CN117130942B - 一种模拟国产化生产环境的仿真测试方法 - Google Patents
一种模拟国产化生产环境的仿真测试方法 Download PDFInfo
- Publication number
- CN117130942B CN117130942B CN202311379868.2A CN202311379868A CN117130942B CN 117130942 B CN117130942 B CN 117130942B CN 202311379868 A CN202311379868 A CN 202311379868A CN 117130942 B CN117130942 B CN 117130942B
- Authority
- CN
- China
- Prior art keywords
- vector
- simulation
- graph
- matrix
- hidden layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 238000010998 test method Methods 0.000 title claims description 17
- 239000013598 vector Substances 0.000 claims abstract description 110
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 72
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000002787 reinforcement Effects 0.000 abstract description 2
- 238000013522 software testing Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017105 transposition Effects 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
- G06F11/3664—Environments for testing or debugging software
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (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
本发明涉及软件测试技术领域,公开了一种模拟国产化生产环境的仿真测试方法,包括以下步骤:步骤101,生成多个仿真环境;步骤102,生成业务用例;步骤103,在多个仿真环境中分别运行模拟负载场景;步骤104,基于运行性能数据生成图集,一个图集由一个仿真环境中运行模拟负载场景的运行性能数据生成;为图集中的节点生成节点矢量;步骤105,将节点矢量输入评估模型,评估模型输出测试评分;本发明模拟多种国产化运行环境,找出不同环境下的系统性能和安全瓶颈,可以进行针对性的性能优化和安全加固。
Description
技术领域
本发明涉及软件测试技术领域,更具体地说,它涉及一种模拟国产化生产环境的仿真测试方法。
背景技术
随着软件工程化程度的提高以及硬件制造技术和工艺的快速发展,现代企业应用系统具有容纳海量资源和实现更多功能的能力。然而,这也给应用运行环境带来了更大的挑战,国内的操作系统、数据库、中间件等厂商需要应对压力,直面挑战,并加强自主产品研发,掌握核心技术。虽然部分企业应用系统正在逐步进行改造以适应国产化运行环境,但目前国产化运行环境仍存在性能短板,例如国产CPU单核性能较低、国产数据库处理高并发能力不足等问题。传统的环境评估方式,通常通过理论评估各项指标的极值来确定运行环境要求,然而这种评估过于理想化,无法解决企业应用系统在国产化运行环境下的性能问题,在迁移到国产化运行环境后,各项指标无法与原生产环境持平,这会大大影响使用体验。因此,在企业应用系统完成国产化适配改造后、投入生产运行前,需建立一个对标生产运行环境要求的业务仿真环境,以确保性能和可靠性。
发明内容
本发明提供一种模拟国产化生产环境的仿真测试方法,解决相关技术中传统的环境评估方式无法准确测试企业应用系统在国产化运行环境下的性能的技术问题。
本发明提供了一种模拟国产化生产环境的仿真测试方法,包括以下步骤:
步骤101,生成多个仿真环境;
步骤102,生成业务用例;
步骤103,在多个仿真环境中分别运行模拟负载场景;
选择多个业务用例组成模拟负载场景,模拟用户行为触发业务用例,一个业务用例被触发一次作为一个子负载场景,触发业务用例生成多个子负载场景组合得到模拟负载场景;在模拟负载运行时监测性能指标获得运行性能数据;
步骤104,基于运行性能数据生成M个图集,一个图集由一个仿真环境中运行模拟负载场景的运行性能数据生成,每个图集均包括第一图、第二图和第三图,其中第一图、第二图、第三图包含了相同的节点,第一图、第二图、第三图的第i个节点均映射到模拟负载场景的第i个子负载场景;第一图和第三图的节点之间存在边;为图集中的节点生成节点矢量;
