CN116521568A - 测试数据分析处理方法、装置、电子设备及存储介质 - Google Patents
测试数据分析处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116521568A CN116521568A CN202310582476.XA CN202310582476A CN116521568A CN 116521568 A CN116521568 A CN 116521568A CN 202310582476 A CN202310582476 A CN 202310582476A CN 116521568 A CN116521568 A CN 116521568A
- Authority
- CN
- China
- Prior art keywords
- analyzed
- test
- feature
- test index
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 407
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 114
- 230000002159 abnormal effect Effects 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000013450 outlier detection Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011056 performance test Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 230000009467 reduction Effects 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- G06F11/3692—Test management for test results analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供一种测试数据分析处理方法、装置、电子设备及存储介质,所述方法包括:获取待分析测试指标的数据;基于待分析测试指标的测试结果,确定待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值;根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果;根据各待分析特征项的分析结果以及待分析测试指标的待分析特征的总数量,确定待分析测试指标是否为异常测试指标。可以提高测试指标分析的准确度,能够有效的识别异常性能指标,并且,避免依赖人工进行测试结果的分析,可以实现对各指标测试结果的自动高效分析,提高测试数据的分析效率。
Description
技术领域
本申请涉及通信领域,具体而言,涉及一种测试数据分析处理方法、装置、电子设备及存储介质。
背景技术
性能测试是通过测试工具对系统的各项性能指标进行测试验证,以保障系统版本发布后的服务质量。
现有技术中,性能测试中的性能测试结果分析,通常由测试人员基于经验对性能测试中产生的各项性能指标数据、监控数据等进行分析,分析结果依赖测试人员的经验,耗费人力且效率较低;部分测试平台基于均值统计法、n-sigma检测法,辅助测试人员实现部分性能测试数据的自动化分析,但是分析的结果准确度不高,无法有效的识别异常性能指标。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种测试数据分析处理方法、装置、电子设备及存储介质,提高测试结果的分析效率以及准确性。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种测试数据分析处理方法,所述方法包括:
获取待分析测试指标的数据,所述待分析测试指标的数据包括:测试执行时间、待分析测试指标的标识以及待分析测试指标的测试结果;
基于所述待分析测试指标的测试结果,确定所述待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值;
根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,所述分析结果用于指示所述待分析特征项是否为异常特征项;
根据各待分析特征项的分析结果以及所述待分析测试指标的待分析特征项的总数量,确定所述待分析测试指标是否为异常测试指标。
可选的,所述根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,包括:
根据所述待分析测试指标的数据以及所述待分析特征项的标识,从历史数据库中获取所述待分析特征项的多个历史特征值,将所述多个历史特征值按照时间顺序组成所述待分析特征项对应的历史特征值序列;
根据所述待分析特征项的待分析特征值以及所述历史特征值序列,确定所述待分析特征项的待分析特征值与所述历史特征值序列的离散程度信息,根据所述离散程度信息,确定所述待分析特征项的分析结果。
可选的,所述根据所述待分析特征项的待分析特征值以及所述历史特征值序列,确定所述待分析特征项的待分析特征值与所述历史特征值序列的离散程度信息,根据所述离散程度信息,确定所述待分析特征项的分析结果,包括:
将所述待分析特征项的待分析特征值输入至以历史特征值序列预先训练得到的检测模型,由所述检测模型基于离群检测算法,确定所述待分析特征项的待分析特征值与所述历史特征序列的离散程度信息,并输出待分析特征项的分析结果。
可选的,所述根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,包括:
根据所述历史特征值序列中的各历史特征值,确定所述待分析特征项对应的历史特征值标准差以及均值;
根据所述标准差以及均值确定所述待分析特征项的当前标准分以及所述待分析特征项对应的历史标准分;
根据所述当前标准分、所述历史标准分以及预设阈值,确定所述待分析特征项的分析结果。
可选的,所述根据各待分析特征项的分析结果以及所述待分析测试指标的待分析特征项的总数量,确定所述待分析测试指标是否为异常测试指标,包括:
根据所述待分析测试指标的各待分析特征项的分析结果,确定所述待分析测试指标的所有待分析特征项中的异常特征项的数量;
根据所述异常特征项的数量与所述待分析测试指标的待分析特征项的总数量的比值,确定所述待分析测试指标的异常特征项的占比;
根据所述异常特征项的占比与预设占比阈值,确定所述待分析测试指标是否为异常测试指标。
可选的,所述待分析测试指标的待分析特征项包括:趋势、周期以及余项;所述方法还包括:
确定所述趋势对应的第一预测值、所述周期对应的第二预测值、所述余项对应的第三预测值;
对所述第一预测值、所述第二预测值以及所述第三预测值进行拟合处理,得到所述待分析测试指标对应的预测值;
根据所述待分析测试指标对应的预测值与预设预测阈值,预测所述待分析测试指标是否为异常指标。
可选的,所述确定所述周期对应的第一预测值、所述趋势对应的第二预测值、所述余项对应的第三预测值,包括:
根据当前时刻的趋势值以及增加值,使用指数加权移动平均算法,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的趋势分量,将所述当前时刻的下一时刻的趋势分量作为第一预测值;
根据当前时刻的下一时刻的上一个周期对应的周期分量,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的周期分量,将所述当前时刻的下一时刻的周期分量作为第二预测值;
根据所述待分析测试指标的测试结果的噪声的均值,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的余项分量,将所述当前时刻的下一时刻的余项分量作为第三预测值。
第二方面,本申请实施例还提供了一种测试数据分析处理装置,所述装置包括:
获取模块,用于获取待分析测试指标的数据,所述待分析测试指标的数据包括:测试执行时间、待分析测试指标的标识以及待分析测试指标的测试结果;
确定模块,用于基于所述待分析测试指标的测试结果,确定所述待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值;
确定模块,用于根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,所述分析结果用于指示所述待分析特征项是否为异常特征项;
确定模块,用于根据各待分析特征项的分析结果以及所述待分析测试指标的待分析特征项的总数量,确定所述待分析测试指标是否为异常测试指标。
可选的,所述确定模块具体用于:
根据所述待分析测试指标的数据以及所述待分析特征项的标识,从历史数据库中获取所述待分析特征项的多个历史特征值,将所述多个历史特征值按照时间顺序组成所述待分析特征项对应的历史特征值序列;
根据所述待分析特征项的待分析特征值以及所述历史特征值序列,确定所述待分析特征项的待分析特征值与所述历史特征值序列的离散程度信息,根据所述离散程度信息,确定所述待分析特征项的分析结果。
可选的,所述确定模块具体用于:
将所述待分析特征项的待分析特征值输入至以历史特征值序列预先训练得到的检测模型,由所述检测模型基于离群检测算法,确定所述待分析特征项的待分析特征值与所述历史特征序列的离散程度信息,并输出待分析特征项的分析结果。
可选的,所述确定模块具体用于:
根据所述历史特征值序列中的各历史特征值,确定所述待分析特征项对应的历史特征值标准差以及均值;
根据所述标准差以及均值确定所述待分析特征项的当前标准分以及所述待分析特征项对应的历史标准分;
根据所述当前标准分、所述历史标准分以及预设阈值,确定所述待分析特征项的分析结果。
可选的,所述确定模块具体用于:
根据所述待分析测试指标的各待分析特征项的分析结果,确定所述待分析测试指标的所有待分析特征项中的异常特征项的数量;
根据所述异常特征项的数量与所述待分析测试指标的待分析特征项的总数量的比值,确定所述待分析测试指标的异常特征项的占比;
根据所述异常特征项的占比与预设占比阈值,确定所述待分析测试指标是否为异常测试指标。
可选的,所述待分析测试指标的待分析特征项包括:趋势、周期以及余项;
所述确定模块具体用于:
确定所述趋势对应的第一预测值、所述周期对应的第二预测值、所述余项对应的第三预测值;
对所述第一预测值、所述第二预测值以及所述第三预测值进行拟合处理,得到所述待分析测试指标对应的预测值;
根据所述待分析测试指标对应的预测值与预设预测阈值,预测所述待分析测试指标是否为异常指标。
可选的,所述确定模块具体用于:
根据当前时刻的趋势值以及增加值,使用指数加权移动平均算法,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的趋势分量,将所述当前时刻的下一时刻的趋势分量作为第一预测值;
根据当前时刻的下一时刻的上一个周期对应的周期分量,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的周期分量,将所述当前时刻的下一时刻的周期分量作为第二预测值;
根据所述待分析测试指标的测试结果的噪声的均值,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的余项分量,将所述当前时刻的下一时刻的余项分量作为第三预测值。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当应用程序运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行上述第一方面所述的测试数据分析处理方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被读取并执行上述第一方面所述的测试数据分析处理方法的步骤。
本申请的有益效果是:
本申请提供的一种测试数据分析处理方法、装置、电子设备及存储介质,通过获取待分析测试指标的数据;基于待分析测试指标的测试结果,确定待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值;根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果;根据各待分析特征项的分析结果以及待分析测试指标的待分析特征的总数量,确定待分析测试指标是否为异常测试指标。通过对待分析测试指标的测试结果进行特征提取,基于各特征项的分析结果确定该待分析测试指标的分析结果,可以提高测试指标分析的准确度,能够有效的识别异常性能指标,并且,避免依赖人工进行测试结果的分析,可以实现对各指标测试结果的自动高效分析,提高测试数据的分析效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种示例性场景示意图;
图2为本申请实施例提供的一种测试系统的结构示意图;
图3为本申请实施例提供的一种测试数据分析处理方法的流程示意图;
图4为本申请实施例提供的一种待分析测试指标的完整分析流程示意图;
图5为本申请实施例提供的另一种测试数据分析处理方法的流程示意图;
图6为本申请实施例提供的又一种测试数据分析处理方法的流程示意图;
图7为本申请实施例提供的一种测试数据分析处理方法的装置示意图;
图8为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
现有技术中,性能测试中的性能测试结果分析,通常由测试人员基于经验对性能测试中产生的各项性能指标数据、监控数据等进行分析,分析结果依赖测试人员的经验,耗费人力且效率较低;部分测试平台基于均值统计法、n-sigma检测法,辅助测试人员实现部分性能测试数据的自动化分析,但是分析的结果准确度不高,无法有效的识别异常性能指标。
现有技术中,利用3σ准则理论,计算历史性能测试数据的(μ3σ,μ+3σ)区间,其中μ为历史测试数据的均值,σ为历史测试数据标准差;对待分析性能测试数据进行判断,将大于μ+3σ和小于μ3σ的性能数据,定义为异常数据,但是,3σ准则使用的前提是测试数据需要服从正态分布,如待分析性能测试数据不服从正态分布时,检测误差会变大。而性能测试中的指标测试数据,例如,CPU使用率、内存使用率、响应时间等随着测试压力不断增加,表现为随时间变化具有趋势性的不稳定曲线,并不满足正态分布,因此,对于这类指标测试数据,使用3σ准则进行检测,准确度低、误差大。
本申请实施例提出一种测试数据分析处理方法,利用特征工程,将待分析的性能测试数据转化为更好表达数据的特征,对数据进行特征提取,对数据特征进行离群点检测,实现对各指标性能测试数据进行自动、高效分析,可有效提高异常分析准确度;其次,利用提取的待分析性能测试数据的趋势特征、周期特征可用于识别系统运行过程中的内存泄漏等问题;另外,还可以对各被测试版本进行对比,分析被测试对象不同版本间性能变化的情况,提高测试人员性能分析能力和效率。
图1为本申请实施例提供的一种示例性场景示意图,如图1所示,该方法应用于测试系统中,该测试系统可以被安装至测试终端上,也可以是与测试终端连接的测试系统,其中,该测试终端可以是台式电脑、平板电脑、掌上电脑、笔记本等电子设备。测试终端可以向测试系统提供测试数据,测试系统根据接收到的测试数据利用本申请实施例提供的方法进行分析处理得到测试结果,根据测试结果来确定测试数据是否正常。
图2为本申请实施例提供的一种测试系统的结构示意图,如图2所示,该测试系统中可以包括测试数据获取模块、数据预处理模块、数据指标分析模块以及历史数据存储模块。
其中,该测试数据获取模块可以提供消息队列、HTTP接口等上报方式,获取到测试执行的各测试指标的数据;该数据预处理模块可以从测试数据获取模块中获取到待分析测试指标的数据,并对待分析测试指标的测试结果进行预处理,具体地可以对测试结果进行降噪处理以及特征提取处理。
可选的,该数据指标分析模块用于从数据预处理模块中获取得到待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值,并从历史数据存储模块中获取各特征项对应的历史特征值,对各待分析特征值以及各待分析特征项对应的历史特征值序列进行数据分析,确定各特征项的分析结果,同时根据各特征项的分析结果以及待分析测试指标的待分析特征项的总数量分析该待分析测试指标的分析结果。
可选的,该历史数据存储模块用于将待分析测试指标的测试结果、该待分析测试指标的分析结果以及该待分析测试指标的各特征项的分析结果进行保存。
图3为本申请实施例提供的一种测试数据分析处理方法的流程示意图,该方法应用于上述中的测试系统中,如图3所示,该方法包括:
S101、获取待分析测试指标的数据。
其中,该待分析测试指标的数据中可以包括测试执行时间、待分析测试指标的标识以及待分析测试指标的测试结果,还可以包括待分析测试指标对应的用例的标识,待分析测试指标对应的软件测试版本的标识,待分析测试指标的名称等,一个测试用例经过测试可以得到一个测试指标的测试结果。
具体地,可以通过提供消息队列、HTTP接口等数据上报的方式来获取性能测试指标的数据。
可选的,待分析测试指标的数据中的测试执行时间例如可以使用test_time来表示,例如test_time:2022-03-09 10:00:00;待分析测试指标的标识可以使用indicator_id来表示,例如indicator_id:20_response_time;待分析测试指标的测试结果可以使用data来表示,该测试结果可以为一个时间序列数据,该时间序列数据中可以包括时间戳以及对应时间戳的指标测试数据;该待分析测试指标的名称可以使用indicator_name来表示,例如,indicator_name:20并发响应时间;该待分析测试指标对应的用例标识可以使用test_id来表示,例如test_id:test_1;该待分析测试指标对应的软件测试版本的标识例如可以使用sw_version来表示,例如sw_version:version_20220309。
S102、基于待分析测试指标的测试结果,确定待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值。
可选的,获取到的待分析测试指标的测试结果中包含大量的噪声数据,这些噪声数据严重影响后续对测试结果的分析和处理,因此,需要对上述S101中获取到的待分析测试指标的测试结果通过降噪算法进行降噪处理,其中,该测试结果为一个时序数据,具体地,可以使用统计模型、分箱、聚类、回归等降噪算法,此处对使用的降噪算法不作限制,例如可以对待分析测试指标的测试结果通过采用指数加权移动平均法,去除异常数据或者噪声数据得到降噪处理后的待分析测试指标的测试结果。
可选的,对降噪处理后的待分析测试指标的测试结果进行特征提取,也就是对降噪处理后的待分析测试指标的时序数据进行特征提取,可以得到待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值。
可选的,特征项可以包括统计特征、分类特征以及拟合特征等不同类别的特征,具体地,统计特征可以包括最大值、最小值、均值、中值、方差、标准差、偏度、峰度、全距这些特征项;分类特征可以包括周期、自相关系数以及趋势这些特征项;拟合特征可以包括移动平均、加权移动平均、二次移动平均以及指数加权移动平均这些特征项;具体的特征分类、特征项以及特征标识可以使用下述的表1来表示,其中,表1中的特征名则指的是具体地特征项。对于一个待分析测试指标,可以从该待分析测试指标的测试结果中基于表1中的特征表提取表1中的一个特征项作为待分析特征项,也可以提取多个不同的特征项作为待分析特征项。
示例性的,以上述中的待分析测试指标indicator_id:20_response_time为例,可以从该待分析测试指标的测试结果data中提取该测试结果的13个特征作为待分析特征项。
表1
S103、根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果。
其中,该待分析特征项的分析结果指的是待分析特征项是正常特征项还是异常特征项。
可选的,该历史特征值序列指的是每一个待分析特征项的历史特征值序列,该历史特征值序列中可以包括一个或者多个历史特征值。
可选的,对于每一个待分析特征项,都可以根据各待分析特征值以及各待分析特征项对应的历史特征值序列使用预设的方法,可以确定各待分析特征项的分析结果。
示例性的,继续以上述的待分析测试指标indicator_id:20_response_time为例,在上述S102中提取了该待分析测试指标的测试结果的13个特征作为待分析特征项,则对于这13个每一个待分析特征项,都可以使用S103中的方法确定每一个待分析特征项是否为异常特征项,则,可以得到13个待分析特征项的分析结果。
S104、根据各待分析特征项的分析结果以及待分析测试指标的待分析特征的总数量,确定待分析测试指标是否为异常测试指标。
可选的,对于每一个待分析测试指标,可以根据上述S103中确定的各待分析特征项的分析结果以及待分析特征项的总数量使用预设的方法,确定该待分析测试指标是否为异常指标。
可选的,上述S101-S104中的步骤是对于一个待分析测试指标的测试结果的分析的过程,对于测试用例中所有测试指标数据的分析,可以重复根据上述S101-S104中的步骤进行分析,最终可以得到所有的测试指标数据的分析结果。
可选的,在对每一个待分析测试指标通过上述方法分析完成后,还可以将该待分析测试指标的测试结果、该待分析测试指标的分析结果以及该待分析测试指标的各特征项的分析结果进行保存,可以保存至预设的历史数据库中,则,此次的待分析测试指标的所有数据可以为该待分析测试指标的下一次的测试数据的分析提供历史数据。
本实施例中,通过获取待分析测试指标的数据;基于待分析测试指标的测试结果,确定待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值;根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果;根据各待分析特征项的分析结果以及待分析测试指标的待分析特征的总数量,确定待分析测试指标是否为异常测试指标。通过对待分析测试指标的测试结果进行特征提取,基于各特征项的分析结果确定该待分析测试指标的分析结果,可以提高测试指标分析的准确度,能够有效的识别异常性能指标,并且,避免依赖人工进行测试结果的分析,可以实现对各指标测试结果的自动高效分析,提高测试数据的分析效率。
可选的,上述步骤S104中根据各待分析特征项的分析结果以及待分析测试指标的待分析特征的总数量,确定待分析测试指标是否为异常测试指标,可以包括:
可选的,根据待分析测试指标的数据以及待分析特征项的标识,从历史数据库中获取待分析特征项的多个历史特征值,将该多个历史特征值按照时间顺序组成待分析特征项对应的历史特征值序列,其中,该多个历史特征值指的是正常特征值。
具体地,可以根据待分析测试用例的标识、待分析测试指标的标识、测试执行时间以及待分析特征项的标识,从历史数据库中获取待分析特征项的多个历史特征值,例如以上述测试用例的标识为test_1,测试指标的标识indicator_id:20_response_time为例,需要从历史数据库中获取该测试指标的最大值特征的历史特征值,则根据该测试指标的标识也就是根据该测试指标“响应时间”、待分析特征项“最大值”以及测试执行时间test_time,可以获取从历史数据库中获取多条历史特征值,例如可以获取10条历史特征值,则该待分析测试指标的最大值特征的历史特征值例如可以为f1、f2、f3、f4、f5、f6、f7、f8、f9、f10,将获取到的这10条最大值特征的历史特征值按照时间顺序组成该待分析特征项对应的历史特征值序列,例如可以使用Fhist=[f1、f2、f3…f10]。
可选的,根据待分析特征项的待分析特征值以及历史特征值序列,确定待分析特征项的待分析特征值与历史特征序列的离散程度信息,根据离散程度信息确定待分析特征项的分析结果。
可选的,上述根据待分析特征项的待分析特征值以及历史特征值序列,确定待分析特征项的待分析特征值与历史特征值序列的离散程度信息,根据离散程度信息确定待分析特征项的分析结果,可以包括:
可选的,将待分析特征项的待分析特征值输入至以历史特征值序列预先训练得到的检测模型,由检测模型基于离群检测算法,确定待分析特征项的待分析特征值与历史特征值序列的离散程度信息,并输出待分析特征项的分析结果。
