CN117057240A - 一种基于虚拟仿真的车辆测试方法及系统 - Google Patents
一种基于虚拟仿真的车辆测试方法及系统 Download PDFInfo
- Publication number
- CN117057240A CN117057240A CN202311030203.0A CN202311030203A CN117057240A CN 117057240 A CN117057240 A CN 117057240A CN 202311030203 A CN202311030203 A CN 202311030203A CN 117057240 A CN117057240 A CN 117057240A
- Authority
- CN
- China
- Prior art keywords
- subtask
- subtasks
- test
- computing resource
- target
- 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 289
- 239000011159 matrix material Substances 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于虚拟仿真的车辆测试方法和系统,包括:将各测试单项划分为多个子任务;获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵;获取虚拟仿真系统的当前计算资源,并获取当前计算资源对应计算资源区间所对应的目标二分类模型,并将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果;若并发指示结果指示多个子任务为并发任务,则在虚拟仿真系统中并发执行多个子任务,得到目标测试项目对应的测试结果。该方案充分使用虚拟仿真系统的计算资源的同时,提高了车辆测试的效率。
Description
技术领域
本发明涉及虚拟仿真技术领域,尤其涉及一种基于虚拟仿真的车辆测试方法及系统。
背景技术
虚拟仿真是利用计算机技术和数学模型,在虚拟环境中对现实世界的系统、过程或事件进行模拟和重现的过程。在车辆测试领域,虚拟仿真可以通过数字孪生模型模拟车辆的行为、性能和交互,以评估其性能、安全性和稳定性。
虚拟仿真技术可以模拟各种不同的车辆行为和情景,如加速、制动、转向、碰撞等。通过将车辆的物理特性、动力系统、控制系统等信息编码到模型中,可以生成逼真的车辆行为,并观察其在不同操作和环境条件下的响应。
目前,在基于虚拟仿真进行车辆测试过程中,一个测试项目中往往包含有多个测试任务(或称测试单项),这些测试任务大多是相互独立的串行执行,这导致对测试系统资源的利用率不高,且车辆测试效率低。
发明内容
本发明提供一种基于虚拟仿真的车辆测试方法及系统,用以解决现有技术中对测试系统资源的利用率不高,且车辆测试效率低问题。
一方面,本发明提供一种基于虚拟仿真的车辆测试方法,包括:
获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,第一逻辑关系用于指示任意两个测试单项之前的依赖关系;
获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和任意两个子任务之间的第二逻辑关系信息,第二逻辑关系指示任意两个子任务中的数据复用关系;
获取虚拟仿真系统的当前计算资源,并获取当前计算资源对应计算资源区间所对应的目标二分类模型,并将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,目标二分类模型基于计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到;
若并发指示结果指示多个子任务为并发任务,则在虚拟仿真系统中并发执行多个子任务,得到目标测试项目对应的测试结果。
根据本发明提供一种基于虚拟仿真的车辆测试方法获取各子任务的计算资源消耗量信息,包括:
将各子任务对应的代码输入预设语言处理模型,输出各子任务对应的表征各子任务的计算资源消耗量信息的代码特征;
将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,包括:
基于测试任务矩阵获取各子任务对应的节点邻接矩阵和节点特征矩阵,节点邻接矩阵中的任一元素表征对应的两个子任务之间的第二逻辑关系,节点特征矩阵中的任一元素表征对应的子任务的代码特征;
基于节点邻接矩阵和节点特征矩阵,输出多个子任务对应的并发指示结果。
根据本发明提供一种基于虚拟仿真的车辆测试方法,第一逻辑关系包括串行关系和并行关系,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,包括:
将各测试单项中具有串行关系的测试单项按串行关系组合为一个第一子任务,将剩余的具有并行关系的其他测试单项分别作为一个对应的第一子任务;
基于各第一子任务确定多个子任务。
根据本发明提供一种基于虚拟仿真的车辆测试方法,该方法还包括:
若并发指示结果指示多个子任务不为并发任务,则将多个子任务中任一子任务与其他子任务组合得到新的子任务,将新的子任务和其他子任务对应的测试任务矩阵输入目标二分类模型,输出对应的并发指示结果,重复该步骤直至输出的并发指示结果指示多个子任务为并发任务。
根据本发明提供一种基于虚拟仿真的车辆测试方法,基于各第一子任务确定多个子任务,包括:
基于各第一子任务的计算资源消耗量信息以及各第一子任务之间的第二逻辑关系,按预设聚类算法对各第一子任务进行聚类,得到多个子任务簇;
对于每一子任务簇,将子任务簇中的各第一子任务组合为对应的第二子任务;
将各第二子任务作为多个子任务。
根据本发明提供一种基于虚拟仿真的车辆测试方法,基于各第一子任务的计算资源消耗量信息以及各第一子任务之间的第二逻辑关系,按预设聚类算法对各第一子任务进行聚类,得到多个子任务簇,包括:
将各第一子任务作为节点,从各节点中选取第一预设数量的节点作为聚类中心;
基于各节点对应的计算量消耗信息和各节点与聚类中心之间的第二逻辑关系,获取各节点与聚类中心的相似度,并基于相似度将各节点分配到对应的聚类中心,得到多个第一子任务簇,并基于各第一子任务簇中各节点的计算量消耗信息和第二逻辑关系获取新的聚类中心;
重复上述获取新的聚类中心的步骤直至满足预设停止条件,得到多个子任务簇。
根据本发明提供一种基于虚拟仿真的车辆测试方法,目标二分类模型通过以下方式获取:
基于仿真系统的空载计算资源,按预设方式划分多个计算资源区间;
对于每一计算资源区间,获取第二预设数量的样本子任务集合,每一样本子任务集合携带有对应的并发指示结果,利用样本子任务集合对计算资源区间对应的初始二分类模型进行训练,得到计算资源区间的目标二分类模型;
基于当前计算资源获取对应的计算资源区间所对应的目标二分类模型。
第二方面,本发明还提供一种基于虚拟仿真的车辆测试系统,包括:
子任务划分模块,用于获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,第一逻辑关系用于指示任意两个测试单项之前的依赖关系;
测试任务矩阵获取模块,用于获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和任意两个子任务之间的第二逻辑关系信息,第二逻辑关系指示任意两个子任务中的数据复用关系;
并发指示结果获取模块,用于获取虚拟仿真系统的当前计算资源,并获取当前计算资源对应计算资源区间所对应的目标二分类模型,并将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,目标二分类模型基于计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到;
测试结果获取模块,用于若并发指示结果指示多个子任务为并发任务,则在虚拟仿真系统中并发执行多个子任务,得到目标测试项目对应的测试结果。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,测试任务矩阵获取模块具体用于:
将各子任务对应的代码输入预设语言处理模型,输出各子任务对应的表征各子任务的计算资源消耗量信息的代码特征;
并发指示结果获取模块具体用于:
基于测试任务矩阵获取各子任务对应的节点邻接矩阵和节点特征矩阵,节点邻接矩阵中的任一元素表征对应的两个子任务之间的第二逻辑关系,节点特征矩阵中的任一元素表征对应的子任务的代码特征;
基于节点邻接矩阵和节点特征矩阵,输出多个子任务对应的并发指示结果。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,第一逻辑关系包括串行关系和并行关系,子任务划分模块具体用于:
将各测试单项中具有串行关系的测试单项按串行关系组合为一个第一子任务,将剩余的具有并行关系的其他测试单项分别作为一个对应的第一子任务;
基于各第一子任务确定多个子任务。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,测试结果获取模块进一步用于:
若并发指示结果指示多个子任务不为并发任务,则将多个子任务中任一子任务与其他子任务组合得到新的子任务,将新的子任务和其他子任务对应的测试任务矩阵输入目标二分类模型,输出对应的并发指示结果,重复该步骤直至输出的并发指示结果指示多个子任务为并发任务。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,子任务划分模块进一步用于:
基于各第一子任务的计算资源消耗量信息以及各第一子任务之间的第二逻辑关系,按预设聚类算法对各第一子任务进行聚类,得到多个子任务簇;
对于每一子任务簇,将子任务簇中的各第一子任务组合为对应的第二子任务;
将各第二子任务作为多个子任务。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,子任务划分模块进一步用于:
将各第一子任务作为节点,从各节点中选取第一预设数量的节点作为聚类中心;
基于各节点对应的计算量消耗信息和各节点与聚类中心之间的第二逻辑关系,获取各节点与聚类中心的相似度,并基于相似度将各节点分配到对应的聚类中心,得到多个第一子任务簇,并基于各第一子任务簇中各节点的计算量消耗信息和第二逻辑关系获取新的聚类中心;
重复上述获取新的聚类中心的步骤直至满足预设停止条件,得到多个子任务簇。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,该系统还包括训练模块,用于:
基于仿真系统的空载计算资源,按预设方式划分多个计算资源区间;
对于每一计算资源区间,获取第二预设数量的样本子任务集合,每一样本子任务集合携带有对应的并发指示结果,利用样本子任务集合对计算资源区间对应的初始二分类模型进行训练,得到计算资源区间的目标二分类模型;