步骤105,将节点矢量输入评估模型,评估模型输出测试评分,评估模型包括第一模块和第二模块,第一模块包括M个通道,每个通道输入一个图集的节点矢量,输出一个第四矢量矩阵,第一模块包括第一隐藏层、第二隐藏层和第三隐藏层,其中第一隐藏层输入节点矢量,输出第二邻接矩阵;节点矢量和第一邻接矩阵输入第二隐藏层,输出第一矢量矩阵,节点矢量和第二邻接矩阵输入第二隐藏层,输出第二矢量矩阵,节点矢量和第三邻接矩阵输入第二隐藏层,输出第三矢量矩阵,第一矢量矩阵、第二矢量矩阵和第三矢量矩阵输入第三隐藏层,第三隐藏层输出第四矢量矩阵;
第二模块包括卷积层、逻辑层和全连接层,卷积层的M个通道分别输入M个第四矢量矩阵,然后输出M个第五矢量矩阵到逻辑层,逻辑层输出一个拼接向量到全连接层,全连接层输出测试评分。
进一步地,通过对企业应用系统的实际应用场景抽象成业务用例,将这些业务用例以脚本记录的形式添加到业务用例库中。
进一步地,模拟用户行为是使用用户行为发生器演绎脚本模拟用户的行为模式。
进一步地,组成模拟负载场景的子负载场景的数量为N。
进一步地,在第一图中,两个节点之间存在边,表示这两个节点对应的子负载场景之间存在业务逻辑关联;在第三图中,两个节点之间存在边,表示这两个节点对应的子负载场景存在并行的情况。
进一步地,仿真环境由CPU芯片、操作系统、数据库、中间件和应用服务器组成。
进一步地,第一隐藏层的计算公式如下:,其中/>表示第二邻接矩阵,/>表示线性激活函数,其值为0或1,/>表示节点矢量的张量矩阵,/>的第i行的行向量表示第i个节点的节点矢量,T表示转置。
进一步地,第二隐藏层的计算公式如下:
;
其中,/>,/>,/>表示非线性激活函数,LeakyRelu表示LeakyRelu激活函数,/>表示第k矢量矩阵的第i个行向量,和/>分别表示第i个和j个节点的节点矢量,/>表示第二隐藏层的权重参数,/>表示第二隐藏层的权重矢量,/>表示第k邻接矩阵中与第i个节点邻接的节点的集合,/>表示线性变换权重参数,T表示转置。
进一步地,第三隐藏层的计算公式如下:
,其中/>、/>、/>分别为第一权重、第二权重和第三权重,均为大于0的标量,且和为1,/>为第三隐藏层的权重参数,、/>、/>、/>分别表示第一矢量矩阵、第二矢量矩阵、第三矢量矩阵、第四矢量矩阵。
进一步地,逻辑层的计算公式如下:
,其中reg表示向量化,Concat表示拼接,M表示第五矢量矩阵的总数,/>表示卷积层输出的第g个第五矢量矩阵,P表示拼接向量。
本发明的有益效果在于:根据企业应用系统的特性,将其划分为不同类型,建立业务仿真环境,从而更准确地模拟实际生产环境。
模拟多种国产化运行环境,找出不同环境下的系统性能和安全瓶颈,可以进行针对性的性能优化和安全加固。
提高国产化应用系统的性能和安全性,减少生产环境中的故障和事故,提高生产效率和服务质量。
附图说明
图1是本发明的一种模拟国产化生产环境的仿真测试方法的流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,一种模拟国产化生产环境的仿真测试方法,包括以下步骤:
步骤101,生成多个仿真环境,仿真环境由CPU芯片、操作系统、数据库、中间件和应用服务器组成;
步骤102,生成业务用例;
通过对企业应用系统的实际应用场景和企业提供的特殊使用场景的进行分析,抽象成业务用例,将这些业务用例以脚本记录的形式添加到业务用例库中,后续配合用户行为对仿真环境进行负载运行。
步骤103,在多个仿真环境中分别运行模拟负载场景;
选择多个业务用例组成模拟负载场景,配合用户行为发生器,演绎脚本模拟用户的行为模式,生成模拟负载场景,模拟用户行为会触发业务用例,一个业务用例被触发一次作为一个子负载场景,触发业务用例生成多个子负载场景组合得到模拟负载场景,在该步骤中组成模拟负载场景的子负载场景的数量为N;
在模拟负载运行时监测性能指标获得运行性能数据。
基于采样的监控算法对仿真运行环境进行性能监测,通过在企业应用系统运行时定期采集性能数据,然后对采集的数据进行分析和计算,得出企业应用系统的性能指标。监测的性能数据包括对CPU利用率、内存使用率、I/O利用率、IOPS(Input/Output PerSecond)和吞吐量等可以反映仿真运行环境性能的运行参数。
步骤104,基于运行性能数据生成M个图集,一个图集由一个仿真环境中运行模拟负载场景的运行性能数据生成,每个图集均包括第一图、第二图和第三图,其中第一图、第二图、第三图包含了相同的节点,第一图、第二图、第三图的第i个节点均映射到模拟负载场景的第i个子负载场景;第一图和第三图的节点之间存在边;为图集中的节点生成节点矢量;
在本发明的一个实施例中,在第一图中,两个节点之间存在边,表示这两个节点对应的子负载场景之间存在业务逻辑关联,例如登陆的业务用例和注册账号的业务用例之间存在业务逻辑关联,业务逻辑关联也可以简单理解为表示业务用例之间是否存在业务关联。
在本发明的一个实施例中,在第三图中,两个节点之间存在边,表示这两个节点对应的子负载场景存在并行的情况。并行指的是同时运行,运行时间存在完全重叠或部分重叠。
