数据集，方便测试员更准确地测试涉及软件在相关系统环境下的兼容性，确保测试结果具有更高的可靠性，有利于检测软件在不同环境下的稳定性和兼容性。然后通过构建基于卷积神经网络深度学习算法的兼容测试模型，该模型可以准确地识别软件在不同环境下所出现的兼容性异常情况，将得到的相关系统软件测试数据集输入至兼容测试模型中进行训练，在训练模型的过程中，通过定义一个损失函数，用于评估模型训练结果与实际数据之间的差异，通过损失函数计算兼容测试模型的损失值，并逐步利用损失值对兼容测试模型进行参数调优，更好地提高模型的泛化能力和健壮性，最终得到最优兼容测试模型。最后，将相关系统软件测试数据集重新输入至最优兼容测试模型中进行预测，确定模型性能是否达到预期，输出模型预测的结果，最终得到兼容性测试指数，为后续的操作提供了数据来源。
优选地，步骤S6包括以下步骤：
步骤S61：构建兼容测试分析模型，其中包括特征分割模型，风险检测模型和测试模型；
步骤S62：根据兼容性测试指数利用特征分割模型对兼容性测试特征进行特征分割，得到不同环境的兼容性测试特征；
步骤S63：利用风险检测模型对不同环境的兼容性测试特征进行风险预测，得到初始异常数据；
步骤S64：根据初始异常数据利用测试模型进行兼容测试分析，得到兼容性异常数据。
本发明构建了一个兼容测试分析模型，并利用模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，从而得到兼容性异常数据，为目标软件修复决策的执行提供了必要的数据来源。兼容测试分析模型中的特征分割模型通过对输入的兼容性测试特征进行特征分割，得到不同环境下的兼容性测试特征，通过对兼容性测试特征的分割可以更好地掌握在不同环境中软件的兼容性情况，并通过比较不同环境的兼容性测试指数来确定相对稳定的环境，可以更好地针对性地解决兼容性问题和提高软件在不同环境中的兼容性。风险检测模型可以提高对特征分割模型提取后的不同环境的兼容性测试特征进行风险预测，识别出潜在的风险因素，得到初始异常数据，可以帮助测试员找到潜在问题所在，从而快速定位和解决兼容性问题。在兼容性测试中，使用各种不同的测试环境和操作系统来测试软件的兼容性，针对不同的特定场景进行测试。在进行测试时，通过使用特定的初始异常数据来测试软件对不同场景的响应能力。这些异常数据可以帮助我们发现软件在特定场景中的兼容性问题，从而提高软件的可靠性和质量。利用测试模型分析初始异常数据可以帮助我们更加深入地了解软件在不同场景下的响应能力，从而改进软件的性能和可靠性。通过收集和分析这些数据，最终得到兼容性异常数据，可以优化软件以更好地适应不同的操作系统版本和环境，提高软件的性能和稳定性。
优选地，步骤S7包括以下步骤：
从兼容性配置文件中获取兼容性问题的解决方案文件；
利用兼容性问题的解决方案文件与兼容性异常数据通过动态匹配规则进行兼容匹配，得到兼容匹配状态信号；
当兼容匹配状态信号为匹配成功信号时，生成兼容性处理数据。
本发明提供了从兼容性配置文件中获取兼容性问题的解决方案文件，其中包含了软件在不同操作系统、硬件配置、浏览器等不同平台的兼容性解决方案，可以更快、更准确地为所出现的软件兼容性异常问题找到解决方案，并做出决策反映。利用兼容性问题的解决方案文件与兼容性异常数据通过动态匹配规则进行兼容匹配，匹配结果得到兼容匹配状态信号，用来表示兼容性异常数据与兼容性问题的解决方案的匹配程度，兼容匹配状态信号包括成功信号和异常信号，如果兼容匹配状态信号是成功信号，说明软件可以通过兼容性问题的解决方案文件提供的兼容性解决方案提示措施来解决兼容性问题，如果兼容匹配状态信号是异常信号，说明该软件出现的兼容性异常问题在此之前没有出现过，采取其他措施来解决兼容性问题，然后需要及时更新兼容性问题的解决方案文件，重新进行兼容性测试，最终得到兼容性处理数据，为目标软件执行修复决策提供了必要的数据基础支持。
优选地，步骤S8包括以下步骤：
对兼容性处理数据进行数据分析和预处理，通过系统终端传输至目标软件，得到兼容性处理控制信息；
通过对兼容性处理控制信息进行实时采集，生成兼容性处理决策信息；
将兼容性处理决策信息响应于目标软件终端的修复指令，利用目标软件终端控制执行相应的软件兼容修复决策。
本发明提供了对兼容性处理数据进行数据分析和预处理，可以提高兼容性处理数据的质量和精度，有效地减少重复值、无效值、噪音等因素对目标软件造成干扰，从而保证兼容性处理数据的真实性和可靠性，通过系统终端传输预处理后的兼容性处理数据，可以实现实时检测和识别系统软件当前的兼容性问题，从而提升软件兼容性的绝对性和一致性，最终得到兼容性处理控制信息，为后续的处理决策提供了信息来源。另外，通过对兼容性处理控制信息进行实时采集，能够对系统软件出现的兼容性异常问题做出实时准确预测，并生成兼容性处理决策信息，具体来说，实时采集兼容性处理控制信息是在软件运行过程中，通过监控用户使用环境及行为等信息来收集关于兼容性问题的控制信息，通过对这些信息进行收集和分析，可以发现一些常见的兼容性问题，通过实时采集兼容性处理控制信息并生成兼容性处理决策信息，可以有效提高软件的兼容性，提高开发效率，增加用户满意度。根据收集到的兼容性处理决策信息作用于目标软件终端，会生成修复指令，通过修复指令可以在目标软件终端上有效地响应软件兼容性问题并实现修复工作，从而提高软件的可靠性和稳定性。
附图说明
图1为本发明一种基于人工智能的软件兼容性处理方法的步骤流程示意图；
图2为图1中步骤S1的详细实施步骤流程示意图；
图3为图1中步骤S2的详细实施步骤流程示意图；
图4为图1中步骤S3的详细实施步骤流程示意图；
图5为图1中步骤S5的详细实施步骤流程示意图；
图6为图5中步骤S54的详细实施步骤流程示意图；
图7为图1中步骤S6的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图7，本发明提供了一种基于人工智能的软件兼容性处理方法，所述方法包括以下步骤：
步骤S1：获取目标软件终端的兼容指令，以生成软件兼容测试信息；
步骤S2：获取系统终端的兼容性库和兼容性包，以构建兼容性配置文件；
步骤S3：利用机器学习和自然语言处理技术对软件兼容测试信息进行关键信息提取，以得到兼容性测试用例；
步骤S4：对兼容性测试用例进行数据预处理，提取预处理后的兼容性测试用例中的信息特征，得到兼容性测试特征；
步骤S5：构建基于深度学习的兼容测试模型，将兼容性测试特征输入至兼容测试模型中进行模型预测，得到兼容性测试指数；
