CN116881103A - 埋点定位方法、装置、计算机设备和存储介质 - Google Patents

埋点定位方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116881103A
CN116881103A CN202310848608.9A CN202310848608A CN116881103A CN 116881103 A CN116881103 A CN 116881103A CN 202310848608 A CN202310848608 A CN 202310848608A CN 116881103 A CN116881103 A CN 116881103A
Authority
CN
China
Prior art keywords
point
target
user
event trigger
buried point
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
Application number
CN202310848608.9A
Other languages
English (en)
Inventor
陈美伶
陈凌潇
李杰一
黄景超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310848608.9A priority Critical patent/CN116881103A/zh
Publication of CN116881103A publication Critical patent/CN116881103A/zh
Pending legal-status Critical Current

Links

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
    • G06F11/3438—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 monitoring of user actions
    • 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
    • G06F11/362—Software debugging
    • G06F11/3644—Software debugging by instrumenting at runtime
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种埋点定位方法、装置、计算机设备、存储介质和计算机程序产品，设计人工智能技术领域。所述方法包括：获取待部署应用的各事件触发点；基于自适应蚁群算法，在各事件触发点中确定目标埋点位置；在目标埋点位置进行埋点操作，并收集目标埋点位置的用户数据。采用本方法能够提高埋点技术收集用户行为信息的准确率。

Description

埋点定位方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种埋点定位方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着互联网信息技术的发展，开发人员可以通过分析用户在软件、网页的用户行为信息，对软件、网页进行状态的衡量。其中，对用户行为信息的获取可以通过埋点技术来实现，具体为在终端部署用于采集用户行为信息的代码，进而对用户行为信息进行分析处理，实现对产品进行衡量。
传统技术中，通常是开发人员对用户行为进行观察和分析，确定出待埋点位置，根据key-value(事件-参考值)的形式，通过在待埋点位置人工部署key(事件)的方式部署监测脚本，进而实现对用户行为信息的捕捉和跟踪。
然而，由于需要埋点产品(例如网页或移动应用)较为复杂，目前的人工部署监测脚本的方法，人工确定待埋点位置的方式具有不确定性和疏漏性，进而导致埋点技术所收集的用户行为信息的准确率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种埋点定位方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种埋点定位方法。所述方法包括：
获取待部署应用的各事件触发点；
基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置；
在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据。
在其中一个实施例中，所述自适应蚁群算法中包含模拟用户；所述基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置，包括：
初始化自适应蚁群算法中的模拟用户、所述模拟用户对应的初始位置和初始信息素浓度；所述初始信息素浓度用于更新各所述事件触发点的信息素；
以所述模拟用户对应的初始位置为起点，模拟所述模拟用户在所述待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径；
基于各所述行为路径对应的当前的信息素浓度，在多个所述行为路径中，确定目标行为路径，并将所述目标行为路径中包含的各事件触发点作为目标埋点位置。
在其中一个实施例中，所述以所述模拟用户对应的初始位置为起点，模拟所述模拟用户在所述待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径，包括：
以所述模拟用户对应的初始位置为起点，根据自适应蚁群算法中的启发式信息确定所述模拟用户针对下一事件触发点的选择概率，并基于所述选择概率确定所述模拟用户对应的目标事件触发点；
模拟触发所述目标事件触发点的用户行为操作，以所述目标事件触发点为起点，执行所述根据自适应蚁群算法中的启发式信息确定所述模拟用户针对下一事件触发点的选择概率的步骤，直至所述模拟用户的用户行为满足预设结束条件，得到包含所述模拟用户的用户行为对应的各目标事件触发点的目标行为路径。
在其中一个实施例中，所述模拟触发所述目标事件触发点的用户行为操作之后，所述方法还包括：
基于所述下一事件触发点对应的初始信息素浓度，对所述下一事件触发点对应的信息素浓度进行更新，得到所述下一事件触发点的当前信息素浓度。
在其中一个实施例中，所述方法还包括：
在自适应蚁群算法的计算迭代过程中，根据各所述事件触发点的信息素浓度与自适应更新信息素方法，对各所述事件触发点对应的初始信息素浓度进行动态更新；
基于更新后的初始信息素浓度对各所述事件触发点对应的信息素浓度进行更新。
在其中一个实施例中，所述在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据，包括：
根据埋点工具，在所述目标埋点位置添加埋点代码；
基于所述埋点代码对所述目标埋点位置的用户数据进行收集。
在其中一个实施例中，所述收集所述目标埋点位置的用户数据之前，所述方法还包括：
获取验证数据集；所述验证数据集包括参考用户数据；
根据所述验证数据集模拟用户行为对所述待部署应用进行操作，得到收集数据；所述收集数据包括在所述目标埋点位置收集的用户数据；
基于所述验证数据集和所述收集数据的匹配程度，对所述目标埋点位置的数据收集结果进行验证。
在其中一个实施例中，所述在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据之后，所述方法还包括：
在预设埋点周期中，根据所述目标埋点位置实时获取到的当前埋点周期内的用户数据，对所述自适应蚁群算法的参数进行调整；
通过参数调整后的自适应蚁群算法，执行所述基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置的步骤。
第二方面，本申请还提供了一种埋点定位装置。所述装置包括：
第一获取模块，用于获取待部署应用的各事件触发点；
确定模块，用于基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置；
收集模块，用于在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据。
在其中一个实施例中，所述确定模块具体用于：
初始化自适应蚁群算法中的模拟用户、所述模拟用户对应的初始位置和初始信息素浓度；所述初始信息素浓度用于更新各所述事件触发点的信息素；
以所述模拟用户对应的初始位置为起点，模拟所述模拟用户在所述待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径；
基于各所述行为路径对应的当前的信息素浓度，在多个所述行为路径中，确定目标行为路径，并将所述目标行为路径中包含的各事件触发点作为目标埋点位置。
在其中一个实施例中，所述确定模块具体用于：
以所述模拟用户对应的初始位置为起点，根据自适应蚁群算法中的启发式信息确定所述模拟用户针对下一事件触发点的选择概率，并基于所述选择概率确定所述模拟用户对应的目标事件触发点；
模拟触发所述目标事件触发点的用户行为操作，以所述目标事件触发点为起点，执行所述根据自适应蚁群算法中的启发式信息确定所述模拟用户针对下一事件触发点的选择概率的步骤，直至所述模拟用户的用户行为满足预设结束条件，得到包含所述模拟用户的用户行为对应的各目标事件触发点的目标行为路径。
在其中一个实施例中，所述装置还包括：
第一更新模块，用于基于所述下一事件触发点对应的初始信息素浓度，对所述下一事件触发点对应的信息素浓度进行更新，得到所述下一事件触发点的当前信息素浓度。
在其中一个实施例中，所述装置还包括：
第二更新模块，用于在自适应蚁群算法的计算迭代过程中，根据各所述事件触发点的信息素浓度与自适应更新信息素方法，对各所述事件触发点对应的初始信息素浓度进行动态更新；
第三更新模块，用于基于更新后的初始信息素浓度对各所述事件触发点对应的信息素浓度进行更新。
在其中一个实施例中，所述收集模块具体用于：
根据埋点工具，在所述目标埋点位置添加埋点代码；
基于所述埋点代码对所述目标埋点位置的用户数据进行收集。
在其中一个实施例中，所述装置还包括：
第二获取模块，用于获取验证数据集；所述验证数据集包括参考用户数据；
模拟模块，用于根据所述验证数据集模拟用户行为对所述待部署应用进行操作，得到收集数据；所述收集数据包括在所述目标埋点位置收集的用户数据；
验证模块，用于基于所述验证数据集和所述收集数据的匹配程度，对所述目标埋点位置的数据收集结果进行验证。
在其中一个实施例中，所述装置还包括：
调整模块，用于在预设埋点周期中，根据所述目标埋点位置实时获取到的当前埋点周期内的用户数据，对所述自适应蚁群算法的参数进行调整；
执行模块，用于通过参数调整后的自适应蚁群算法，执行所述基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置的步骤。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待部署应用的各事件触发点；
基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置；
在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据。
第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待部署应用的各事件触发点；
基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置；
在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待部署应用的各事件触发点；
基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置；
在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据。
上述埋点定位方法、装置、计算机设备、存储介质和计算机程序产品，通过自适应蚁群算法在各事件触发点中确定目标埋点位置，可以提高确定目标埋点位置的准确率，通过在目标埋点位置进行自动化埋点操作，可以避免目标埋点位置的遗漏，从而提高埋点技术收集用户行为信息的准确率。
附图说明
图1为一个实施例中埋点定位方法的应用环境图；
图2为一个实施例中根据自适应蚁群算法确定目标埋点位置的方法的流程示意图；
图3为一个实施例中蚁群算法原理的示意图；
图4为一个实施例中确定包含目标事件触发点的行为路径的方法的流程示意图；
图5为一个实施例中对事件触发点的信息素进行更新的方法的流程示意图；
图6为一个实施例中对目标埋点位置进行用户数据收集的方法的流程示意图；
图7为一个实施例中对目标埋点位置收集到的用户数据进行验证的方法的流程示意图；
图8为一个实施例中对自适应蚁群算法方法的参数进行调整的流程示意图；
图9为一个实施例中埋点定位方法的示例的流程示意图；
图10为一个实施例中埋点定位装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种埋点定位方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取待部署应用的各事件触发点。
本申请实施例中，终端获取待部署埋点的待部署应用的待部署应用中各事件触发点，其中，待部署应用可以为APP(Application，应用)是应用程序(Application)，基于H5(HTML5，一种HTML5标准)开发的网页，或PC(Personal Computer，计算机设备)应用程序。事件触发点为待部署应用中所有可以监测和记录的特定事件发生的位置，可选的，事件触发点还可以收集能够反映待部署应用的状态的指标，例如页面访问量、点击率、转化率、停留时间等指标。
步骤104，基于自适应蚁群算法，在各事件触发点中确定目标埋点位置。
本申请实施例中，模拟用户可以为抽象为自适应蚁群算法中的蚂蚁，模拟用户对于页面/功能等事件触发点的访问，可以抽象为自适应蚁群算法中蚂蚁的行为。具体的，每只蚂蚁(模拟用户)探索过程中彼此独立，仅通过信息激素进行下一路径(下一事件触发点)的选择。因此，终端可以基于自适应蚁群算法的原理，根据事件触发点初始化自适应蚁群算法对应的参数，例如蚂蚁数量(模拟用户的数量)、初始信息素浓度、信息素蒸发率等参数，根据蚁群中每个蚂蚁的行为模拟用户的用户行为，将每个事件触发点作为食物位置，将目标埋点位置作为每个蚂蚁需要寻找的目标，对蚁群的行为进行遍历，通过自适应蚁群算法得到的最优路径，确定目标埋点位置。
步骤106，在目标埋点位置进行埋点操作，并收集目标埋点位置的用户数据。
本申请实施例中，在终端基于自适应蚁群算法获取到各事件触发点中的目标埋点位置后，终端可以根据自动化脚本，以及目标埋点位置的需求，在目标埋点位置部署用于采集用户数据的SDK(Software Development Kit，软件开发工具包)代码。在用户针对当前事件触发点进行操作后，终端通过部署在目标埋点位置的SDK代码对用户数据进行采集，得到目标埋点位置的用户数据。该用户数据可以反映待部署应用的使用状态，也可以用于开发人员的ABtest(一种基于控制变量的测试方法)、漏斗优化、Bug(漏洞)修复、精准营销、用户预测、攻击行为分析等。
可选的，终端可以将收集到的用户数据上报到服务器或存储到本地。并且可以通过发送请求、使用日志系统、写入数据库等方式将数据进行存储和管理。根据实际情况，终端可以选择实时上报，或者通过批量方式进行数据的存储和分析。
上述埋点定位方法中，通过自适应蚁群算法在各事件触发点中确定目标埋点位置，可以提高确定目标埋点位置的准确率，通过在目标埋点位置进行自动化埋点操作，可以避免目标埋点位置的遗漏，从而提高埋点技术收集用户行为信息的准确率。
在一个实施例中，如图2所示，步骤104基于自适应蚁群算法，在各事件触发点中确定目标埋点位置，包括：
步骤202，初始化自适应蚁群算法中的模拟用户、模拟用户对应的初始位置和初始信息素浓度。
其中，初始信息素浓度用于更新各事件触发点的信息素。
其中，自适应蚁群算法中包含模拟用户。
本申请实施例中，终端根据自适应蚁群算法的原理，终端将模拟用户抽象自适应蚁群算法中的蚂蚁，初始化确定目标埋点位置的自适应蚁群算法中的模拟用户(蚂蚁)，在各事件触发点中模拟用户对应的初始位置，以及各模拟用户的初始信息素。其中，模拟用户对应的初始位置可以为待部署应用中的任意一个事件触发点，可选的，模拟用户对应的初始位置也可以为均匀随机分布的初始位置，以确保每个事件触发点均具有模拟用户。
步骤204，以模拟用户对应的初始位置为起点，模拟模拟用户在待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径。
本申请实施例中，如图3所示，在自适应蚁群算法中，通过将各蚂蚁随机放置于各城市(路径节点)中，通过各蚂蚁根据各城市中的信息素确定该蚂蚁选择下一路径节点的概率，进而在所有蚂蚁经过多次完成所有路径节点的选择后，得到各初始位置到目标路径节点的行为路径。终端基于该自适应算法相同的原理，以模拟用户对应的初始位置为模拟用户行为的起点，对模拟用户在待部署应用中的用户行为进行模拟，进而得到包含初始位置到目标事件触发点的多个行为路径。
步骤206，基于各行为路径对应的当前的信息素浓度，在多个行为路径中，确定目标行为路径，并将目标行为路径中包含的各事件触发点作为目标埋点位置。
本申请实施例中，终端在确定出所有事件触发点中的多个行为路径后，可以根据各行为路径上的当前的信息素浓度，计算各行为路径对应的评估值，其中，行为路径的评估值可以为行为路径中所有事件触发点对应的信息素浓度的加权平均值，或当行为路径中各事件触发点对应的信息素浓度的最大值等指标。
然后，终端根据各行为路径对应的评估值确定目标行为路径，并将目标行为路径中包含的各事件触发点作为目标埋点位置。
本实施例中，通过自适应蚁群算法在各事件触发点中确定目标埋点位置，可以提高确定目标埋点位置的准确率，进而提高埋点定位的准确率。
在一个实施例中，如图4所示，步骤204以模拟用户对应的初始位置为起点，模拟模拟用户在待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径，包括：
步骤402，以模拟用户对应的初始位置为起点，根据自适应蚁群算法中的启发式信息确定模拟用户针对下一事件触发点的选择概率，并基于选择概率确定模拟用户对应的目标事件触发点。
本申请实施例中，终端通过自适应蚁群算法中的蚂蚁的行为，在待部署应用中模拟模拟用户的行为，在确定出各模拟用户针对下一事件触发点的选择概率后，根据该选择概率确定目标事件触发点。具体的，在初始时刻，终端将m个模拟用户随机放置于各事件触发点中，以模拟用户被放置的初始位置的事件触发点为起点，各事件触发点上的信息素浓度的初始值相等，即初始信息素初始值Tij(0)＝τ0，其次，模拟用户k(k＝1,2,...,)按照随机比例选择下一事件触发点，其选择概率为：
其中，τ0＝m/Lm,Lm是由最近邻启发式方法构造的路径长度。τ0为边(i，j)上的信息素；ηij＝1/dij为从事件触发点i到事件触发点j的启发式因子，αk为蚂蚁k下一次被允许访问的事件触发点的集合。q是均匀分布在区间[0,1]中的一个随机变量，q0(0≤q0≤1)为一个算法参数；J是根据以上公式给出的概率分布产生出的一个随机变量(其中α＝1)。
步骤404，模拟触发目标事件触发点的用户行为操作，以目标事件触发点为起点，执行根据自适应蚁群算法中的启发式信息确定模拟用户针对下一事件触发点的选择概率的步骤，直至模拟用户的用户行为满足预设结束条件，得到包含模拟用户的用户行为对应的各目标事件触发点的目标行为路径。
本申请实施例中，在模拟用户选择下一事件触发点后，终端模拟模拟用户触发目标事件触发点的用户行为操作，终端继续根据各事件触发点的信息素浓度和启发式信息确定下一事件触发点的概率，直至模拟用户触发所有的事件触发点，作为其中一次遍历过程，并重复对模拟用户在待部署应用中的用户行为，直至满足预设的迭代次数，或该自适应蚁群算法的最优解的变化情况低于预设的阈值，作为模拟用户的用户行为满足预设的结束条件，得到由各目标事件触发点组成的目标行为路径。
本实施例中，通过自适应蚁群算法对模拟用户的用户行为进行迭代模拟，可以提高计算目标事件触发点的选择准确性，进而提高确定目标埋点的准确率。
在一个实施例中，基于每个事件触发点中已存留的信息素浓度，终端可以对模拟用户释放的信息素进行适应性调整，步骤404模拟触发目标事件触发点的用户行为操作之后，该方法还包括：
步骤4041，基于下一事件触发点对应的初始信息素浓度，对下一事件触发点对应的信息素进行更新，得到下一事件触发点的当前信息素浓度。
本申请实施例中，在模拟用户完成对下一事件触发点的选择并模拟模拟用户的行为进行该事件触发点的操作后，该事件触发点进行信息素的释放，即对该事件触发点的信息素浓度进行更信息。另外，为了避免模拟用户选择已选择过的事件触发点，终端采用禁忌表来记录模拟用户k当前所触发过的事件触发点。经过t时刻，所有模拟用户都完成一次周游，计算每个模拟用户所走过的路径长度，并保存最短的路径长度，同时，更新各边上的信息素。由于信息素的挥发(信息素蒸发率)和模拟用户在其所经过的边上释放信息素，则信息素浓度更新公式为：
τij＝(1-ρ)τij
其中，ρ为信息素挥发速率。每个模拟用户在边(i，j)上释放的信息素为：
本实施例中，通过对模拟用户已选择的事件触发点中进行信息素浓度的更新，进而使得模拟用户根据事件触发点所携带的信息素浓度进行下一事件触发点的选择，从而提高模拟用户选择目标事件触发点的准确率。
在一个实施例中，如图5所示，该方法还包括：
步骤502，在自适应蚁群算法的计算迭代过程中，根据各事件触发点的信息素浓度与自适应更新信息素方法，对各事件触发点对应的初始信息素浓度进行动态更新。
本申请实施例中，在终端模拟模拟用户触发目标事件触发点的用户行为的过程中，模拟用户根据各事件触发点间的信息素浓度确定下一事件触发点。然而，在多个模拟用户选择同一个事件触发点后，该事件触发点的信息素浓度会陡然增大，从而使得更多模拟用户集中到某一条路径上，造成一种堵塞和停滞现象，导致自适应蚁群算法的早熟和局部收敛，因此，终端根据下一事件触发点的信息素浓度对模拟用户所要释放的信息素浓度(初始信息素浓度)进行更新，如下公式所示：
其中，φ(m)为连续收敛次数m/c，收敛次数m越多,则φ(m)的值越大(c为常数)。
步骤504，基于更新后的初始信息素浓度对各事件触发点对应的信息素进行更新。
本申请实施例中，在执行步骤4041的过程中，终端首先根据步骤502的方法对模拟用户所要释放的信息素浓度(初始信息素浓度)进行更新，然后，终端基于更新后的初始信息素浓度对模拟用户选择的目标事件触发点的信息素进行更新，实现对目标事件触发点的信息素浓度的更新。
本实施例中，通过对模拟用户在目标事件触发点，所要释放的初始信息素浓度进行调整，可以避免蚁群算法因局部最优解而出现局部收敛，提高蚁群算法计算目标事件触发点，进而提高对目标埋点位置进行定位的准确率。
在一个实施例中，如图6所示，步骤106在目标埋点位置进行埋点操作，并收集目标埋点位置的用户数据，包括：
步骤602，根据埋点工具，在目标埋点位置添加埋点代码。
其中，埋点工具包含模板代码。
本申请实施例中，终端获取自适应蚁群算法确定的目标埋点位置，基于自动化脚本对埋点工具中的模板代码进行解析，通过对脚本中的字符串进行替换、变量赋值等操作，将目标事件触发点的相关信息嵌入到埋点代码模板中，然后，基于脚本操作将解析后的埋点代码添加至目标埋点位置，实现在目标埋点位置进行自动化部署埋点。
步骤604，基于埋点代码对目标埋点位置的用户数据进行收集。
本申请实施例中，在实际用户对已部署埋点的应用进行操作后，对于目标埋点的用户行为，终端可以基于目标埋点位置部署的埋点代码对用户数据进行收集，完成对用户行为信息的捕捉和跟踪。
本实施例中，通过在目标埋点位置进行自动化埋点操作，可以避免目标埋点位置的遗漏，从而提高埋点技术收集用户行为信息的准确率。
在一个实施例中，在终端对目标埋点位置进行自动化部署埋点代码后，需要对目标埋点位置的用户数据收集的效果进行测试，如图7所示，步骤106收集目标埋点位置的用户数据之前，该方法还包括：
步骤702，获取验证数据集。
其中，验证数据集包括参考用户数据，参考用户数据为在各种不同情景的目标埋点位置，不同模拟用户的用户行为下收集到的用户数据。验证数据集可以包括：模拟用户的操作序列、该操作序列对应的目标事件触发点的参数值等信息。
本申请实施例中，终端可以将参考用户数据对目标埋点位置的埋点代码进行验证，因此，终端首先获取验证数据集，以便后续对目标埋点位置的埋点代码进行验证。
步骤704，根据验证数据集模拟用户行为对待部署应用进行操作，得到收集数据。
其中，收集数据包括在目标埋点位置收集的用户数据。
本申请实施例中，终端可以通过自动化脚本或模拟用户的工具，对已部署埋点代码的应用进行模拟实际用户的用户行为并触发目标埋点位置的埋点事件，例如，模拟实际用户在该应用中浏览、点击、填写表单、提交等各种交互动作。进而实现终端通过目标埋点位置的埋点代码收集用户数据，例如，终端将记录每个事件触发点触发的事件，包括事件名称、参数值、时间戳等信息。可选的，收集的数据可以保存到数据库、日志文件或其他数据存储方式中。
步骤706，基于验证数据集和收集数据的匹配程度，对目标埋点位置的数据收集结果进行验证。
本申请实施例中，终端将目标埋点位置收集到的用户数据，与验证数据集中的参考用户数据进行对比分析，例如，终端根据验证数据集中的事件触发点、参数值、用户标识和收集数据中的相应的字段，得到目标埋点位置的埋点代码进行数据收集的准确性和完整性。
可选的，终端还可以根据收集数据与验证数据集中设置的该目标埋点位置的触发次数，得到埋点代码收集数据的一致性。
本实施例中，通过对目标埋点位置的埋点代码进行收集数据的测试，可以确保通过自动化脚本生成的埋点代码的有效性，基于验证数据集和收集数据的匹配程度，对收集结果进行验证可以及时发现目标埋点位置或埋点代码的问题漏洞，防止因数据收集问题而导致埋点数据分析或业务决策的错误，从而实现提高目标埋点技术收集用户行为信息的准确性。
在一个实施例中，如图8所示，步骤106在目标埋点位置进行埋点操作，并收集目标埋点位置的用户数据之后，该方法还包括：
步骤802，在预设埋点周期中，根据目标埋点位置实时获取到的当前埋点周期内的用户数据，对自适应蚁群算法的参数进行调整。
本申请实施例中，在针对待部署应用进行埋点定位中，每次对待部署应用进行版本更新升级可以视为一个周期，根据该周期中目标埋点位置收集的用户数据进行分析。具体的，在预设埋点周期中，终端获取该埋点周期内的用户数据，并对获取到的用户数据进行分析，例如，各目标事件触发点的触发次数、目标事件触发点的参数值等信息，终端基于用户数据的分析结果对自适应蚁群算法的参数进行调整，包括模拟用户的数量、初始信息信息素浓度的更新规则、启发式函数等。进而终端根据用户数据的特征，通过调整自适应蚁群算法的参数来适应当前待部署应用的版本对应的环境和用户行为模式。
步骤804，通过参数调整后的自适应蚁群算法，执行基于自适应蚁群算法，在各事件触发点中确定目标埋点位置的步骤。
本申请实施例中，在终端根据当前埋点周期内的用户数据对自适应蚁群算法的参数进行调整后，按照步骤104的方法，通过参数更新后的自适应蚁群算法对下一埋点周期的待部署应用进行目标埋点位置的定位。
本实施例中，通过实际用户的用户数据对自适应蚁群算法的参数进行更新，并优化算法性能，可以实现自适应蚁群算法适应实际用户的用户行为模式和不同埋点周期中待部署应用的版本环境，以提高自适应蚁群算法的适用性，进而提高基于自适应蚁群算法进行目标埋点位置的定位和收集数据的准确性。
在其中一个实施例中，如图9所示，提供了一种埋点定位方法的示例，该方法包括：
步骤901，终端根据自适应蚁群算法，初始化自适应蚁群算法中的模拟用户、模拟用户对应的初始位置和初始信息素浓度，获得自适应蚁群算法模型；
步骤902，终端将m个模拟用户输入至自适应蚁群算法模型中，作为自适应蚁群算法中的蚂蚁；
步骤903，终端将n个待部署应用中的事件触发点输入至自适应蚁群算法模型中，作为自适应蚁群算法中的城市；
步骤904，终端通过自适应蚁群算法对模拟用户的各目标事件触发点构成的行为路径；
步骤905，终端将自适应蚁群算法计算得到的蚁群觅食路线图作为各目标事件触发点构成的行为路径，从而得到目标埋点位置。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的方法的埋点定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个埋点定位装置实施例中的具体限定可以参见上文中对于埋点定位方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种埋点定位装置1000，包括：第一获取模块1001、确定模块1002和收集模块1003，其中：
第一获取模块1001，用于获取待部署应用的各事件触发点；
确定模块1002，用于基于自适应蚁群算法，在各事件触发点中确定目标埋点位置；
收集模块1003，用于在目标埋点位置进行埋点操作，并收集目标埋点位置的用户数据。
在其中一个实施例中，确定模块1002具体用于：
初始化自适应蚁群算法中的模拟用户、模拟用户对应的初始位置和初始信息素浓度；初始信息素浓度用于更新各事件触发点的信息素；
以模拟用户对应的初始位置为起点，模拟模拟用户在待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径；
基于各行为路径对应的当前的信息素浓度，在多个行为路径中，确定目标行为路径，并将目标行为路径中包含的各事件触发点作为目标埋点位置。
在其中一个实施例中，确定模块1002具体用于：
以模拟用户对应的初始位置为起点，根据自适应蚁群算法中的启发式信息确定模拟用户针对下一事件触发点的选择概率，并基于选择概率确定模拟用户对应的目标事件触发点；
模拟触发目标事件触发点的用户行为操作，以目标事件触发点为起点，执行根据自适应蚁群算法中的启发式信息确定模拟用户针对下一事件触发点的选择概率的步骤，直至模拟用户的用户行为满足预设结束条件，得到包含模拟用户的用户行为对应的各目标事件触发点的目标行为路径。
在其中一个实施例中，该装置1000还包括：
第一更新模块，用于基于下一事件触发点对应的初始信息素浓度，对下一事件触发点对应的信息素浓度进行更新，得到下一事件触发点的当前信息素浓度。
在其中一个实施例中，装置还包括：
第二更新模块，用于在自适应蚁群算法的计算迭代过程中，根据各事件触发点的信息素浓度与自适应更新信息素方法，对各事件触发点对应的初始信息素浓度进行动态更新；
第三更新模块，用于基于更新后的初始信息素浓度对各事件触发点对应的信息素浓度进行更新。
在其中一个实施例中，收集模块1003具体用于：
根据埋点工具，在目标埋点位置添加埋点代码；
基于埋点代码对目标埋点位置的用户数据进行收集。
在其中一个实施例中，该装置1000还包括：
第二获取模块，用于获取验证数据集；验证数据集包括参考用户数据；
模拟模块，用于根据验证数据集模拟用户行为对待部署应用进行操作，得到收集数据；收集数据包括在目标埋点位置收集的用户数据；
验证模块，用于基于验证数据集和收集数据的匹配程度，对目标埋点位置的数据收集结果进行验证。
在其中一个实施例中，该装置1000还包括：
调整模块，用于在预设埋点周期中，根据目标埋点位置实时获取到的当前埋点周期内的用户数据，对自适应蚁群算法的参数进行调整；
执行模块，用于通过参数调整后的自适应蚁群算法，执行基于自适应蚁群算法，在各事件触发点中确定目标埋点位置的步骤。
上述埋点定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储自适应蚁群算法参数数据和目标埋点位置数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种埋点定位方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待部署应用的各事件触发点；
基于自适应蚁群算法，在各事件触发点中确定目标埋点位置；
在目标埋点位置进行埋点操作，并收集目标埋点位置的用户数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
初始化自适应蚁群算法中的模拟用户、模拟用户对应的初始位置和初始信息素浓度；初始信息素浓度用于更新各事件触发点的信息素；
以模拟用户对应的初始位置为起点，模拟模拟用户在待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径；
基于各行为路径对应的当前的信息素浓度，在多个行为路径中，确定目标行为路径，并将目标行为路径中包含的各事件触发点作为目标埋点位置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
以模拟用户对应的初始位置为起点，根据自适应蚁群算法中的启发式信息确定模拟用户针对下一事件触发点的选择概率，并基于选择概率确定模拟用户对应的目标事件触发点；
模拟触发目标事件触发点的用户行为操作，以目标事件触发点为起点，执行根据自适应蚁群算法中的启发式信息确定模拟用户针对下一事件触发点的选择概率的步骤，直至模拟用户的用户行为满足预设结束条件，得到包含模拟用户的用户行为对应的各目标事件触发点的目标行为路径。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于下一事件触发点对应的初始信息素浓度，对下一事件触发点对应的信息素浓度进行更新，得到下一事件触发点的当前信息素浓度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在自适应蚁群算法的计算迭代过程中，根据各事件触发点的信息素浓度与自适应更新信息素方法，对各事件触发点对应的初始信息素浓度进行动态更新；
基于更新后的初始信息素浓度对各事件触发点对应的信息素浓度进行更新。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据埋点工具，在目标埋点位置添加埋点代码；
基于埋点代码对目标埋点位置的用户数据进行收集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取验证数据集；验证数据集包括参考用户数据；
根据验证数据集模拟用户行为对待部署应用进行操作，得到收集数据；收集数据包括在目标埋点位置收集的用户数据；
基于验证数据集和收集数据的匹配程度，对目标埋点位置的数据收集结果进行验证。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在预设埋点周期中，根据目标埋点位置实时获取到的当前埋点周期内的用户数据，对自适应蚁群算法的参数进行调整；
通过参数调整后的自适应蚁群算法，执行基于自适应蚁群算法，在各事件触发点中确定目标埋点位置的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种埋点定位方法，其特征在于，所述方法包括：
获取待部署应用的各事件触发点；
基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置；
在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据。
2.根据权利要求1所述的方法，其特征在于，所述自适应蚁群算法中包含模拟用户；所述基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置，包括：
初始化自适应蚁群算法中的模拟用户、所述模拟用户对应的初始位置和初始信息素浓度；所述初始信息素浓度用于更新各所述事件触发点的信息素；
以所述模拟用户对应的初始位置为起点，模拟所述模拟用户在所述待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径；
基于各所述行为路径对应的当前的信息素浓度，在多个所述行为路径中，确定目标行为路径，并将所述目标行为路径中包含的各事件触发点作为目标埋点位置。
3.根据权利要求2所述的方法，其特征在于，所述以所述模拟用户对应的初始位置为起点，模拟所述模拟用户在所述待部署应用中的用户行为，得到包含用户行为对应的各事件触发点的行为路径，包括：
以所述模拟用户对应的初始位置为起点，根据自适应蚁群算法中的启发式信息确定所述模拟用户针对下一事件触发点的选择概率，并基于所述选择概率确定所述模拟用户对应的目标事件触发点；
模拟触发所述目标事件触发点的用户行为操作，以所述目标事件触发点为起点，执行所述根据自适应蚁群算法中的启发式信息确定所述模拟用户针对下一事件触发点的选择概率的步骤，直至所述模拟用户的用户行为满足预设结束条件，得到包含所述模拟用户的用户行为对应的各目标事件触发点的目标行为路径。
4.根据权利要求3所述的方法，其特征在于，所述模拟触发所述目标事件触发点的用户行为操作之后，所述方法还包括：
基于所述下一事件触发点对应的初始信息素浓度，对所述下一事件触发点对应的信息素浓度进行更新，得到所述下一事件触发点的当前信息素浓度。
5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：
在自适应蚁群算法的计算迭代过程中，根据各所述事件触发点的信息素浓度与自适应更新信息素方法，对各所述事件触发点对应的初始信息素浓度进行动态更新；
基于更新后的初始信息素浓度对各所述事件触发点对应的信息素浓度进行更新。
6.根据权利要求1所述的方法，其特征在于，所述在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据，包括：
根据埋点工具，在所述目标埋点位置添加埋点代码；
基于所述埋点代码对所述目标埋点位置的用户数据进行收集。
7.根据权利要求1所述的方法，其特征在于，所述收集所述目标埋点位置的用户数据之前，所述方法还包括：
获取验证数据集；所述验证数据集包括参考用户数据；
根据所述验证数据集模拟用户行为对所述待部署应用进行操作，得到收集数据；所述收集数据包括在所述目标埋点位置收集的用户数据；
基于所述验证数据集和所述收集数据的匹配程度，对所述目标埋点位置的数据收集结果进行验证。
8.根据权利要求1所述的方法，其特征在于，所述在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据之后，所述方法还包括：
在预设埋点周期中，根据所述目标埋点位置实时获取到的当前埋点周期内的用户数据，对所述自适应蚁群算法的参数进行调整；
通过参数调整后的自适应蚁群算法，执行所述基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置的步骤。
9.一种埋点定位装置，其特征在于，所述装置包括：
第一获取模块，用于获取待部署应用的各事件触发点；
确定模块，用于基于自适应蚁群算法，在各所述事件触发点中确定目标埋点位置；
收集模块，用于在所述目标埋点位置进行埋点操作，并收集所述目标埋点位置的用户数据。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202310848608.9A 2023-07-11 2023-07-11 埋点定位方法、装置、计算机设备和存储介质 Pending CN116881103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310848608.9A CN116881103A (zh) 2023-07-11 2023-07-11 埋点定位方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310848608.9A CN116881103A (zh) 2023-07-11 2023-07-11 埋点定位方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116881103A true CN116881103A (zh) 2023-10-13

Family

ID=88269251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310848608.9A Pending CN116881103A (zh) 2023-07-11 2023-07-11 埋点定位方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116881103A (zh)

Similar Documents

Publication Publication Date Title
Broennimann et al. Measuring ecological niche overlap from occurrence and spatial environmental data
CN105283848B (zh) 用分布式目标来进行应用跟踪
Rogge-Solti et al. Discovering stochastic petri nets with arbitrary delay distributions from event logs
US20150033346A1 (en) Security testing for software applications
US8504558B2 (en) Framework to evaluate content display policies
KR20170052668A (ko) 데이터 구동 테스트 프레임워크
CN115348159A (zh) 基于自编码器和服务依赖图的微服务故障定位方法及装置
Kennedy et al. Using a stochastic model and cross-scale analysis to evaluate controls on historical low-severity fire regimes
Milleret et al. A local evaluation of the individual state‐space to scale up Bayesian spatial capture–recapture
CN111143178A (zh) 用户行为分析方法、装置及设备
CN110798467A (zh) 目标对象识别方法、装置、计算机设备及存储介质
CN111008154A (zh) 一种基于强化学习的Android应用自动测试方法及系统
CN111338581A (zh) 基于云计算的数据存储方法、装置、云服务器及系统
CN109101412B (zh) 测试文件生成、测试方法、装置、存储介质和计算机设备
Nurminen et al. Software framework for data fault injection to test machine learning systems
Ibias et al. SqSelect: Automatic assessment of failed error propagation in state-based systems
CN116228045B (zh) 基于性能退化的产品可靠性薄弱环节评估方法和装置
CN116881103A (zh) 埋点定位方法、装置、计算机设备和存储介质
Yang et al. Efficient validation of self-adaptive applications by counterexample probability maximization
CN114880637B (zh) 账户风险的验证方法、装置、计算机设备和存储介质
CN114915446A (zh) 一种融合先验知识的智能网络安全检测方法
US10740223B1 (en) Systems and methods for checkpoint-based machine learning model
Petrovskaya et al. Accurate recognition of spatial patterns arising in spatio-temporal dynamics of invasive species
CN111258899A (zh) 用例生成方法、装置、电子设备和计算机可读存储介质
CN114328171A (zh) 测试用例库的生成方法、装置、设备及存储介质

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