在本发明的一个实施例中,第一图、第二图、第三图的第i个节点的节点矢量均表示为/>,其中/>和/>分别表示第i个子负载场景运行时的第一个采样时间点的第1个运行参数和第h个运行参数,/>和/>分别表示第i个子负载场景运行时的第t个采样时间点的第一个运行参数和第h个运行参数;对于上述的矢量定义,h是一个采样时间点采样的运行参数的数量,例如只采样CPU利用率、内存使用率、I/O利用率、IOPS(Input/Output Per Second)和吞吐量,那么h=5;
模拟负载运行按照固定的时间间隔进行采样,相邻两个采样时间点之间的时间间隔相同。
考虑到子负载场景运行的时间不同,包含的采样时间点不同,导致的节点矢量的维度不同,节点矢量输入线性层映射到同一维度,该线性层加入评估模型中。
步骤105,将节点矢量输入评估模型,评估模型输出测试评分,评估模型包括第一模块和第二模块,第一模块包括M个通道,每个通道输入一个图集的节点矢量,输出一个第四矢量矩阵,第一模块包括第一隐藏层、第二隐藏层和第三隐藏层,其中第一隐藏层输入节点矢量,输出第二邻接矩阵;节点矢量和第一邻接矩阵输入第二隐藏层,输出第一矢量矩阵,节点矢量和第二邻接矩阵输入第二隐藏层,输出第二矢量矩阵,节点矢量和第三邻接矩阵输入第二隐藏层,输出第三矢量矩阵,第一矢量矩阵、第二矢量矩阵和第三矢量矩阵输入第三隐藏层,第三隐藏层输出第四矢量矩阵;
第二模块包括卷积层、逻辑层和全连接层,卷积层的M个通道分别输入M个第四矢量矩阵,然后输出M个第五矢量矩阵到逻辑层,逻辑层输出一个拼接向量到全连接层,全连接层输出测试评分。
在本发明的一个实施例中,第一隐藏层的计算公式如下:,其中表示第二邻接矩阵,/>表示线性激活函数,其值为0或1,/>表示节点矢量的张量矩阵,/>的第i行的行向量表示第i个节点的节点矢量,T表示转置;
在本发明的一个实施例中,第二隐藏层的计算公式如下:
;
其中,/>,/>,/>表示非线性激活函数,LeakyRelu表示LeakyRelu激活函数,/>表示第k矢量矩阵的第i个行向量,和/>分别表示第i个和j个节点的节点矢量,/>表示第二隐藏层的权重参数,/>表示第二隐藏层的权重矢量,/>表示第k邻接矩阵中与第i个节点邻接的节点的集合(1≤k≤3),第i个和j个节点邻接,则第k邻接矩阵中的第i行第j列的元素的标量为1,/>表示线性变换权重参数,T表示转置;
在本发明的一个实施例中,第二隐藏层的计算公式如下:
;
其中表示第k矢量矩阵,/>表示节点矢量的张量矩阵,/>表示第k邻接矩阵与单位矩阵的和,/>表示/>的度矩阵,/>表示第二隐藏层的权重参数。
在本发明的一个实施例中,第三隐藏层的计算公式如下:
,其中/>、/>、/>分别为第一权重、第二权重和第三权重,均为大于0的标量,且和为1,/>为第三隐藏层的权重参数,、/>、/>、/>分别表示第一矢量矩阵、第二矢量矩阵、第三矢量矩阵、第四矢量矩阵。
第一权重、第二权重和第三权重为可训练的参数。
在本发明的一个实施例中,逻辑层的计算公式如下:
,其中reg表示向量化,Concat表示拼接,M表示第五矢量矩阵的总数,/>表示卷积层输出的第g个第五矢量矩阵,P表示拼接向量。需要说明的是第五矢量矩阵的向量化是将第五矢量矩阵的行向量按照顺序进行拼接。
在本发明的一个实施例中,第一图、第二图、第三图的第i个节点的节点矢量均表示为/>,其中/>和/>分别表示第i个子负载场景运行时的所有采样时间点采集的第1个运行参数的均值和第h个运行参数的均值。
第一邻接矩阵的第a行第b列的元素表示第一图的第a个与第b个节点之间是否存在边,如果存在则该元素的标量为1,否则标量为0。
第三邻接矩阵的第a行第b列的元素表示第三图的第a个与第b个节点之间是否存在边,如果存在则该元素的标量为1,否则标量为0;
在本发明的一个实施例中,全连接层输出类别标签,分类空间的类别标签分别映射测试评分的值域的离散点值,例如测试评分的值域为0-100,101个类别标签分别对应0-100均值离散化之后的点值。当然也可以直接输出标量作为测试评分。
与一般的神经网络模型相同,训练样本的类别标签通过专家进行评估标注。
在本发明的一个实施例中,卷积层输出的第四矢量矩阵输入第二全连接层,第二全连接层输出表示单一仿真环境的测试评分。第四矢量矩阵来源于第s个仿真环境,则第二全连接层输出表示第s个仿真环境的测试评分。这样可以获取企业应用系统在每个仿真环境下的性能。
国产化的CPU芯片、操作系统、数据库、中间件和应用服务器等还未形成统一的标准,因此需要模拟的仿真环境的差异较大,传统的对单一仿真环境进行评分,然后再进行平均的方法容易产生较大的误差。上述的评估模型采用图的方式来分别表示模拟负载场景中的子负载场景在三个层面的关联关系,再结合采集的运行参数形成模拟负载场景的模拟结果表示,模拟结果表示考虑了子负载场景运行的相互影响,更准确的表达企业应用系统在仿真环境中的运行结果。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (10)
1.一种模拟国产化生产环境的仿真测试方法,其特征在于,包括以下步骤:
步骤101,生成多个仿真环境;
步骤102,生成业务用例;