步骤S6：利用预设的兼容测试分析模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，得到兼容性异常数据；
步骤S7：利用兼容性配置文件对兼容性异常数据进行兼容匹配，生成兼容性处理数据；
步骤S8：对兼容性处理数据进行预测处理，生成兼容性处理决策信息；响应于目标软件终端的修复指令，以执行相应的软件兼容修复决策。
本发明实施例中，参考图1所述，为本发明一种基于人工智能的软件兼容性处理方法的步骤流程示意图，在本实例中，所述基于人工智能的软件兼容性处理方法的步骤包括：
步骤S1：获取目标软件终端的兼容指令，以生成软件兼容测试信息；
本发明实施例通过了解目标软件的平台和版本，在目标软件终端寻找可用的兼容指令，并生成准确的软件兼容测试信息。
步骤S2：获取系统终端的兼容性库和兼容性包，以构建兼容性配置文件；
本发明实施例通过获取系统终端的兼容性库和兼容性包检测操作系统和软件的要求，得到适当的兼容性配置信息，用来构建兼容性配置文件。
步骤S3：利用机器学习和自然语言处理技术对软件兼容测试信息进行关键信息提取，以得到兼容性测试用例；
本发明实施例通过使用机器学习技术识别并提取软件兼容测试信息中的信息特征，自动化学习信息特征，自动识别文本中的重要信息，然后通过自然语言处理技术从旁协助机器学习技术处理文本数据，帮助更准确地提取软件兼容测试信息中的关键信息，最终得到兼容性测试用例。
步骤S4：对兼容性测试用例进行数据预处理，提取预处理后的兼容性测试用例中的信息特征，得到兼容性测试特征；
本发明实施例通过对兼容性测试用例数据进行数据清洗、数据归一化和数据平滑等处理，对预处理后的兼容性测试用例进行信息特征提取，最终得到兼容性测试特征。
步骤S5：构建基于深度学习的兼容测试模型，将兼容性测试特征输入至兼容测试模型中进行模型预测，得到兼容性测试指数；
本发明实施例通过深度学习算法构建兼容测试模型，帮助测试员快速、准确地检测软件在不同环境下的兼容性问题，建立好模型后，将兼容性测试特征输入至兼容测试模型中进行预测，最终得到兼容性测试指数。
步骤S6：利用预设的兼容测试分析模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，得到兼容性异常数据；
本发明实施例通过对兼容性测试指数进行数据清洗、数据规范化等处理，对兼容性测试特征提取出对兼容性测试有用的特征，通过将这两个要素结合起来，通过预先构建的一个兼容测试分析模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，最终得到兼容性异常数据。
步骤S7：利用兼容性配置文件对兼容性异常数据进行兼容匹配，生成兼容性处理数据；
本发明实施例通过利用兼容性配置文件中的解决方案对兼容性异常数据进行动态生成匹配，如果匹配成功，则生成兼容性处理数据，如果匹配不成功，通过采取其他措施来解决该软件兼容性问题，然后及时更新该兼容性问题的解决方案文件，重新进行兼容性测试，最终重新生成兼容性处理数据。
步骤S8：对兼容性处理数据进行预测处理，生成兼容性处理决策信息；响应于目标软件终端的修复指令，以执行相应的软件兼容修复决策。
本发明实施例通过对兼容性处理数据进行去除重复值、无效值、降噪等处理，以减少噪声、重复值、无效值等因素对目标软件造成干扰，通过系统终端传输预处理后的兼容性处理数据到目标软件，最终生成兼容性处理决策信息，然后根据兼容性处理决策信息作用于目标软件终端，生成修复指令，通过修复指令可以在目标软件终端上有效地响应软件兼容性问题并执行相应的软件兼容修复决策。
本发明提供了一种基于人工智能的软件兼容性处理方法的具体步骤方法，首先，在软件开发中，兼容性测试是重要的一环，它用于确定应用程序能够在各种硬件平台、操作系统和浏览器等不同环境下正确运行，为了生成软件兼容测试信息，需要获取目标软件终端的兼容指令，用户通过使用第三方工具来获取兼容指令，以确保软件在不同环境下的正确运行。由于许多操作系统和终端都提供了兼容性库和兼容性包来确保软件应用程序在不同环境下能够正常工作，通过获取系统终端的兼容性库和兼容性包来构建兼容性配置文件可以提高软件在不同平台上的兼容性，降低开发成本，确保软件的性能和安全性，并提高用户的满意度，保证软件兼容性的绝对性和一致性。因为软件兼容测试信息涉及到的信息背景复杂，测试信息数量众多，后续在进行兼容性测试过程繁琐且繁重，为了解决这个问题，通过使用机器学习和自然语言处理技术来对软件兼容测试信息进行关键信息提取，以得到更准确的兼容性测试用例。在兼容性测试中，使用机器学习技术可以有效地帮助识别并提取关键信息，它可以学习信息特征，自动识别文本中的重要信息，从而自动执行关键信息提取任务，而自然语言处理技术可以有效地帮助机器学习技术处理文本数据，帮助更加准确地提取关键信息，能够更好地检测和解决软件的兼容性问题，为后续特征提取提供了数据基础保障。同时，在进行兼容性测试时，测试用例数量往往非常庞大。为了有效地评估系统软件的兼容性，并且避免耗费大量的时间和精力，需要对兼容性测试用例进行数据预处理，提取出有用的信息特征。这些特征可以帮助测试人员更好地理解测试用例，并在更短的时间内对系统进行有效的兼容性测试，有助于提高测试效率、测试覆盖率和测试质量，同时还能降低测试成本和时间。构建基于深度学习的兼容性测试模型是通过使用深度学习算法，利用大量的数据进行训练，从而建立一个能够识别软件运行在特定平台或环境中是否存在问题的模型。该模型可以将输入兼容性测试特征与训练数据的结果进行比较，并输出一个相应的兼容性测试指数，用于评估软件在不同平台或环境中的兼容性。利用预设的兼容测试分析模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，来提供有关软件是否兼容的详细信息，通过对兼容测试分析模型的使用可以提供详细的兼容性异常数据，并提高测试效率、降低测试成本，同时可以帮助提高软件的质量。兼容性配置文件其中包含了不同操作系统、浏览器和设备的兼容性信息，这些信息能够帮助开发人员识别出兼容性异常问题，并提供解决方案以确保软件在不同设备上运行时都能正常工作。兼容性配置文件可以对兼容性异常数据进行兼容匹配，从而在不同的设备上生成兼容性处理数据，此过程可以显著提高软件的用户体验。通过对兼容性处理数据进行分析和处理，并使用机器学习等技术，生成兼容性处理决策信息，以便系统可以预测并处理不同版本之间的兼容性问题，兼容性处理决策信息则是根据预测结果所做出的相应决策，以确保兼容性处理措施的准确性和有效性，最后，通过充分利用预测处理和决策信息，以及响应目标软件终端的修复指令，可以帮助开发人员更好地处理兼容性问题，提高系统的质量和效率。
优选地，步骤S1包括以下步骤：
步骤S11：对目标软件终端进行指令测试，得到初始兼容指令；
步骤S12：对初始兼容指令进行数据预处理和数据采集，生成兼容指令；
步骤S13：根据兼容指令进行兼容测试，生成软件兼容测试信息。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细实施步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：对目标软件终端进行指令测试，得到初始兼容指令；
本发明实施例通过对目标软件终端进行指令测试，测试软件是否与终端设备相兼容，最终得到初始兼容指令。
步骤S12：对初始兼容指令进行数据预处理和数据采集，生成兼容指令；
本发明实施例通过对初始兼容指令进行去重、去噪、去掉无关变量等数据预处理，采集预处理后的初始兼容指令，得到更准确的兼容指令。
步骤S13：根据兼容指令进行兼容测试，生成软件兼容测试信息。
本发明实施例通过对兼容指令进行兼容测试，测试该软件是否能够在不同操作系统、硬件设备、浏览器等不同环境下正常运行，最终生成软件兼容测试信息。
本发明提供了对目标软件终端进行指令测试是一种兼容性测试方法，可以确保软件在通信协议、数据格式和传输方式方面与终端设备相兼容，得到初始兼容指令，这种测试方法可以帮助找到软件中存在的初始兼容性问题。然后通过对初始兼容指令进行数据预处理和采集，对采集到的初始兼容指令进行去重、去噪、去掉不必要的信息，能够提高数据的质量和一致性，最终生成兼容指令。最后，根据兼容指令进行兼容测试，兼容测试的目的是确保软件在不同操作系统、硬件设备、浏览器等不同环境下都能够正常运行，通过兼容测试后生成软件兼容测试信息，为后续的操作提供了数据保障。
优选地，步骤S2包括以下步骤：
步骤S21：获取系统终端的兼容性库和兼容性包，得到历史兼容性配置信息；
步骤S22：定期获取新产生的兼容性库和兼容性包，得到更新兼容性配置信息；
步骤S23：将历史兼容性配置信息和更新兼容性配置信息发送至云端服务器，以生成兼容性配置文件，其中兼容性配置文件包括用于解决各种兼容性问题的解决方案文件。
作为本发明的一个实施例，参考图3所示，为图1中步骤S2的详细实施步骤流程示意图，在本实施例中步骤S2包括以下步骤：
步骤S21：获取系统终端的兼容性库和兼容性包，得到历史兼容性配置信息；
本发明实施例通过获取系统终端的兼容性库和兼容性包，从中得到历史软件兼容性异常问题的兼容性配置信息，得到历史兼容性配置信息。
步骤S22：定期获取新产生的兼容性库和兼容性包，得到更新兼容性配置信息；
本发明实施例通过定期实时获取软件新产生的兼容性异常问题而形成的兼容性库和兼容性包，从中得到新的具体兼容性配置信息，得到更新兼容性配置信息。
步骤S23：将历史兼容性配置信息和更新兼容性配置信息发送至云端服务器，以生成兼容性配置文件，其中兼容性配置文件包括用于解决各种兼容性问题的解决方案文件。
本发明实施例通过将历史兼容性配置信息和更新兼容性配置信息发送至云端服务器，生成适合本系统软件的兼容性配置文件，该文件包括解决各种兼容性问题的解决方案文件，随着新的操作系统、浏览器、软件版本等的更新，通过该步骤不断更新兼容性配置信息和兼容性配置文件，以持续解决系统软件的兼容性问题。
本发明提供了通过获取系统终端的兼容性库和兼容性包，得到历史兼容性配置信息，可以提高系统的兼容性，由于不同的应用程序和软件可能需要特定的库和包才能正常运行，获取系统终端的兼容性库和兼容性包可以确保系统有足够的库和包来满足应用程序和软件的需求，从而提高系统的兼容性。并且能够快速解决兼容性问题，帮助管理软件兼容性库和包之间的依赖关系，从而提高系统的效率和性能。通过定期获取新产生的兼容性库和兼容性包，可以帮助实时更新系统兼容性配置信息，对于软件和应用程序的稳定性、可靠性、性能和安全性都有重要影响，能够及时对兼容性问题进行检测，可以帮助确保软件始终处于最佳状态。将历史兼容性配置信息和更新兼容性配置信息发送至云端服务器的目的是为了生成适合特定系统软件而配置的兼容性配置文件，这个兼容性配置文件包括了在此系统上可以对软件兼容性问题行之有效的解决方案，并为后续检测兼容性问题提供了有效的解决方案。
优选地，步骤S3包括以下步骤：
步骤S31：对软件兼容测试信息进行数据采集，得到软件兼容测试数据；
步骤S32：对软件兼容测试数据进行数据预处理，通过对预处理后的软件兼容测试数据进行特征提取，得到软件兼容测试特征；
步骤S33：利用基于支持向量机的兼容分类模型对软件兼容测试特征进行模型测试，得到初始兼容性测试用例；
步骤S34：利用自然语言处理技术对初始兼容性测试用例进行关键信息提取，筛选出与兼容性测试相关的关键信息，得到兼容性测试用例。
作为本发明的一个实施例，参考图4所示，为图1中步骤S3的详细实施步骤流程示意图，在本实施例中步骤S3包括以下步骤：
步骤S31：对软件兼容测试信息进行数据采集，得到软件兼容测试数据；
本发明实施例通过对软件兼容测试信息中进行数据提取采集，得到软件兼容测试数据。
步骤S32：对软件兼容测试数据进行数据预处理，通过对预处理后的软件兼容测试数据进行特征提取，得到软件兼容测试特征；
本发明实施例通过对提取后的软件兼容测试数据进行缺失值填充、剔除无关变量或异常数据项等预处理操作，然后对预处理后的软件兼容测试数据进行特征提取，最后得到软件兼容测试特征。
步骤S33：利用基于支持向量机的兼容分类模型对软件兼容测试特征进行模型测试，得到初始兼容性测试用例；
本发明实施例通过利用基于支持向量机的兼容分类模型对软件兼容测试特征进行自动学习测试用例的特征和性能，使用支持向量机进行模型训练，得到兼容分类模型，利用训练好的兼容分类模型对软件兼容测试特征进行测试，得到测试结果，最后根据测试结果，得到初始兼容性测试用例。
步骤S34：利用自然语言处理技术对初始兼容性测试用例进行关键信息提取，筛选出与兼容性测试相关的关键信息，得到兼容性测试用例。
本发明实施例通过利用自然语言处理技术从初始兼容性测试用例中提取出与兼容性测试相关的关键测试用例，最后得到准确的兼容性测试用例。
本发明提供了对软件兼容测试信息进行数据采集，以得到软件兼容测试数据，在进行软件兼容性测试时，从软件兼容测试信息收集软件兼容测试数据可以帮助测试员掌握软件的表现，并且识别出在不同环境下可能出现的问题和缺陷，通过数据采集，测试员可以了解不同操作系统和浏览器之间的兼容性问题，识别出硬件和系统配置问题，并且可以调查和定位性能问题和兼容性异常问题。对软件兼容测试数据进行数据预处理，首先，预处理软件兼容测试数据可以优化数据质量，减少数据中的噪声和异常值，这有助于提高特征提取的准确性和可靠性。其次，特征提取可以将原始数据转换为具有可解释性的特征向量，以描述数据的关键特征。在软件兼容测试中，这些特征可能包括不同操作系统、硬件和软件版本之间的差异等。通过提取这些特征，可以更深入地了解软件的兼容性问题，并确定哪些因素对软件兼容性的影响最大。最后，提取软件兼容测试特征可以有效简化数据，降低计算复杂度，提高算法的效率。这对于处理大规模软件兼容测试数据集尤其有用。为了有效地完成兼容性测试，需要在不同的环境下构建兼容性测试用例，所以先通过使用基于支持向量机的兼容分类模型来自动化生成初始兼容性测试用例，基于支持向量机的兼容分类模型可以从现有的软件兼容测试特征中学习出测试用例的特征和性能，并用于预测未被测试的软件在不同环境下的兼容性。具体来说，这个模型可以通过对测试用例的不同特征进行分类，可以自动发现各种环境因素的影响，从而更快速地生成初始兼容性测试用例，并以更加客观的方式评估软件的性能和稳定性。然后通过自然语言处理技术对初始兼容性测试用例进行关键信息提取，自然语言处理技术可以帮助我们从初始兼容性测试用例中提取出有用的信息，这对于兼容性测试用例的设计和优化非常有帮助，从中筛选出与兼容性测试相关的关键信息，最终得到兼容性测试用例，为后续的操作提供了数据来源。
优选地，步骤S4包括以下步骤：
构建兼容性测试特征数据库，对兼容性测试用例进行数据预处理，得到兼容性测试用例数据，将兼容性测试用例数据保存至兼容性测试特征数据库；
本发明实施例通过构建一个兼容性测试特征数据库，对兼容性测试用例进行缺失值填补、去除无关数据及异常值等操作，得到兼容性测试用例数据，将兼容性测试用例数据保存至兼容性测试特征数据库中。
获取兼容性测试特征数据库中兼容性测试用例数据的特征数据包，提取特征数据包中的信息特征，得到兼容性测试特征。
本发明实施例通过运用查询和访问语句获取兼容性测试特征数据库中兼容性测试用例数据的特征数据包，然后通过提取特征数据包中与兼容性测试相关的信息特征，最终得到兼容性测试特征。
本发明构建了兼容性测试特征数据库，通过对兼容性测试用例进行数据预处理后提取信息特征，最终得到兼容性测试特征。首先，需要对兼容性测试用例进行数据采集得到兼容性测试用例数据，接下来，需要对采集后的兼容性测试用例数据进行数据预处理，其中包括数据清洗、数据归一化和数据平滑处理，以便后续更好地提取信息特征，将兼容性测试用例数据保存至兼容性测试特征数据库中，最后，从兼容性测试特征数据库中获取关于兼容性测试用例数据的特征数据包，提取特征数据包中的信息特征，得到兼容性测试特征，同时，在提取特征数据包的过程中，需要对特征数据包进行数据保护，防止在兼容性测试过程中用户信息被泄露。
优选地，步骤S5包括以下步骤：
步骤S51：对兼容性测试特征进行数据预处理和数据采集，生成兼容性测试特征数据集；
步骤S52：利用兼容降噪算法对兼容性测试特征数据集进行降噪处理，得到兼容噪声指数；
其中，兼容降噪算法的公式如下所示：
式中，σ为兼容噪声指数，
为兼容性测试特征中的第i个特征分量，/>
为兼容性测试特征中的带噪特征分量，λi为兼容性测试特征中的第i个特征分量的噪声指数
的调和平滑参数，n为兼容性测试特征中的特征分量数量，/>
为兼容性测试特征的平均特征分量，/>
为兼容噪声指数的标准偏差值，μ为兼容噪声指数的修正系数；
步骤S53：当兼容噪声指数大于预设的噪声阈值时，剔除该兼容噪声指数对应的兼容性测试特征分量，得到目标兼容性测试数据集；
步骤S54：构建基于深度学习的兼容测试模型，将目标兼容性测试数据集输入至兼容测试模型中进行模型预测，得到兼容性测试指数。
作为本发明的一个实施例，参考图5所示，为图1中步骤S5的详细实施步骤流程示意图，在本实施例中步骤S5包括以下步骤：
步骤S51：对兼容性测试特征进行数据预处理和数据采集，生成兼容性测试特征数据集；
本发明实施例通过对兼容性测试特征进行数据清洗、数据平滑、数据归一化等处理，然后对预处理后的兼容性测试特征进行数据采集，采集其中有用的特征数据，生成兼容性测试特征数据集。
步骤S52：利用兼容降噪算法对兼容性测试特征数据集进行降噪处理，得到兼容噪声指数；
本发明实施例通过对兼容性测试特征数据集进行降噪处理，首先，通过选择合适的兼容降噪算法，对原始的兼容性测试特征数据集进行去除指定的无关噪声成分，对预处理后的兼容性测试特征数据应用所选择的兼容降噪算法，然后评估对兼容性测试特征数据集降噪效果，如果不达标，需要对兼容降噪算法中参数进行调整，并重新应用兼容降噪算法，最后验证降噪后的兼容性测试特征数据集是否满足要求，最终得到兼容噪声指数。
其中，兼容降噪算法的公式如下所示：
式中，σ为兼容噪声指数，
为兼容性测试特征中的第i个特征分量，/>
为兼容性测试特征中的带噪特征分量，λi为兼容性测试特征中的第i个特征分量的噪声指数
的调和平滑参数，n为兼容性测试特征中的特征分量数量，/>
为兼容性测试特征的平均特征分量，/>
为兼容噪声指数的标准偏差值，μ为兼容噪声指数的修正系数；
本发明提供了一种兼容降噪算法的公式，为了消除兼容性测试特征数据集中噪声数据对兼容性测试质量和准确性的影响，通过该降噪算法对兼容性测试特征数据集进行降噪处理，以获得更加干净、准确的兼容性测试数据集，最终得到兼容噪声指数，该公式充分考虑了兼容性测试特征中的第i个特征分量
兼容性测试特征中的带噪特征分量/>
另外，通过/>
和/>
形成数据关系得到兼容性测试特征中的第i个特征分量的噪声指数
以及兼容性测试特征中的第i个特征分量的噪声指数的调和平滑参数λi，兼容性测试特征中的特征分量数量n，兼容性测试特征的平均特征分量/>
为了防止获得的兼容噪声指数有偏差，需要添加兼容噪声指数的标准偏差值/>
进行调和处理，根据兼容噪声指数σ与以上参数之间的相互关系构成函数关系：
该算法公式实现了对兼容噪声指数进行计算，同时，通过兼容噪声指数的修正系数μ的引入，可以根据实际情况进行调整，从而提高利用兼容降噪算法对兼容噪声指数计算的准确性。
步骤S53：当兼容噪声指数大于预设的噪声阈值时，剔除该兼容噪声指数对应的兼容性测试特征分量，得到目标兼容性测试数据集；
本发明实施例中兼容噪声指数是反映兼容性测试特征数据集中的兼容性测试特征分量受噪声的影响程度，若兼容噪声指数大于预设的噪声阈值时，证明该兼容噪声指数对应的兼容性测试特征分量受噪声的影响很大，认为该兼容性测试特征可以进行剔除，剔除掉所有受噪声影响很大的兼容性测试特征分量后，最终得到目标兼容性测试数据集。
步骤S54：构建基于深度学习的兼容测试模型，将目标兼容性测试数据集输入至兼容测试模型中进行模型预测，得到兼容性测试指数。
本发明实施例通过构建基于深度学习的兼容测试模型，对目标兼容性测试数据集进行分类，将分类后的目标兼容性测试数据集输入至兼容测试模型中进行训练，可以准确地识别软件在不同环境下所出现的兼容性异常情况，最终得到兼容性测试指数。
本发明提供了对兼容性测试特征进行数据预处理和数据采集，为了准确评估软件在不同环境下的兼容性，需要收集和处理大量的兼容性测试特征，而兼容性测试特征容易受到噪声的影响，所以需要对其进行降噪处理，从而得到兼容噪声指数，当得到的兼容噪声指数大于预设的噪声阈值时，可以认定该兼容噪声指数对应的兼容性测试特征分量受噪声的影响很大，容易影响兼容性测试，所以将该兼容噪声指数对应的兼容性测试特征分量剔除掉，最终得到目标兼容性测试数据集。利用深度学习算法构建兼容测试模型，可以帮助测试员快速、准确地检测软件在不同环境下的兼容性问题，建立兼容测试模型后，将得到的目标兼容性测试数据集输入到兼容测试模型中进行预测，模型输出兼容性测试指数，测试员可以使用兼容性测试指数来快速准确地评估软件兼容性和解决兼容性问题，可以有效提高兼容性测试的准确度。
优选地，步骤S54包括以下步骤：
步骤S541：对目标兼容性测试数据集进行分类，得到相关系统软件测试数据集；
步骤S542：构建基于卷积神经网络深度学习算法的兼容测试模型，其中兼容测试模型包括平台、浏览器、移动设备和软件版本等不同系统上软件的兼容测试模型；
步骤S543：将相关系统软件测试数据集输入至兼容测试模型中进行训练，并通过如下损失函数进行模型优化，获得兼容测试模型的损失值：
其中，m为损失值，T为相关系统软件测试数据集中的数据数量，exp为指数函数，Pt为相关系统软件测试数据集中第t个数据项，Qt为兼容测试模型训练结果中第t个数据项，u为损失值的修正系数；
步骤S544：根据损失值对兼容测试模型进行参数调优，得到最优兼容测试模型；
步骤S545：将相关系统软件测试数据集重新输入至最优兼容测试模型中进行模型预测，得到兼容性测试指数。
作为本发明的一个实施例，参考图6所示，为图5中步骤S54的详细实施步骤流程示意图，在本实施例中步骤S54包括以下步骤：
步骤S541：对目标兼容性测试数据集进行分类，得到相关系统软件测试数据集；
本发明实施例通过对目标兼容性测试数据集进行分类处理，将目标兼容性测试数据集分为各种平台、浏览器、移动设备和软件版本等不同系统上的兼容性测试数据集，得到相关系统软件测试数据集。
步骤S542：构建基于卷积神经网络深度学习算法的兼容测试模型，其中兼容测试模型包括平台、浏览器、移动设备和软件版本等不同系统上软件的兼容测试模型；
本发明实施例通过构建基于卷积神经网络深度学习算法的兼容测试模型，按照相关系统软件测试数据集将该兼容测试模型分为不同类别的兼容测试模型。
步骤S543：将相关系统软件测试数据集输入至兼容测试模型中进行训练，并通过如下损失函数进行模型优化，获得兼容测试模型的损失值：
其中，m为损失值，T为相关系统软件测试数据集中的数据数量，exp为指数函数，Pt为相关系统软件测试数据集中第t个数据项，Qt为兼容测试模型训练结果中第t个数据项，u为损失值的修正系数；
本发明提供了一个损失函数公式，用于计算兼容测试模型的损失值，在对兼容性测试模型进行训练时，为了帮助模型尽可能地拟合相关系统软件测试数据集，需要使用一个适合的损失函数来作为模型优化的指标，对于本发明的兼容测试模型而言，通过选择如上的损失函数来评估模型的准确性，该函数公式充分考虑了相关系统软件测试数据集中的数据数量T，相关系统软件测试数据集中第t个数据项Pt，兼容测试模型训练结果中第t个数据项Qt，根据损失值m与各变量之间相互的作用关系，以形成函数关系
该函数公式实现了利用损失函数对兼容测试模型的损失值的计算，同时，通过损失值的修正系数u的引入，可以针对在模型训练时出现的特殊情况进行调整，进一步提高损失函数的适用性和稳定性，从而提高兼容测试模型的泛化能力和鲁棒性。
步骤S544：根据损失值对兼容测试模型进行参数调优，得到最优兼容测试模型；
本发明实施例通过损失值得到兼容测试模型最优的性能评估指标参数，通过对兼容测试模型进行参数调优，得到最优兼容测试模型。
步骤S545：将相关系统软件测试数据集重新输入至最优兼容测试模型中进行模型预测，得到兼容性测试指数。
本发明实施例通过将相关系统软件测试数据集重新输入至进行参数优化后的最优兼容测试模型中进行模型预测，测试该最优兼容测试模型的性能是否达到预期效果，最终得到兼容性测试指数。
本发明提供了一个构建基于卷积神经网络深度学习算法的兼容测试模型的具体过程，首先，需要对目标兼容性测试数据集进行分类，以得到相关系统软件的测试数据集，方便测试员更准确地测试涉及软件在相关系统环境下的兼容性，确保测试结果具有更高的可靠性，有利于检测软件在不同环境下的稳定性和兼容性。然后通过构建基于卷积神经网络深度学习算法的兼容测试模型，该模型可以准确地识别软件在不同环境下所出现的兼容性异常情况，将得到的相关系统软件测试数据集输入至兼容测试模型中进行训练，在训练模型的过程中，通过定义一个损失函数，用于评估模型训练结果与实际数据之间的差异，通过损失函数计算兼容测试模型的损失值，并逐步利用损失值对兼容测试模型进行参数调优，更好地提高模型的泛化能力和健壮性，最终得到最优兼容测试模型。最后，将相关系统软件测试数据集重新输入至最优兼容测试模型中进行预测，确定模型性能是否达到预期，输出模型预测的结果，最终得到兼容性测试指数，为后续的操作提供了数据来源。
优选地，步骤S6包括以下步骤：
步骤S61：构建兼容测试分析模型，其中包括特征分割模型，风险检测模型和测试模型；
步骤S62：根据兼容性测试指数利用特征分割模型对兼容性测试特征进行特征分割，得到不同环境的兼容性测试特征；
步骤S63：利用风险检测模型对不同环境的兼容性测试特征进行风险预测，得到初始异常数据；
步骤S64：根据初始异常数据利用测试模型进行兼容测试分析，得到兼容性异常数据。
作为本发明的一个实施例，参考图7所示，为图1中步骤S6的详细实施步骤流程示意图，在本实施例中步骤S6包括以下步骤：
步骤S61：构建兼容测试分析模型，其中包括特征分割模型，风险检测模型和测试模型；
本发明实施例通过构建一个兼容测试分析模型，用于测试软件的兼容性是否出现异常，该模型包括特征分割模型、风险检测模型和测试模型。
步骤S62：根据兼容性测试指数利用特征分割模型对兼容性测试特征进行特征分割，得到不同环境的兼容性测试特征；
本发明实施例通过兼容性测试指数利用特征分割模型对兼容性测试特征进行特征分割，其中特征分割模型采用支持向量机算法对兼容性测试特征进行特征分类，按照环境的不同进行区分，将同一环境内的不同兼容性问题分在同一类别内，最终得到不同环境的兼容性测试特征。
步骤S63：利用风险检测模型对不同环境的兼容性测试特征进行风险预测，得到初始异常数据；
本发明实施例通过分别对不同环境的兼容性测试特征进行填补缺失值、去除无关或不完整的数据，采用训练好的基于神经网络的风险检测模型进行风险预测，输出预测结果，并分析风险预测结果，确定与相关环境下软件兼容性特征相关的风险因素，最终得到初始异常数据。
步骤S64：根据初始异常数据利用测试模型进行兼容测试分析，得到兼容性异常数据。
本发明实施例通过得到的初始异常数据输入至测试模型中进行兼容测试分析，用来测试软件在不同的特定环境中的兼容性问题，最终得到兼容性异常数据。
本发明构建了一个兼容测试分析模型，并利用模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，从而得到兼容性异常数据，为目标软件修复决策的执行提供了必要的数据来源。兼容测试分析模型中的特征分割模型通过对输入的兼容性测试特征进行特征分割，得到不同环境下的兼容性测试特征，通过对兼容性测试特征的分割可以更好地掌握在不同环境中软件的兼容性情况，并通过比较不同环境的兼容性测试指数来确定相对稳定的环境，可以更好地针对性地解决兼容性问题和提高软件在不同环境中的兼容性。风险检测模型可以提高对特征分割模型提取后的不同环境的兼容性测试特征进行风险预测，识别出潜在的风险因素，得到初始异常数据，可以帮助测试员找到潜在问题所在，从而快速定位和解决兼容性问题。在兼容性测试中，使用各种不同的测试环境和操作系统来测试软件的兼容性，针对不同的特定场景进行测试。在进行测试时，通过使用特定的初始异常数据来测试软件对不同场景的响应能力。这些异常数据可以帮助我们发现软件在特定场景中的兼容性问题，从而提高软件的可靠性和质量。利用测试模型分析初始异常数据可以帮助我们更加深入地了解软件在不同场景下的响应能力，从而改进软件的性能和可靠性。通过收集和分析这些数据，最终得到兼容性异常数据，可以优化软件以更好地适应不同的操作系统版本和环境，提高软件的性能和稳定性。
优选地，步骤S7包括以下步骤：
从兼容性配置文件中获取兼容性问题的解决方案文件；
本发明实施例通过从兼容性配置文件中提取跟兼容性问题相关的解决方案文件，该文件包含所测试的软件在不同操作系统、硬件配置、浏览器等不同平台的兼容性解决方案。
优选地，利用兼容性问题的解决方案文件与兼容性异常数据通过动态匹配规则进行兼容匹配，得到兼容匹配状态信号；
本发明实施例通过获取兼容性异常数据，从兼容性问题的解决方案文件中获取该兼容性异常数据的解决方案，根据兼容性异常数据和解决方案，利用基于关键词的动态生成匹配规则进行动态匹配，得到兼容匹配状态信号。
优选地，当兼容匹配状态信号为匹配成功信号时，生成兼容性处理数据。
本发明实施例通过获得的兼容匹配状态信号判断该信号是否为匹配成功信号，如果兼容匹配状态信号为成功信号，则通过兼容性问题的解决方案文件提供的兼容性解决方案提示措施来解决该兼容性异常问题，最终生成兼容性处理数据。
本发明提供了从兼容性配置文件中获取兼容性问题的解决方案文件，其中包含了软件在不同操作系统、硬件配置、浏览器等不同平台的兼容性解决方案，可以更快、更准确地为所出现的软件兼容性异常问题找到解决方案，并做出决策反映。利用兼容性问题的解决方案文件与兼容性异常数据通过动态匹配规则进行兼容匹配，匹配结果得到兼容匹配状态信号，用来表示兼容性异常数据与兼容性问题的解决方案的匹配程度，兼容匹配状态信号包括成功信号和异常信号，如果兼容匹配状态信号是成功信号，说明软件可以通过兼容性问题的解决方案文件提供的兼容性解决方案提示措施来解决兼容性问题，如果兼容匹配状态信号是异常信号，说明该软件出现的兼容性异常问题在此之前没有出现过，采取其他措施来解决兼容性问题，然后需要及时更新兼容性问题的解决方案文件，重新进行兼容性测试，最终得到兼容性处理数据，为目标软件执行修复决策提供了必要的数据基础支持。
优选地，步骤S8包括以下步骤：
对兼容性处理数据进行数据分析和预处理，通过系统终端传输至目标软件，得到兼容性处理控制信息；
本发明实施例通过对兼容性处理数据进行去除重复值、无效值以及降噪处理，减少重复值、无效值、噪音等因素对目标软件造成干扰，然后通过系统终端将其传输至目标软件进行分析和评估，最终得到兼容性处理控制信息。
优选地，通过对兼容性处理控制信息进行实时采集，生成兼容性处理决策信息；
本发明实施例通过实时采集兼容性处理控制信息，并对软件出现的异常行为特征进行实时评估预测，识别出软件是否存在兼容性异常问题，根据解决方案对目标软件进行提示处理实施，最终生成兼容性处理决策信息。
优选地，将兼容性处理决策信息响应于目标软件终端的修复指令，利用目标软件终端控制执行相应的软件兼容修复决策。
本发明实施例将得到的兼容性处理决策信息进行处理和分析后，传递给目标软件，目标软件通过终端响应修复指令，并控制终端对目标软件执行相应的软件兼容修复决策。
本发明提供了对兼容性处理数据进行数据分析和预处理，可以提高兼容性处理数据的质量和精度，有效地减少重复值、无效值、噪音等因素对目标软件造成干扰，从而保证兼容性处理数据的真实性和可靠性，通过系统终端传输预处理后的兼容性处理数据，可以实现实时检测和识别系统软件当前的兼容性问题，从而提升软件兼容性的绝对性和一致性，最终得到兼容性处理控制信息，为后续的处理决策提供了信息来源。另外，通过对兼容性处理控制信息进行实时采集，能够对系统软件出现的兼容性异常问题做出实时准确预测，并生成兼容性处理决策信息，具体来说，实时采集兼容性处理控制信息是在软件运行过程中，通过监控用户使用环境及行为等信息来收集关于兼容性问题的控制信息，通过对这些信息进行收集和分析，可以发现一些常见的兼容性问题，通过实时采集兼容性处理控制信息并生成兼容性处理决策信息，可以有效提高软件的兼容性，提高开发效率，增加用户满意度。根据收集到的兼容性处理决策信息作用于目标软件终端，会生成修复指令，通过修复指令可以在目标软件终端上有效地响应软件兼容性问题并实现修复工作，从而提高软件的可靠性和稳定性。
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，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于人工智能的软件兼容性处理方法，其特征在于，所述方法包括以下步骤：
步骤S1：获取目标软件终端的兼容指令，以生成软件兼容测试信息；
步骤S2：获取系统终端的兼容性库和兼容性包，以构建兼容性配置文件；
步骤S3：利用机器学习和自然语言处理技术对软件兼容测试信息进行关键信息提取，以得到兼容性测试用例；
步骤S4：对兼容性测试用例进行数据预处理，提取预处理后的兼容性测试用例中的信息特征，得到兼容性测试特征；
步骤S5：构建基于深度学习的兼容测试模型，将兼容性测试特征输入至兼容测试模型中进行模型预测，得到兼容性测试指数；
步骤S6：利用预设的兼容测试分析模型对兼容性测试特征和兼容性测试指数进行兼容测试分析，得到兼容性异常数据；
步骤S7：利用兼容性配置文件对兼容性异常数据进行兼容匹配，生成兼容性处理数据；
步骤S8：对兼容性处理数据进行预测处理，生成兼容性处理决策信息；响应于目标软件终端的修复指令，以执行相应的软件兼容修复决策。
2.根据权利要求1所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S1包括以下步骤：
步骤S11：对目标软件终端进行指令测试，得到初始兼容指令；
步骤S12：对初始兼容指令进行数据预处理和数据采集，生成兼容指令；
步骤S13：根据兼容指令进行兼容测试，生成软件兼容测试信息。
3.根据权利要求1所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S2包括以下步骤：
步骤S21：获取系统终端的兼容性库和兼容性包，得到历史兼容性配置信息；
步骤S22：定期获取新产生的兼容性库和兼容性包，得到更新兼容性配置信息；
步骤S23：将历史兼容性配置信息和更新兼容性配置信息发送至云端服务器，以生成兼容性配置文件，其中兼容性配置文件包括用于解决各种兼容性问题的解决方案文件。
4.根据权利要求1所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S3包括以下步骤：
步骤S31：对软件兼容测试信息进行数据采集，得到软件兼容测试数据；
步骤S32：对软件兼容测试数据进行数据预处理，通过对预处理后的软件兼容测试数据进行特征提取，得到软件兼容测试特征；
步骤S33：利用基于支持向量机的兼容分类模型对软件兼容测试特征进行模型测试，得到初始兼容性测试用例；
步骤S34：利用自然语言处理技术对初始兼容性测试用例进行关键信息提取，筛选出与兼容性测试相关的关键信息，得到兼容性测试用例。
5.根据权利要求1所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S4包括以下步骤：
构建兼容性测试特征数据库，对兼容性测试用例进行数据预处理，得到兼容性测试用例数据，将兼容性测试用例数据保存至兼容性测试特征数据库；
获取兼容性测试特征数据库中兼容性测试用例数据的特征数据包，提取特征数据包中的信息特征，得到兼容性测试特征。
6.根据权利要求1所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S5包括以下步骤：
步骤S51：对兼容性测试特征进行数据预处理和数据采集，生成兼容性测试特征数据集；
步骤S52：利用兼容降噪算法对兼容性测试特征数据集进行降噪处理，得到兼容噪声指数；
其中，兼容降噪算法的公式如下所示：
式中，σ为兼容噪声指数，
为兼容性测试特征中的第i个特征分量，/>
为兼容性测试特征中的带噪特征分量，λi为兼容性测试特征中的第i个特征分量的噪声指数
的调和平滑参数，n为兼容性测试特征中的特征分量数量，/>
为兼容性测试特征的平均特征分量，/>
为兼容噪声指数的标准偏差值，μ为兼容噪声指数的修正系数；
步骤S53：当兼容噪声指数大于预设的噪声阈值时，剔除该兼容噪声指数对应的兼容性测试特征分量，得到目标兼容性测试数据集；
步骤S54：构建基于深度学习的兼容测试模型，将目标兼容性测试数据集输入至兼容测试模型中进行模型预测，得到兼容性测试指数。
7.根据权利要求6所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S54包括以下步骤：
步骤S541：对目标兼容性测试数据集进行分类，得到相关系统软件测试数据集；
步骤S542：构建基于卷积神经网络深度学习算法的兼容测试模型，其中兼容测试模型包括平台、浏览器、移动设备和软件版本等不同系统上软件的兼容测试模型；
步骤S543：将相关系统软件测试数据集输入至兼容测试模型中进行训练，并通过如下损失函数进行模型优化，获得兼容测试模型的损失值：
其中，m为损失值，T为相关系统软件测试数据集中的数据数量，exp为指数函数，Pt为相关系统软件测试数据集中第t个数据项，Qt为兼容测试模型训练结果中第t个数据项，u为损失值的修正系数；
步骤S544：根据损失值对兼容测试模型进行参数调优，得到最优兼容测试模型；
步骤S545：将相关系统软件测试数据集重新输入至最优兼容测试模型中进行模型预测，得到兼容性测试指数。
8.根据权利要求1所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S6包括以下步骤：
步骤S61：构建兼容测试分析模型，其中包括特征分割模型，风险检测模型和测试模型；
步骤S62：根据兼容性测试指数利用特征分割模型对兼容性测试特征进行特征分割，得到不同环境的兼容性测试特征；
步骤S63：利用风险检测模型对不同环境的兼容性测试特征进行风险预测，得到初始异常数据；
步骤S64：根据初始异常数据利用测试模型进行兼容测试分析，得到兼容性异常数据。
9.根据权利要求1所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S7包括以下步骤：
从兼容性配置文件中获取兼容性问题的解决方案文件；
利用兼容性问题的解决方案文件与兼容性异常数据通过动态匹配规则进行兼容匹配，得到兼容匹配状态信号；
当兼容匹配状态信号为匹配成功信号时，生成兼容性处理数据。
10.根据权利要求1所述的基于人工智能的软件兼容性处理方法，其特征在于，步骤S8包括以下步骤：
对兼容性处理数据进行数据分析和预处理，通过系统终端传输至目标软件，得到兼容性处理控制信息；
通过对兼容性处理控制信息进行实时采集，生成兼容性处理决策信息；
将兼容性处理决策信息响应于目标软件终端的修复指令，利用目标软件终端控制执行相应的软件兼容修复决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310480395.9A CN116361191A (zh) | 2023-04-28 | 2023-04-28 | 一种基于人工智能的软件兼容性处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310480395.9A CN116361191A (zh) | 2023-04-28 | 2023-04-28 | 一种基于人工智能的软件兼容性处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116361191A true CN116361191A (zh) | 2023-06-30 |
Family
ID=86909810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310480395.9A Withdrawn CN116361191A (zh) | 2023-04-28 | 2023-04-28 | 一种基于人工智能的软件兼容性处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116361191A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116594913A (zh) * | 2023-07-15 | 2023-08-15 | 青岛大学 | 一种智能软件自动化测试方法 |
| CN117591963A (zh) * | 2023-12-11 | 2024-02-23 | 江苏瀚天智能科技股份有限公司 | 一种基于神经网络的兼容性预测分析系统 |
| CN118170685A (zh) * | 2024-05-09 | 2024-06-11 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种自适应操作系统环境的自动化测试平台及方法 |
-
2023
- 2023-04-28 CN CN202310480395.9A patent/CN116361191A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116594913A (zh) * | 2023-07-15 | 2023-08-15 | 青岛大学 | 一种智能软件自动化测试方法 |
| CN116594913B (zh) * | 2023-07-15 | 2023-09-19 | 青岛大学 | 一种智能软件自动化测试方法 |
| CN117591963A (zh) * | 2023-12-11 | 2024-02-23 | 江苏瀚天智能科技股份有限公司 | 一种基于神经网络的兼容性预测分析系统 |
| CN118170685A (zh) * | 2024-05-09 | 2024-06-11 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种自适应操作系统环境的自动化测试平台及方法 |
| CN118170685B (zh) * | 2024-05-09 | 2024-07-30 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种自适应操作系统环境的自动化测试平台及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109408389B (zh) | 一种基于深度学习的代码缺陷检测方法及装置 | |
| CN116361191A (zh) | 一种基于人工智能的软件兼容性处理方法 | |
| CN107423190B (zh) | 一种日志数据异常指向识别方法及装置 | |
| CN108985060A (zh) | 一种大规模安卓恶意软件自动化检测系统及方法 | |
| CN111190804A (zh) | 一种云原生系统的多层次的深度学习日志故障检测方法 | |
| CN109376061A (zh) | 一种信息处理方法及系统 | |
| CN113687972B (zh) | 业务系统异常数据的处理方法、装置、设备及存储介质 | |
| CN117784710A (zh) | 数控机床远程状态监控系统及其方法 | |
| CN112738092A (zh) | 一种日志数据增强方法、分类检测方法及系统 | |
| CN118013442A (zh) | 一种边缘计算的故障诊断方法及系统 | |
| CN117056834A (zh) | 基于决策树的大数据分析方法 | |
| CN117826771B (zh) | 基于ai分析的冷轧机控制系统异常检测方法及系统 | |
| CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
| CN107979606B (zh) | 一种具有自适应的分布式智能决策方法 | |
| CN117692242A (zh) | 一种基于图谱分析的网络攻击路径分析方法 | |
| CN109743200B (zh) | 基于资源特征的云计算平台计算任务成本预测方法及系统 | |
| CN110808947B (zh) | 一种自动化的脆弱性量化评估方法及系统 | |
| CN110458383B (zh) | 需求处理服务化的实现方法、装置及计算机设备、存储介质 | |
| CN115017015B (zh) | 一种边缘计算环境下程序异常行为检测方法及系统 | |
| CN115455407A (zh) | 一种基于机器学习的GitHub敏感信息泄露监控方法 | |
| CN113657656A (zh) | 贷款数据分析预测方法及装置 | |
| CN113268419A (zh) | 测试用例优化信息的生成方法、装置、设备和存储介质 | |
| CN113221998A (zh) | 一种基于ssa-svm的稀土萃取搅拌轴故障诊断方法及系统 | |
| Thongkum et al. | Design flaws prediction for impact on software maintainability using extreme learning machine | |
| CN118228735B (zh) | 水务数据采集方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230630 |