基于当前计算资源获取对应的计算资源区间所对应的目标二分类模型。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如上述任一种基于虚拟仿真的车辆测试方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种基于虚拟仿真的车辆测试方法。
第五方面,本发明还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现如上述任一种基于虚拟仿真的车辆测试方法。
本发明提供的一种基于虚拟仿真的车辆测试方法和系统,首先对目标测试项目中的各测试单项按第一逻辑进行划分,得到多个子任务,然后基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系获取对应的测试任务矩阵,然后将该测试任务矩阵输入当前计算资源对应的目标二分类模型,确定出该多任务是否能够被虚拟仿真系统并行执行,若可以,则通过虚拟仿真系统并发执行者多个子任务,得到测试结果。该方案通过对目标测试项目中的子任务的划分和模型的分类,在并发结果指示该多个子任务能够并发执行时,通过虚拟仿真系统并发执行该多个子任务,进而得到目标测试项目的测试结果,充分使用虚拟仿真系统的计算资源的同时,提高了车辆测试的效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明提供的一种基于虚拟仿真的车辆测试方法的流程示意图;
图2为本发明提供的一种基于虚拟仿真的车辆测试系统的结构框图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于虚拟仿真技术进行车辆测试的步骤可以概括为以下几个方面:
数据采集:首先需要收集车辆的各种传感器数据,包括车速、加速度、转向角度、刹车压力等。这些数据可以通过车载传感器或其他外部设备获取。
数据处理和建模:将采集到的原始数据进行处理和预处理,如去噪、滤波等。然后,使用这些经过处理的数据来构建车辆的数字孪生模型。这个模型是对实际车辆行为和性能的虚拟表示,可以包括车辆的结构、动力系统、悬挂系统等方面的信息。
参数校准和验证:对数字孪生模型进行参数校准和验证,使其能够更准确地模拟实际车辆的行为。这可以通过对比模型输出和实际车辆数据的差异来进行调整和验证。
测试方案设计:根据具体的测试需求和目标,设计测试方案。这包括选择不同的测试场景、制定测试用例、确定测试指标等。数字孪生模型可以帮助确定适当的测试条件和参数。
模拟仿真和测试执行:利用数字孪生模型进行模拟仿真和测试执行。根据设计的测试方案,将合适的输入数据输入到数字孪生模型中,观察模型输出并分析结果。这可以帮助评估车辆在不同条件下的性能、安全性和稳定性。
结果分析和优化:对测试结果进行分析和评估,从中获取有关车辆行为和性能的洞察,并提出改进和优化建议。数字孪生模型可以帮助在虚拟环境中快速迭代测试和优化过程。
通过以上步骤,基于虚拟仿真技术的车辆测试可以在虚拟环境中进行,以便更加高效地评估和改进车辆的性能和安全性。它可以减少实际测试的成本和时间,并提供更全面的测试覆盖和深入的分析。
本发明实施例提供了一种基于虚拟仿真的车辆测试方法实施所依赖的系统,该系统可以包括测试项目预处理系统和虚拟仿真系统。其中,测试项目预处理系统用于接收测试人员输入的测试项目(或测试任务),该测试项目预处理系统可以接收测试人员导入的测试项目对应的项目代码,也可以通过预设交互界面上的测试项目设置界面输入的测试项目内容,这些内容也将会转化为对应的项目代码。虚拟仿真系统用于接收测试项目预处理系统发送的项目代码并执行,最终输出车辆测试结果。下面将对本发明实施例中基于虚拟仿真的车辆测试方法的具体实现过程进行说明。
图1为本发明实施例提供的一种基于虚拟仿真的车辆测试方法的流程示意图,如图1所示,该方法可以包括:
步骤S101,获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,第一逻辑关系用于指示任意两个测试单项之前的依赖关系。
其中,车辆测试中测试项目可以包括车辆动力测试、人机界面测试和音响系统测试、安全系统测试和驱动辅助系统测试、环境适应性测试和可靠性测试等。其中,每个测试项目可以包括多个测试单项,例如,在车辆的动力测试中,可以包括以下几个测试单项:加速性能测试、引擎功率测试、制动性能测试、爬坡性能测试、过程中的排放测试等。
具体地,在确定了目标测试项目后,获取其中包含的多个测试单项,然后根据各测试单项之间的依赖关系,将各测试单项划分为多个子任务。可以理解的是,划分后得到的任意一个子任务可以包含一个或多个测试单项。具体来说,可以将具有依赖关系的多个测试单项划分至一个子任务,并按依赖关系对这多个测试单行进行组合得到对应的子任务。所谓依赖关系,举例来说,测试单项A对测试单项B具有依赖关系,那么测试单项A的执行必须是在测试单项B执行之后。可以理解的是,一个测试单项可以对一个或多个测试单项有依赖关系。
步骤S102,获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和任意两个子任务之间的第二逻辑关系信息,第二逻辑关系指示任意两个子任务中的数据复用关系。
其中,子任务的计算资源消耗信息指示虚拟仿真系统在执行该子任务的过程中所需要占用的计算资源。
其中,子任务之间的第二逻辑关系指示某一子任务在执行过程中可以复用其他一个或多个子任务的执行过程中产生的中间数据或结果数据。当然,这种复用关系与依赖关系存在区别,复用关系中所需的数据可以由当前子任务自行执行获取,也可以利用其他子任务执行过程中产生的数据,而依赖关系中所需的数据必须有其他子任务执行产生。举例来说,子任务A可以复用子任务B的数据,那么子任务可以自行执行产生该数据,而该数据也可以是由子任务B执行过程中产生,那么子任务A可以不用自行执行产生该数据的步骤,而直接复用子任务B产生的数据即可,这样可以节约执行步骤,减少执行过程中对计算资源的占用。
具体地,本发明实施例可以将各子任务类比为图中的各节点(或像素点),进而获取该类比图对应的测试任务矩阵,该测试任务矩阵可以表征各节点的计算资源消耗信息以及各节点之间的复用关系。
步骤S103,获取虚拟仿真系统的当前计算资源,并获取当前计算资源对应计算资源区间所对应的目标二分类模型,并将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,目标二分类模型基于计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到。
其中,本发明实施例中不同计算资源区间对应有不同的目标二分类模型,这些目标二分类模型可以是图神经网络(Graph Neural Network,GNN)(Graph Neural Network,GNN)。目标二分类模型可以基于上述测试任务矩阵输出并发指示结果,即输出多个子任务是否能够被并发执行的指示结果。
具体地,在获取了多子任务对应的测试任务矩阵后,确定虚拟仿真系统的当前计算资源,然后获取对应的目标二分类模型,将测试任务矩阵输入该目标二分类模型,即可输出对应的并发指示结果。
步骤S104,若并发指示结果指示多个子任务为并发任务,则在虚拟仿真系统中并发执行多个子任务,得到目标测试项目对应的测试结果。
具体地,若模型输出的并发指示结果指示多子任务为并发任务,那么说明这多个子任务可以在当前计算资源情况下被并发执行,而不需要按现有技术中各测试单项依次串行执行。具体来说,虚拟仿真系统接收到这些子任务后,并发执行这多个子任务,可以理解的是,这多个子任务中的部分子任务中包含的测试单项依然是串行执行,但整体上由于并发执行提高了处理效率。
本发明提供的方案,首先对目标测试项目中的各测试单项按第一逻辑进行划分,得到多个子任务,然后基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系获取对应的测试任务矩阵,然后将该测试任务矩阵输入当前计算资源对应的目标二分类模型,确定出该多任务是否能够被虚拟仿真系统并行执行,若可以,则通过虚拟仿真系统并发执行者多个子任务,得到测试结果。该方案通过对目标测试项目中的子任务的划分和模型的分类,在并发结果指示该多个子任务能够并发执行时,通过虚拟仿真系统并发执行该多个子任务,进而得到目标测试项目的测试结果,充分使用虚拟仿真系统的计算资源的同时,提高了车辆测试的效率。
在本发明的一种可选实施例中,获取各子任务的计算资源消耗量信息,包括:
将各子任务对应的代码输入预设语言处理模型,输出各子任务对应的表征各子任务的计算资源消耗量信息的代码特征;
将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,包括:
基于测试任务矩阵获取各子任务对应的节点邻接矩阵和节点特征矩阵,节点邻接矩阵中的任一元素表征对应的两个子任务之间的第二逻辑关系,节点特征矩阵中的任一元素表征对应的子任务的代码特征;
基于节点邻接矩阵和节点特征矩阵,输出多个子任务对应的并发指示结果。
其中,预设语言处理模型指用于从源代码中提取有用信息或特征的机器学习模型。这些模型旨在分析代码结构、语法和语义,并将其转化为表示代码特征的向量或其他形式的数据。该预设语言处理模型可以是词袋模型、语法分析树(Syntax Tree)、代码嵌入模型等,其中,词袋模型类似于自然语言处理中的词袋模型,代码袋模型将代码片段看作是一组离散的标记(例如标识符、关键字)的集合。可以使用词频、TF-IDF等方式表示代码的特征向量。Syntax Tree通过解析代码的语法结构,构建语法分析树。语法分析树可以用于表示代码的层次结构信息,包括变量定义、函数调用、条件语句等。可以从语法分析树中提取节点类型、节点顺序和节点之间的关系作为代码特征。代码嵌入模型类似于词嵌入模型,代码嵌入模型将代码表示为连续的低维向量空间。可以使用预训练模型(如ASTNN、Code2Vec)或自监督学习方法(如代码自动编码器)来获得代码的嵌入表示,捕捉代码的语义信息。通过该模型从各子任务的代码中提取表征代码运行过程中计算资源消耗量的代码特征。
具体地,在获取了各子任务之间的第二逻辑和各子任务的代码特征后,可以分别构建各子任务对应的图所对应的节点邻接矩阵和节点特征矩阵。然后再利用目标二分类模型对节点邻接矩阵和节点特征矩阵进行处理输出对应的并发指示结果。将各子任务类比为图,基于其对应的节点邻接矩阵和节点特征矩阵获取对应的并发指示结果,该方式更为准确高效。
在本发明的一种可选实施例中,第一逻辑关系包括串行关系和并行关系,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,包括:
将各测试单项中具有串行关系的测试单项按串行关系组合为一个第一子任务,将剩余的具有并行关系的其他测试单项分别作为一个对应的第一子任务;
基于各第一子任务确定多个子任务。
具体地,可以按各测试单项的串并行关系进行子任务的划分,并行的测试单行在不考虑计算资源的情况下都可以并发执行,而串行的测试单项则必须依次串行执行。因此,将各测试单项中具有串行关系的测试单项按串行关系组合为一个子任务,将剩余的具有并行关系的其他测试单项分别作为一个对应的子任务。
进一步地,基于各第一子任务确定多个子任务,包括:
基于各第一子任务的计算资源消耗量信息以及各第一子任务之间的第二逻辑关系,按预设聚类算法对各第一子任务进行聚类,得到多个子任务簇;
对于每一子任务簇,将子任务簇中的各第一子任务组合为对应的第二子任务;
将各第二子任务作为多个子任务。
具体地,基于各第一子任务的计算资源消耗量信息以及各第一子任务之间的第二逻辑关系,按预设聚类算法对各第一子任务进行聚类,得到多个子任务簇,包括:
将各第一子任务作为节点,从各节点中选取第一预设数量的节点作为聚类中心;
基于各节点对应的计算量消耗信息和各节点与聚类中心之间的第二逻辑关系,获取各节点与聚类中心的相似度,并基于相似度将各节点分配到对应的聚类中心,得到多个第一子任务簇,并基于各第一子任务簇中各节点的计算量消耗信息和第二逻辑关系获取新的聚类中心;
重复上述获取新的聚类中心的步骤直至满足预设停止条件,得到多个子任务簇。
具体地,在获取到多个第一子任务之后,若已知当前计算资源较少,为了提高后续目标二分类模型输出的并发指示结果指示可以并发执行的概率,则可以进一步对获取到的各第一子任务进行聚类,并将各子任务聚类簇中的各第一子任务进行组合,组合可以是随机组合,也可以是根据复用关系进行排列。当然,可以理解的是,也可以不对获取到的第一子任务进行聚类,而是将各第一子任务作为最终的多个子任务。
在本发明的一种可选实施例中,该方法还包括:
若并发指示结果指示多个子任务不为并发任务,则将多个子任务中任一子任务与其他子任务组合得到新的子任务,将新的子任务和其他子任务对应的测试任务矩阵输入目标二分类模型,输出对应的并发指示结果,重复该步骤直至输出的并发指示结果指示多个子任务为并发任务。
具体地,若模型输出的并发指示多个子任务不为并发任务,即不能在当前计算资源下并发执行这多个子任务。那么,本发明实施例可以逐次筛选出一个或多个子任务串行组合至其他子任务,且每次组合后通过目标二分类模型进行验证是否可以并发执行,直至模型确认可以并发执行后,将得到的新的多个子任务输入虚拟仿真系统中并发执行。
在本发明的一种可选实施例中,目标二分类模型通过以下方式获取:
基于仿真系统的空载计算资源,按预设方式划分多个计算资源区间;
对于每一计算资源区间,获取第二预设数量的样本子任务集合,每一样本子任务集合携带有对应的并发指示结果,利用样本子任务集合对计算资源区间对应的初始二分类模型进行训练,得到计算资源区间的目标二分类模型;
基于当前计算资源获取对应的计算资源区间所对应的目标二分类模型。
图2为本发明还提供一种基于虚拟仿真的车辆测试系统的结构框图,如图2所示,所述系统包括:
子任务划分模块201用于获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,第一逻辑关系用于指示任意两个测试单项之前的依赖关系;
测试任务矩阵获取模块202用于获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和任意两个子任务之间的第二逻辑关系信息,第二逻辑关系指示任意两个子任务中的数据复用关系;
并发指示结果获取模块203用于获取虚拟仿真系统的当前计算资源,并获取当前计算资源对应计算资源区间所对应的目标二分类模型,并将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,目标二分类模型基于计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到;
测试结果获取模块204用于若并发指示结果指示多个子任务为并发任务,则在虚拟仿真系统中并发执行多个子任务,得到目标测试项目对应的测试结果。
本发明提供的方案,首先对目标测试项目中的各测试单项按第一逻辑进行划分,得到多个子任务,然后基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系获取对应的测试任务矩阵,然后将该测试任务矩阵输入当前计算资源对应的目标二分类模型,确定出该多任务是否能够被虚拟仿真系统并行执行,若可以,则通过虚拟仿真系统并发执行者多个子任务,得到测试结果。该方案通过对目标测试项目中的子任务的划分和模型的分类,在并发结果指示该多个子任务能够并发执行时,通过虚拟仿真系统并发执行该多个子任务,进而得到目标测试项目的测试结果,充分使用虚拟仿真系统的计算资源的同时,提高了车辆测试的效率。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,测试任务矩阵获取模块具体用于:
将各子任务对应的代码输入预设语言处理模型,输出各子任务对应的表征各子任务的计算资源消耗量信息的代码特征;
并发指示结果获取模块具体用于:
基于测试任务矩阵获取各子任务对应的节点邻接矩阵和节点特征矩阵,节点邻接矩阵中的任一元素表征对应的两个子任务之间的第二逻辑关系,节点特征矩阵中的任一元素表征对应的子任务的代码特征;
基于节点邻接矩阵和节点特征矩阵,输出多个子任务对应的并发指示结果。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,第一逻辑关系包括串行关系和并行关系,子任务划分模块具体用于:
将各测试单项中具有串行关系的测试单项按串行关系组合为一个第一子任务,将剩余的具有并行关系的其他测试单项分别作为一个对应的第一子任务;
基于各第一子任务确定多个子任务。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,测试结果获取模块进一步用于:
若并发指示结果指示多个子任务不为并发任务,则将多个子任务中任一子任务与其他子任务组合得到新的子任务,将新的子任务和其他子任务对应的测试任务矩阵输入目标二分类模型,输出对应的并发指示结果,重复该步骤直至输出的并发指示结果指示多个子任务为并发任务。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,子任务划分模块进一步用于:
基于各第一子任务的计算资源消耗量信息以及各第一子任务之间的第二逻辑关系,按预设聚类算法对各第一子任务进行聚类,得到多个子任务簇;
对于每一子任务簇,将子任务簇中的各第一子任务组合为对应的第二子任务;
将各第二子任务作为多个子任务。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,子任务划分模块进一步用于:
将各第一子任务作为节点,从各节点中选取第一预设数量的节点作为聚类中心;
基于各节点对应的计算量消耗信息和各节点与聚类中心之间的第二逻辑关系,获取各节点与聚类中心的相似度,并基于相似度将各节点分配到对应的聚类中心,得到多个第一子任务簇,并基于各第一子任务簇中各节点的计算量消耗信息和第二逻辑关系获取新的聚类中心;
重复上述获取新的聚类中心的步骤直至满足预设停止条件,得到多个子任务簇。
根据本发明还提供的一种基于虚拟仿真的车辆测试系统,该系统还包括训练模块,用于:
基于仿真系统的空载计算资源,按预设方式划分多个计算资源区间;
对于每一计算资源区间,获取第二预设数量的样本子任务集合,每一样本子任务集合携带有对应的并发指示结果,利用样本子任务集合对计算资源区间对应的初始二分类模型进行训练,得到计算资源区间的目标二分类模型;
基于当前计算资源获取对应的计算资源区间所对应的目标二分类模型。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行基于虚拟仿真的车辆测试方法,该方法包括:获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,第一逻辑关系用于指示任意两个测试单项之前的依赖关系;获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和任意两个子任务之间的第二逻辑关系信息,第二逻辑关系指示任意两个子任务中的数据复用关系;获取虚拟仿真系统的当前计算资源,并获取当前计算资源对应计算资源区间所对应的目标二分类模型,并将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,目标二分类模型基于计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到;若并发指示结果指示多个子任务为并发任务,则在虚拟仿真系统中并发执行多个子任务,得到目标测试项目对应的测试结果。
此外,上述的存储器330中的逻辑指令可以通过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,本发明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)执行本发明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,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供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,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于虚拟仿真的车辆测试方法,该方法包括:获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,第一逻辑关系用于指示任意两个测试单项之前的依赖关系;获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和任意两个子任务之间的第二逻辑关系信息,第二逻辑关系指示任意两个子任务中的数据复用关系;获取虚拟仿真系统的当前计算资源,并获取当前计算资源对应计算资源区间所对应的目标二分类模型,并将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,目标二分类模型基于计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到;若并发指示结果指示多个子任务为并发任务,则在虚拟仿真系统中并发执行多个子任务,得到目标测试项目对应的测试结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于虚拟仿真的车辆测试方法,该方法包括:获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,第一逻辑关系用于指示任意两个测试单项之前的依赖关系;获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和任意两个子任务之间的第二逻辑关系信息,第二逻辑关系指示任意两个子任务中的数据复用关系;获取虚拟仿真系统的当前计算资源,并获取当前计算资源对应计算资源区间所对应的目标二分类模型,并将测试任务矩阵输入目标二分类模型,输出多个子任务对应的并发指示结果,目标二分类模型基于计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到;若并发指示结果指示多个子任务为并发任务,则在虚拟仿真系统中并发执行多个子任务,得到目标测试项目对应的测试结果。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于虚拟仿真的车辆测试方法,其特征在于,包括:
获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,所述第一逻辑关系用于指示任意两个测试单项之前的依赖关系;
获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,所述测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和所述任意两个子任务之间的第二逻辑关系信息,所述第二逻辑关系指示任意两个子任务中的数据复用关系;
获取虚拟仿真系统的当前计算资源,并获取所述当前计算资源对应计算资源区间所对应的目标二分类模型,并将所述测试任务矩阵输入所述目标二分类模型,输出所述多个子任务对应的并发指示结果,所述目标二分类模型基于所述计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到;
若所述并发指示结果指示所述多个子任务为并发任务,则在所述虚拟仿真系统中并发执行所述多个子任务,得到所述目标测试项目对应的测试结果。
2.根据权利要求1所述的方法,其特征在于,所述获取各子任务的计算资源消耗量信息,包括:
将各子任务对应的代码输入预设语言处理模型,输出各子任务对应的表征各子任务的计算资源消耗量信息的代码特征;
所述将所述测试任务矩阵输入所述目标二分类模型,输出所述多个子任务对应的并发指示结果,包括:
基于所述测试任务矩阵获取各子任务对应的节点邻接矩阵和节点特征矩阵,所述节点邻接矩阵中的任一元素表征对应的两个子任务之间的第二逻辑关系,所述节点特征矩阵中的任一元素表征对应的子任务的代码特征;
基于所述节点邻接矩阵和所述节点特征矩阵,输出所述多个子任务对应的并发指示结果。
3.根据权利要求1所述的方法,其特征在于,所述第一逻辑关系包括串行关系和并行关系,所述基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,包括:
将各测试单项中具有串行关系的测试单项按所述串行关系组合为一个第一子任务,将剩余的具有并行关系的其他测试单项分别作为一个对应的第一子任务;
基于各第一子任务确定所述多个子任务。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述并发指示结果指示所述多个子任务不为并发任务,则将所述多个子任务中任一子任务与其他子任务组合得到新的子任务,将所述新的子任务和其他子任务对应的测试任务矩阵输入所述目标二分类模型,输出对应的并发指示结果,重复该步骤直至输出的并发指示结果指示所述多个子任务为并发任务。
5.根据权利要求3所述的方法,其特征在于,所述基于各第一子任务确定所述多个子任务,包括:
基于各第一子任务的计算资源消耗量信息以及各第一子任务之间的第二逻辑关系,按预设聚类算法对各第一子任务进行聚类,得到多个子任务簇;
对于每一子任务簇,将所述子任务簇中的各第一子任务组合为对应的第二子任务;
将各第二子任务作为所述多个子任务。
6.根据权利要求5所述的方法,其特征在于,所述基于各第一子任务的计算资源消耗量信息以及各第一子任务之间的第二逻辑关系,按预设聚类算法对各第一子任务进行聚类,得到多个子任务簇,包括:
将各第一子任务作为节点,从各节点中选取第一预设数量的节点作为聚类中心;
基于各节点对应的计算量消耗信息和各节点与所述聚类中心之间的第二逻辑关系,获取各节点与所述聚类中心的相似度,并基于所述相似度将各节点分配到对应的聚类中心,得到多个第一子任务簇,并基于各第一子任务簇中各节点的计算量消耗信息和第二逻辑关系获取新的聚类中心;
重复上述获取新的聚类中心的步骤直至满足预设停止条件,得到所述多个子任务簇。
7.根据权利要求1所述的方法,其特征在于,所述目标二分类模型通过以下方式获取:
基于所述仿真系统的空载计算资源,按预设方式划分多个计算资源区间;
对于每一计算资源区间,获取第二预设数量的样本子任务集合,每一样本子任务集合携带有对应的并发指示结果,利用所述样本子任务集合对所述计算资源区间对应的初始二分类模型进行训练,得到所述计算资源区间的目标二分类模型;
基于所述当前计算资源获取对应的计算资源区间所对应的目标二分类模型。
8.一种基于虚拟仿真的车辆测试方法,其特征在于,包括:
子任务划分模块,用于获取目标测试项目中各测试单项,基于各测试单项的第一逻辑关系将各测试单项划分为多个子任务,所述第一逻辑关系用于指示任意两个测试单项之前的依赖关系;
测试任务矩阵获取模块,用于获取各子任务的计算资源消耗量信息、各子任务与其他子任务的第二逻辑关系,并基于各子任务的计算资源消耗量信息和各子任务之间的第二逻辑关系构建对应的测试任务矩阵,所述测试任务矩阵中各元素包括包含各子任务的计算资源消耗量信息和所述任意两个子任务之间的第二逻辑关系信息,所述第二逻辑关系指示任意两个子任务中的数据复用关系;
并发指示结果获取模块,用于获取虚拟仿真系统的当前计算资源,并获取所述当前计算资源对应计算资源区间所对应的目标二分类模型,并将所述测试任务矩阵输入所述目标二分类模型,输出所述多个子任务对应的并发指示结果,所述目标二分类模型基于所述计算资源区间中的并发的样本子任务对应的样本测试任务矩阵训练得到;
测试结果获取模块,用于若所述并发指示结果指示所述多个子任务为并发任务,则在所述虚拟仿真系统中并发执行所述多个子任务,得到所述目标测试项目对应的测试结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。
10.一种非暂态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如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311030203.0A CN117057240A (zh) | 2023-08-15 | 2023-08-15 | 一种基于虚拟仿真的车辆测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311030203.0A CN117057240A (zh) | 2023-08-15 | 2023-08-15 | 一种基于虚拟仿真的车辆测试方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057240A true CN117057240A (zh) | 2023-11-14 |
Family
ID=88656752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311030203.0A Pending CN117057240A (zh) | 2023-08-15 | 2023-08-15 | 一种基于虚拟仿真的车辆测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057240A (zh) |
-
2023
- 2023-08-15 CN CN202311030203.0A patent/CN117057240A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11915104B2 (en) | Normalizing text attributes for machine learning models | |
WO2019075390A1 (en) | BOX BLACK MATCHING MOTOR | |
CN107066375A (zh) | 安全关键软件自动化基于需求的测试实例生成系统和方法 | |
US20110083125A1 (en) | Parallelization processing method, system and program | |
WO2018226598A1 (en) | Method and system for arbitrary-granularity execution clone detection | |
CN108491302B (zh) | 一种检测spark集群节点状态的方法 | |
US11893364B2 (en) | Accelerating application modernization | |
CN111667061B (zh) | 一种基于目标众核的深度学习框架移植与优化方法及系统 | |
CN112394942A (zh) | 基于云计算的分布式软件开发编译方法及软件开发平台 | |
CN111860853A (zh) | 在线预测系统、设备、方法及电子设备 | |
KR20190061616A (ko) | 컴포넌트 기반 동적 모델 재구성을 활용한 시뮬레이션 모델 최적화 방법 및 장치 | |
US8751094B2 (en) | Method for validation of a graphically based executable control specification using model extraction | |
CN114328277A (zh) | 一种软件缺陷预测和质量分析方法、装置、设备及介质 | |
CN112949711B (zh) | 面向软件定义卫星的神经网络模型可复用训练方法、装置 | |
CN112784273A (zh) | 一种sql风险识别方法、装置及设备 | |
CN117057240A (zh) | 一种基于虚拟仿真的车辆测试方法及系统 | |
CN111459984B (zh) | 基于流式处理的日志数据处理系统及方法 | |
CN114048024A (zh) | 任务部署方法、装置、设备、存储介质及产品 | |
CN115080386A (zh) | 基于自动驾驶功能要求的场景有效性分析方法与设备 | |
CN111273901B (zh) | 一种可快捷上线部署的机器学习模型的文件格式及部署方法 | |
CN107256158B (zh) | 电力系统负荷削减量的检测方法和系统 | |
Qian et al. | Nimbus: Toward speed up function signature recovery via input resizing and multi-task learning | |
CN116527411B (zh) | 数据安全智能防护模型构建方法、装置及协作平台 | |
CN117744754B (zh) | 大语言模型任务处理方法、装置、设备及介质 | |
CN115906089B (zh) | 一种基于二进制函数相似性的漏洞检测方法与系统 |
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 |