步骤103,在多个仿真环境中分别运行模拟负载场景;选择多个业务用例组成模拟负载场景,模拟用户行为触发业务用例,一个业务用例被触发一次作为一个子负载场景,触发业务用例生成多个子负载场景组合得到模拟负载场景;在模拟负载运行时监测性能指标获得运行性能数据;
步骤104,基于运行性能数据生成M个图集,一个图集由一个仿真环境中运行模拟负载场景的运行性能数据生成,每个图集均包括第一图、第二图和第三图,其中第一图、第二图、第三图包含了相同的节点,第一图、第二图、第三图的节点均映射到模拟负载场景的子负载场景;第一图和第三图的节点之间存在边;为图集中的节点生成节点矢量;
步骤105,将节点矢量输入评估模型,评估模型输出测试评分,评估模型包括第一模块和第二模块,第一模块包括M个通道,每个通道输入一个图集的节点矢量,输出一个第四矢量矩阵,第一模块包括第一隐藏层、第二隐藏层和第三隐藏层,其中第一隐藏层输入节点矢量,输出第二邻接矩阵;节点矢量和第一邻接矩阵输入第二隐藏层,输出第一矢量矩阵,节点矢量和第二邻接矩阵输入第二隐藏层,输出第二矢量矩阵,节点矢量和第三邻接矩阵输入第二隐藏层,输出第三矢量矩阵,第一矢量矩阵、第二矢量矩阵和第三矢量矩阵输入第三隐藏层,第三隐藏层输出第四矢量矩阵;
第二模块包括卷积层、逻辑层和全连接层,卷积层的M个通道分别输入M个第四矢量矩阵,然后输出M个第五矢量矩阵到逻辑层,逻辑层输出一个拼接向量到全连接层,全连接层输出测试评分。
2.根据权利要求1所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,通过对企业应用系统的实际应用场景抽象成业务用例,将这些业务用例以脚本记录的形式添加到业务用例库中。
3.根据权利要求2所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,模拟用户行为是使用用户行为发生器演绎脚本模拟用户的行为模式。
4.根据权利要求3所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,组成模拟负载场景的子负载场景的数量为N。
5.根据权利要求1所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,在第一图中,两个节点之间存在边,表示这两个节点对应的子负载场景之间存在业务逻辑关联;在第三图中,两个节点之间存在边,表示这两个节点对应的子负载场景存在并行的情况。
6.根据权利要求1所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,仿真环境由CPU芯片、操作系统、数据库、中间件和应用服务器组成。
7.根据权利要求1所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,第一隐藏层的计算公式如下:,其中/>表示第二邻接矩阵,/>表示线性激活函数,其值为0或1,/>表示节点矢量的张量矩阵,/>的第i行的行向量表示第i个节点的节点矢量,T表示转置。
8.根据权利要求7所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,第二隐藏层的计算公式如下:
;
其中,/>,/>,/>表示非线性激活函数,LeakyRelu表示LeakyRelu激活函数,/>表示第k矢量矩阵的第i个行向量,/>和分别表示第i个和j个节点的节点矢量,/>表示第二隐藏层的权重参数,/>表示第二隐藏层的权重矢量,/>表示第k邻接矩阵中与第i个节点邻接的节点的集合,/>表示线性变换权重参数,T表示转置。
9.根据权利要求1所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,第三隐藏层的计算公式如下:
,其中/>、/>、/>分别为第一权重、第二权重和第三权重,均为大于0的标量,且和为1,/>为第三隐藏层的权重参数,/>、、/>、/>分别表示第一矢量矩阵、第二矢量矩阵、第三矢量矩阵、第四矢量矩阵。
10.根据权利要求1所述的一种模拟国产化生产环境的仿真测试方法,其特征在于,逻辑层的计算公式如下:
,其中reg表示向量化,Concat表示拼接,M表示第五矢量矩阵的总数,/>表示卷积层输出的第g个第五矢量矩阵,P表示拼接向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311379868.2A CN117130942B (zh) | 2023-10-24 | 2023-10-24 | 一种模拟国产化生产环境的仿真测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311379868.2A CN117130942B (zh) | 2023-10-24 | 2023-10-24 | 一种模拟国产化生产环境的仿真测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117130942A CN117130942A (zh) | 2023-11-28 |
CN117130942B true CN117130942B (zh) | 2024-01-09 |