其中,离群检测算法用于检测出与正常数据行为或者特征属性差别较大的异常数据或者行为,离群检测算法可以分为有监督方法、无监督方法、统计方法、聚类等方法,可以根据特征值的形态,选择合理的离群检测算法对特征值进行检测。
具体地,可以以one-ClassSVM单类支持向量机算法为例,将历史特征值序列例如上述中的Fhist作为训练数据输入至单类支持向量机进行分类训练,得到预先训练得到的检测模型,之后将待分析特征项的待分析特征值输入至预先得到的检测模型中,对待分析特征值进行分析,得到待分析特征值是正常特征值还是异常特征值的分析结果,若待分析特征值为离群值,也就是说待分析特征值与历史特征值的差别较大,则该待分析特征值为异常特征值;若待分析特征值不为离群值,也就是说该待分析特征值与历史特征值的形态分布差异不大,则该待分析特征值为正常特征值。从而可以确定待分析特征项是正常特征项还是异常特征项,具体地,若待分析特征值为正常特征值,则对应的待分析特征项为正常特征项;若待分析特征值为异常特征值,则对应的待分析特征项为异常特征项。
可选的,通过本实施例中的方法对测试指标indicator_id:20_response_time的所有特征项都进行分析可以得到所有特征项的分析结果。
本实施例通过根据历史特征值与待分析特征值使用离群检测算法检测待分析特征项的分析结果,可以支持所有的测试指标的特征项的分析,使得待分析特征项的分析结果更全面更准确。
图4为本申请实施例提供的一种待分析测试指标的完整分析流程示意图,如图4所示,获取待分析测试指标的数据以及待分析测试指标的各特征项;获取待分析特征项的历史特征值序列;分析各待分析特征项的待分析特征值与历史特征值序列的离散程度信息,若正常,则将该待分析特征项标记为正常特征项,若异常,则将该待分析特征项标记为异常特征项;根据异常特征项的占比与预设阈值进行比较,若大于预设阈值,则将该待分析测试指标可以标记为异常测试指标,若小于预设阈值,则将该待分析测试指标可以标记为正常测试指标;输出待分析测试指标的分析结果并保存。
图4中的各步骤在上述具体实施例中已具体说明,此处不作赘述。
图5为本申请实施例提供的另一种测试数据分析处理方法的流程示意图,如图5所示,上述S103中根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,可以包括:
S201、根据历史特征值序列中的各历史特征值,确定待分析特征项对应的历史特征值标准差以及均值。
其中,该历史特征值序列指的是多个历史版本中的待分析特征项对应的历史特征值序列,可以获取到多个历史版本中的待分析特征项的历史特征值作为与待分析特征项的历史特征值序列,以该历史特征值序列中的多个历史特征值计算得到该待分析特征项对应的标准差和均值。
可选的,对于待比较的两个版本,当前版本可以为version_new,得到该当前版本的特征值,例如可以使用fversion_new来表示,历史对比版本例如可以使用version_old来表示,通过版本标识、待分析测试用例的标识、待分析测试指标的标识、待分析特征项的标识可以得到该待分析特征项的待分析特征值例如可以使用fversion_old来表示。
示例性的,继续以上述中的测试用例的标识为test_1,测试指标的标识indicator_id:20_response_time为例,需要从历史数据库中获取该测试指标在多个历史版本中的最大值特征的历史特征值,例如可以获取10个历史版本中的历史特征值,则该待分析测试指标的最大值特征的历史特征值例如可以为f11’、f22、f33、f44、f55、f66、f77、f88、f99、f101,将获取到的这10条最大值特征的历史特征值组成该待分析特征项对应的历史特征值序列,例如可以使用F1hist=[f11、f22、f33…f101]来表示,根据该历史特征值序列使用统计方法可以计算得到该待分析特征项对应的历史特征值标准差以及均值,其中,标准差可以使用σhist来表示,均值可以使用μhist来表示。
S202、根据标准差以及均值确定待分析特征项的当前标准分以及待分析特征项对应的历史标准分。
其中,当前标准分指的是当前版本的标准分,历史标准分指的是历史版本该特征项的标准分,具体地,可以使用公式(一)的得到当前标准分,可以使用Zversion_new来表示,使用公式(二)的得到历史标准分,可以使用Zversion_old来表示。
S203、根据当前标准分、历史标准分以及预设阈值,确定待分析特征项的分析结果。
具体地,对于待分析特征项,可以计算当前标准分与历史标准分之间的差值,将该差值与预设阈值进行比较,若差值超过预设阈值,则可以将该待分析特征项作为异常特征项,例如可以将该特征项标记为1,用于标记该特征项为异常特征项;若该差值小于等于预设阈值,则可以将该待分析特征项作为正常特征项例如可以将该特征项标记为0,用于标记该特征项为正常特征项。
本实施例通过对各被测版本的指标进行特征值的分析对比,通过各版本的标准分进行分析,可以分析得到被测试的版本与不同版本之间的性能变化情况,极大的减少了人工分析的过程。
图6为本申请实施例提供的又一种测试数据分析处理方法的流程示意图,如图6所示,上述步骤S104中根据各待分析特征项的分析结果以及待分析测试指标的待分析特征的总数量,确定待分析测试指标是否为异常测试指标,可以包括:
S301、根据待分析测试指标的各待分析特征项的分析结果,确定待分析测试指标的所有待分析特征项中的异常特征项的数量。
示例性的,继续以上述的待分析测试指标indicator_id:20_response_time为例,在上述S102中提取了该待分析测试指标的测试结果的13个特征作为待分析特征项,若这13个特征项中的有两个异常特征项,则该待分析测试指标中的异常特征项的数量为2。
S302、根据异常特征项的数量与待分析测试指标的待分析特征项的总数量的比值,确定待分析测试指标的异常特征项的占比。
示例性的,若待分析测试指标的待分析特征项的总数量为13,异常特征项的数量为2,则异常特征项的占比为2/13。
S303、根据异常特征项的占比与预设占比阈值,确定待分析测试指标是否为异常测试指标。
具体地,若上述S302中确定的异常特征项的占比大于预设占比阈值,则可以确定该待分析测试指标为异常测试指标;若异常特征项的占比小于等于预设占比阈值,则可以确定该待分析测试指标为正常测试指标。
本实施例中,通过待分析测试指标中的异常特征项与所有特征项来分析该待分析测试指标是正常测试指标还是异常测试指标,可以使得分析结果更准确。
可选的,待分析测试指标的待分析特征项可以包括:趋势、周期以及余项,该方法还可以包括:
可选的,确定趋势对应的第一预测值、周期对应的第二预测值,余项对应的第三预测值,其中,预测值指的是当前时刻的下一时刻的预测值。
可选的,对于内存使用率等阈值型指标,通过上述中的预设阈值只能基于历史数据进行比较,无法提前预警可能发生的内存泄漏问题,因此,对于内存使用率这一类待分析测试指标,通过对内存使用率该测试指标的测试结果提取周期、趋势以及余项这三项特征项,对这三项特征项进行拟合计算,生成该测试指标的预测值,通过预测值对内存泄漏的问题可以提前预警。
可选的,对第一预测值、第二预测值以及第三预测值进行拟合处理,得到待分析测试指标对应的预测值,具体地,可以使用如下公式(三)对这三个预测值进行拟合。
Yt+1=t+1+Tt+1+Rt+1公式(三)
其中,Tt+1为趋势对应的第一预测值,St+1周期对应的第二预测值,Rt+1余项对应的第三预测值。
可选的,根据待分析测试指标对应的预测值与预设预测阈值,预测待分析测试指标是否为异常指标。
具体地,若待分析测试指标对应的预测值大于预设预测阈值,则将该待分析测试指标作为异常指标,说明内存使用率该待分析测试指标为异常指标,可以判定系统存在内存泄漏的风险;若待分析测试指标对应的预测值大于预设预测阈值,则将该待分析测试指标作为正常指标。
本实施例中,通过根据趋势、周期以及余项不同特征,可以预测系统的内存泄漏问题,可以根据预测值提前预测内存泄漏的风险。
可选的,上述确定趋势对应的第一预测值、周期对应的第二预测值,余项对应的第三预测值,可以包括:
可选的,根据当前时刻的趋势值以及增加值,使用指数加权移动平均算法,确定待分析测试指标的测试结果的当前时刻的下一时刻的趋势分量,将当前时刻的下一时刻的趋势分量作为第一预测值。
可选的,若当前时刻为t时间点,则当前时刻的下一时刻可以使用t+1来表示,趋势分量指的是原始数据的趋势,通过改进的指数加权移动平均算法进行拟合计算,其中,改进的指数加权移动平均公式可以使用公式(四)来表示。
Tt+1=λ(2Xt-Xt-1)+(1-λ)Tt 公式(四)
其中,λ为指数加权移动平均法的系数,取值范围可以为0~1,t为当前时刻,t+1为当前时刻的下一时刻,对于t+1时刻的预测值基于历史趋势值进行计算,则取当前时间点t的实际测量值Xt与t-1时间点的实际测量值Xt-1的差,作为趋势随着时间变化的变化量,与t时间点的趋势值Tt相加,Tt+1为时间点t+1的预测值,2Xt-Xt-1指的是时间点t+1的实际值。
则,Tt+1为当前时刻的下一时刻t+1的趋势分量。
可选的,根据当前时刻的下一时刻的上一个周期对应的周期分量,确定待分析测试指标的测试结果的当前时刻的下一时刻的周期分量,将当前时刻的下一时刻的周期分量作为第二预测值。
可选的,对于周期分量,利用提取周期特征,可以预测出t+1时间点的周期分量,例如周期为p,则t+1时间点的预测值为t+1-p时间点的周期分量值,则St+1=St+1-p,则St+1为当前时刻的下一时刻的周期分量,也就是第二预测值。
可选的,根据待分析测试指标的测试结果的噪声的均值,确定待分析测试指标的测试机关的当前时刻的下一时刻的余项分量,将当前时刻的下一时刻的余项分量作为第三预测值。
可选的,对于余量分量,余量可以指的是待测试指标的测试结果中的噪声数据,可以将测试结果中当前时刻以及当前时刻之前的噪声的均值作为当前时刻的下一时刻的余量分量,具体地,可以使用公式(五)来表示。
其中,Rt+1为当前时刻的下一时刻t+1时间点的余量预测值,Ri为时间点i时的余量值。
图7为本申请实施例提供的一种测试数据分析处理方法的装置示意图,如图7所示,该装置包括:
获取模块401,用于获取待分析测试指标的数据,所述待分析测试指标的数据包括:测试执行时间、待分析测试指标的标识以及待分析测试指标的测试结果;
确定模块402,用于基于所述待分析测试指标的测试结果,确定所述待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值;
确定模块402,用于根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,所述分析结果用于指示所述待分析特征项是否为异常特征项;
确定模块402,用于根据各待分析特征项的分析结果以及所述待分析测试指标的待分析特征项的总数量,确定所述待分析测试指标是否为异常测试指标。
可选的,确定模块402具体用于:
根据所述待分析测试指标的数据以及所述待分析特征项的标识,从历史数据库中获取所述待分析特征项的多个历史特征值,将所述多个历史特征值按照时间顺序组成所述待分析特征项对应的历史特征值序列;
根据所述待分析特征项的待分析特征值以及所述历史特征值序列,确定所述待分析特征项的待分析特征值与所述历史特征值序列的离散程度信息,根据所述离散程度信息,确定所述待分析特征项的分析结果。
可选的,确定模块402具体用于:
将所述待分析特征项的待分析特征值输入至以历史特征值序列预先训练得到的检测模型,由所述检测模型基于离群检测算法,确定所述待分析特征项的待分析特征值与所述历史特征序列的离散程度信息,并输出待分析特征项的分析结果。
可选的,确定模块402具体用于:
根据所述历史特征值序列中的各历史特征值,确定所述待分析特征项对应的历史特征值标准差以及均值;
根据所述标准差以及均值确定所述待分析特征项的当前标准分以及所述待分析特征项对应的历史标准分;
根据所述当前标准分、所述历史标准分以及预设阈值,确定所述待分析特征项的分析结果。
可选的,确定模块402具体用于:
根据所述待分析测试指标的各待分析特征项的分析结果,确定所述待分析测试指标的所有待分析特征项中的异常特征项的数量;
根据所述异常特征项的数量与所述待分析测试指标的待分析特征项的总数量的比值,确定所述待分析测试指标的异常特征项的占比;
根据所述异常特征项的占比与预设占比阈值,确定所述待分析测试指标是否为异常测试指标。
可选的,所述待分析测试指标的待分析特征项包括:趋势、周期以及余项;
确定模块402具体用于:
确定所述趋势对应的第一预测值、所述周期对应的第二预测值、所述余项对应的第三预测值;
对所述第一预测值、所述第二预测值以及所述第三预测值进行拟合处理,得到所述待分析测试指标对应的预测值;
根据所述待分析测试指标对应的预测值与预设预测阈值,预测所述待分析测试指标是否为异常指标。
可选的,确定模块402具体用于:
根据当前时刻的趋势值以及增加值,使用指数加权移动平均算法,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的趋势分量,将所述当前时刻的下一时刻的趋势分量作为第一预测值;
根据当前时刻的下一时刻的上一个周期对应的周期分量,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的周期分量,将所述当前时刻的下一时刻的周期分量作为第二预测值;
根据所述待分析测试指标的测试结果的噪声的均值,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的余项分量,将所述当前时刻的下一时刻的余项分量作为第三预测值。
图8为本申请实施例提供的一种电子设备500的结构框图,如图8所示,该电子设备可包括:处理器501、存储器502。
可选的,还可以包括总线503,其中,所述存储器502用于存储有所述处理器501可执行的机器可读指令,当电子设备500运行时,所述处理器501与所述存储器502存储之间通过总线503通信,所述机器可读指令被所述处理器501执行时执行上述测试数据分析处理方法实施例中的方法步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述测试数据分析处理方法实施例中的方法步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种测试数据分析处理方法,其特征在于,所述方法包括:
获取待分析测试指标的数据,所述待分析测试指标的数据包括:测试执行时间、待分析测试指标的标识以及待分析测试指标的测试结果;
基于所述待分析测试指标的测试结果,确定所述待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值;
根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,所述分析结果用于指示所述待分析特征项是否为异常特征项;
根据各待分析特征项的分析结果以及所述待分析测试指标的待分析特征项的总数量,确定所述待分析测试指标是否为异常测试指标。
2.根据权利要求1所述的测试数据分析处理方法,其特征在于,所述根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,包括:
根据所述待分析测试指标的数据以及所述待分析特征项的标识,从历史数据库中获取所述待分析特征项的多个历史特征值,将所述多个历史特征值按照时间顺序组成所述待分析特征项对应的历史特征值序列;
根据所述待分析特征项的待分析特征值以及所述历史特征值序列,确定所述待分析特征项的待分析特征值与所述历史特征值序列的离散程度信息,根据所述离散程度信息,确定所述待分析特征项的分析结果。
3.根据权利要求2所述的测试数据分析处理方法,其特征在于,所述根据所述待分析特征项的待分析特征值以及所述历史特征值序列,确定所述待分析特征项的待分析特征值与所述历史特征值序列的离散程度信息,根据所述离散程度信息,确定所述待分析特征项的分析结果,包括:
将所述待分析特征项的待分析特征值输入至以历史特征值序列预先训练得到的检测模型,由所述检测模型基于离群检测算法,确定所述待分析特征项的待分析特征值与所述历史特征值序列的离散程度信息,并输出待分析特征项的分析结果。
4.根据权利要求1所述的测试数据分析处理方法,其特征在于,所述根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,包括:
根据所述历史特征值序列中的各历史特征值,确定所述待分析特征项对应的历史特征值标准差以及均值;
根据所述标准差以及均值确定所述待分析特征项的当前标准分以及所述待分析特征项对应的历史标准分;
根据所述当前标准分、所述历史标准分以及预设阈值,确定所述待分析特征项的分析结果。
5.根据权利要求2所述的测试数据分析处理方法,其特征在于,所述根据各待分析特征项的分析结果以及所述待分析测试指标的待分析特征项的总数量,确定所述待分析测试指标是否为异常测试指标,包括:
根据所述待分析测试指标的各待分析特征项的分析结果,确定所述待分析测试指标的所有待分析特征项中的异常特征项的数量;
根据所述异常特征项的数量与所述待分析测试指标的待分析特征项的总数量的比值,确定所述待分析测试指标的异常特征项的占比;
根据所述异常特征项的占比与预设占比阈值,确定所述待分析测试指标是否为异常测试指标。
6.根据权利要求1所述的测试数据分析处理方法,其特征在于,所述待分析测试指标的待分析特征项包括:趋势、周期以及余项;所述方法还包括:
确定所述趋势对应的第一预测值、所述周期对应的第二预测值、所述余项对应的第三预测值;
对所述第一预测值、所述第二预测值以及所述第三预测值进行拟合处理,得到所述待分析测试指标对应的预测值;
根据所述待分析测试指标对应的预测值与预设预测阈值,预测所述待分析测试指标是否为异常指标。
7.根据权利要求6所述的测试数据分析处理方法,其特征在于,所述确定所述周期对应的第一预测值、所述趋势对应的第二预测值、所述余项对应的第三预测值,包括:
根据当前时刻的趋势值以及增加值,使用指数加权移动平均算法,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的趋势分量,将所述当前时刻的下一时刻的趋势分量作为第一预测值;
根据当前时刻的下一时刻的上一个周期对应的周期分量,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的周期分量,将所述当前时刻的下一时刻的周期分量作为第二预测值;
根据所述待分析测试指标的测试结果的噪声的均值,确定所述待分析测试指标的测试结果的当前时刻的下一时刻的余项分量,将所述当前时刻的下一时刻的余项分量作为第三预测值。
8.一种测试数据分析处理装置,其特征在于,包括:
获取模块,用于获取待分析测试指标的数据,所述待分析测试指标的数据包括:测试执行时间、待分析测试指标的标识以及待分析测试指标的测试结果;
确定模块,用于基于所述待分析测试指标的测试结果,确定所述待分析测试指标的各待分析特征项以及各待分析特征项的待分析特征值;
确定模块,用于根据各待分析特征值以及各待分析特征项对应的历史特征值序列,确定各待分析特征项的分析结果,所述分析结果用于指示所述待分析特征项是否为异常特征项;
确定模块,用于根据各待分析特征项的分析结果以及所述待分析测试指标的待分析特征项的总数量,确定所述待分析测试指标是否为异常测试指标。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的测试数据分析处理方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-7任一项所述的测试数据分析处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310582476.XA CN116521568A (zh) | 2023-05-22 | 2023-05-22 | 测试数据分析处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310582476.XA CN116521568A (zh) | 2023-05-22 | 2023-05-22 | 测试数据分析处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116521568A true CN116521568A (zh) | 2023-08-01 |
Family
ID=87394139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310582476.XA Pending CN116521568A (zh) | 2023-05-22 | 2023-05-22 | 测试数据分析处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116521568A (zh) |
-
2023
- 2023-05-22 CN CN202310582476.XA patent/CN116521568A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9658916B2 (en) | System analysis device, system analysis method and system analysis program | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
EP2759938A1 (en) | Operations management device, operations management method, and program | |
JPH10510385A (ja) | ソフトウエア品質のアーキテクチャに基づく分析のための方法およびシステム | |
EP2963552B1 (en) | System analysis device and system analysis method | |
WO2006014464A2 (en) | Method for quantitative pcr data analysis system (qdas) | |
CN102483738A (zh) | 确定时间数据中的周期性效应 | |
US9235463B2 (en) | Device and method for fault management of smart device | |
CN113127305A (zh) | 异常检测方法及装置 | |
WO2020166236A1 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
CN111144021A (zh) | 一种燃料电池寿命预测方法及系统 | |
CN116503025B (zh) | 一种基于工作流引擎的业务工单流程处理方法 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN116521568A (zh) | 测试数据分析处理方法、装置、电子设备及存储介质 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN112395179B (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
CN115904955A (zh) | 性能指标的诊断方法、装置、终端设备及存储介质 | |
JP2011141674A (ja) | ソフトウェア品質指標値管理システム、ソフトウェア品質指標値の真値を推定する推定方法及び推定プログラム | |
CN113962558A (zh) | 一种基于生产数据管理的工业互联网平台评价方法及系统 | |
CN111967774A (zh) | 软件质量风险预测方法及装置 | |
CN111176931A (zh) | 一种运营监控方法、装置、服务器及存储介质 | |
CN117406161B (zh) | 一种计量装置量值偏离度预警方法、系统、设备及介质 | |
US20200134480A1 (en) | Apparatus and method for detecting impact factor for an operating environment | |
CN107218964B (zh) | 一种试验子样容量性状的判定方法 |
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 |