Family
ID=88860338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311379868.2A Active CN117130942B (zh) | 2023-10-24 | 2023-10-24 | 一种模拟国产化生产环境的仿真测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117130942B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023184258A1 (zh) * | 2022-03-30 | 2023-10-05 | 京东方科技集团股份有限公司 | 模型训练方法、性能预测方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8756586B2 (en) * | 2009-12-10 | 2014-06-17 | Tata Consultancy Services Limited | System and method for automated performance testing in a dynamic production environment |
CN113821452B (zh) * | 2021-11-24 | 2022-03-18 | 之江实验室 | 根据被测系统测试表现动态生成测试案例的智能测试方法 |
-
2023
- 2023-10-24 CN CN202311379868.2A patent/CN117130942B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023184258A1 (zh) * | 2022-03-30 | 2023-10-05 | 京东方科技集团股份有限公司 | 模型训练方法、性能预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117130942A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816032B (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
US11176446B2 (en) | Compositional prototypes for scalable neurosynaptic networks | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
CN109063939A (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
CN112052172A (zh) | 第三方通道的快速测试方法、装置和电子设备 | |
CN114328277A (zh) | 一种软件缺陷预测和质量分析方法、装置、设备及介质 | |
CN117435505B (zh) | 一种性能测试脚本可视化生成方法 | |
Saluja et al. | Optimized approach for antipattern detection in service computing architecture | |
CN114330650A (zh) | 基于进化元学习模型训练的小样本特征分析方法及装置 | |
CN111898134B (zh) | 基于LSTM和BiLSTM的智能合约漏洞检测方法和装置 | |
CN112783513A (zh) | 一种代码风险检查方法、装置及设备 | |
CN117130942B (zh) | 一种模拟国产化生产环境的仿真测试方法 | |
CN114372539B (zh) | 基于机器学习框架的分类方法及相关设备 | |
Bozzano et al. | Efficient analysis of reliability architectures via predicate abstraction | |
CN116302088A (zh) | 一种代码克隆检测方法、存储介质及设备 | |
CN113568831B (zh) | 基于蜕变测试的自监督深度学习型缺陷定位方法 | |
CN114253853A (zh) | 一种基于网络谱的软件故障定位方法 | |
CN112667591A (zh) | 一种基于海量日志的数据中心任务干扰预测方法 | |
CN113206712A (zh) | 一种软件无线电符合性测试方法及系统 | |
CN113254939A (zh) | 基于多注意力机制和自适应学习的智能合约漏洞检测方法 | |
Khan et al. | Introduction to Data Flow Testing with Genetic Algorithm | |
CN113326182B (zh) | 一种基于采样和集成学习的软件缺陷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |