CN117520801A - 一种基于物联网的数据测试方法及系统 - Google Patents
一种基于物联网的数据测试方法及系统 Download PDFInfo
- Publication number
- CN117520801A CN117520801A CN202311634927.6A CN202311634927A CN117520801A CN 117520801 A CN117520801 A CN 117520801A CN 202311634927 A CN202311634927 A CN 202311634927A CN 117520801 A CN117520801 A CN 117520801A
- Authority
- CN
- China
- Prior art keywords
- data
- test
- target
- interaction
- things
- 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 351
- 239000013598 vector Substances 0.000 claims abstract description 250
- 230000003993 interaction Effects 0.000 claims abstract description 248
- 238000011156 evaluation Methods 0.000 claims abstract description 217
- 230000002159 abnormal effect Effects 0.000 claims abstract description 117
- 230000000694 effects Effects 0.000 claims abstract description 111
- 230000002452 interceptive effect Effects 0.000 claims abstract description 75
- 230000006870 function Effects 0.000 claims description 229
- 238000011990 functional testing Methods 0.000 claims description 138
- 238000012549 training Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例提供一种基于物联网的数据测试方法及系统,通过挖掘前端测试功能数据目标异常交互活动中的目标前端交互项目的交互错误标签,基于目标前端交互项目的交互错误标签确定第一功能测试评价向量,并基于前端测试功能数据中的功能崩溃活动通过设定功能崩溃知识库得到第二功能测试评价向量,同时将后端测试功能数据进行代码运行异常预测,基于代码运行异常概率分布得到第三功能测试评价向量,然后基于第一、第二和第三功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告,也即通过结合不同维度的数据生成对应的功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告,提高物联网功能数据测试的可靠性。
Description
技术领域
本申请涉及物联网技术领域,具体而言,涉及一种基于物联网的数据测试方法及系统。
背景技术
物联网的应用场景非常多样化,可以涉及到从家庭自动化到智能城市等各个领域,物联网测试是确保物联网设备、系统和应用程序高质量运行的关键环节。通过严格的测试和验证,可以保证物联网设备的可靠性,从而为用户提供更好的体验和服务。在相关技术的物联网数据测试过程中,通常是结合单向维度的数据进行功能测试,此种方案下的物联网功能数据测试的可靠性不高。
发明内容
有鉴于此,本申请的目的在于提供一种基于物联网的数据测试方法及系统。
依据本申请的第一方面,提供一种基于物联网的数据测试方法,应用于基于物联网的数据测试系统,所述方法包括:
获取目标物联网测试功能数据,所述目标物联网测试功能数据包括前端测试功能数据和后端测试功能数据;
解析所述前端测试功能数据中的目标异常交互活动,并确定所述目标异常交互活动中目标前端交互项目的交互错误标签,基于所述目标前端交互项目的交互错误标签确定所述目标物联网测试功能数据对应的第一功能测试评价向量;
解析所述前端测试功能数据中的功能崩溃活动,通过设定功能崩溃知识库校验所述功能崩溃活动,生成所述目标物联网测试功能数据对应的第二功能测试评价向量;
将所述后端测试功能数据加载到代码运行异常预测网络中进行代码运行异常预测,生成代码运行异常概率分布,基于所述代码运行异常概率分布得到所述目标物联网测试功能数据对应的第三功能测试评价向量;
依据所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量确定所述目标物联网测试功能数据对应的数据测试报告。
在第一方面的一种可能的实施方式中,所述解析所述前端测试功能数据中的目标异常交互活动,并确定所述目标异常交互活动中目标前端交互项目的交互错误标签,基于所述目标前端交互项目的交互错误标签确定所述目标物联网测试功能数据对应的第一功能测试评价向量,包括:
将所述前端测试功能数据加载到前端交互测试网络中,所述前端交互测试网络包括目标异常交互活动提取单元和目标交互错误预测单元;
基于所述目标异常交互活动提取单元检测所述前端测试功能数据,生成所述目标异常交互活动;
将所述目标异常交互活动加载到所述目标交互错误预测单元中进行预测,生成所述目标异常交互活动中所述目标前端交互项目的交互错误标签;
将所述目标前端交互项目的交互错误标签与预设功能测试需求标签进行校验,当校验通过时,生成所述目标物联网测试功能数据对应的第一功能测试评价向量为第一积极评价向量;
当校验未通过时,生成所述目标物联网测试功能数据对应的第一功能测试评价向量为第一消极评价向量。
在第一方面的一种可能的实施方式中,所述将所述目标异常交互活动加载到所述目标交互错误预测单元中进行预测,生成所述目标异常交互活动中所述目标前端交互项目的交互错误标签,包括:
依据所述目标交互错误预测单元计算所述目标异常交互活动的交互时效性向量、交互冗余性向量和交互适配性向量;
将所述交互冗余性向量、交互适配性向量和交互时效性向量进行融合,基于融合向量进行启发式搜索,基于启发式搜索结果进行交互错误标签预测确定所述目标异常交互活动中所述目标前端交互项目的交互错误标签。
在第一方面的一种可能的实施方式中,所述目标异常交互活动提取单元通过以下步骤训练生成:
获取携带样本异常交互活动的样本测试功能数据;
将所述样本异常交互活动的样本测试功能数据加载到初始目标异常交互活动提取单元中提取,生成初始目标异常交互活动;
计算所述初始目标异常交互活动与所述样本异常交互活动的区别异常交互数据,基于所述区别异常交互数据优化所述初始目标异常交互活动提取单元中的权重信息,直到所述区别异常交互数据收敛,生成完成训练的目标异常交互活动提取单元。
在第一方面的一种可能的实施方式中,所述目标交互错误预测单元通过以下步骤训练生成:
获取携带样本异常交互活动的样本测试功能数据,从所述样本测试功能数据中解析所述样本异常交互活动,并获取所述样本异常交互活动对应的样本交互错误标签;
将所述样本异常交互活动加载到初始目标交互错误预测单元中进行预测,生成输出的交互错误标签置信度分布,基于所述交互错误标签置信度分布得到训练交互错误标签;
计算所述样本交互错误标签与所述训练交互错误标签的交互错误标签区别数据,依据所述交互错误标签区别数据优化所述初始目标交互错误预测单元中的权重信息,直到所述交互错误标签区别数据收敛时,生成完成训练的目标交互错误预测单元。
在第一方面的一种可能的实施方式中,所述解析所述前端测试功能数据中的功能崩溃活动,通过设定功能崩溃知识库校验所述功能崩溃活动,生成所述目标物联网测试功能数据对应的第二功能测试评价向量,包括:
通过功能崩溃AI识别网络解析所述前端测试功能数据中的功能崩溃活动,将所述功能崩溃活动进行崩溃知识实体拆分,生成各个崩溃知识实体;
将所述各个崩溃知识实体与所述设定功能崩溃知识库中的模板测试需求实体进行校验;
当校验通过时,生成所述目标物联网测试功能数据对应的第二功能测试评价向量为第二积极评价向量;
当校验未通过时,生成所述目标物联网测试功能数据对应的第二功能测试评价向量为第二消极评价向量。
在第一方面的一种可能的实施方式中,所述设定功能崩溃知识库通过以下步骤生成:
获取功能测试需求的需求相关字段,基于所述功能测试需求的需求相关字段采集对应的模板崩溃事件数据;
对所述模板崩溃事件数据进行崩溃知识实体拆分,生成各个模板崩溃知识实体;
计算所述模板崩溃事件数据对应的全局实体数量,并计算所述各个模板崩溃知识实体在所述模板崩溃事件数据中的触发数量;
确定所述各个模板崩溃知识实体对应的触发数量与所述全局实体数量的比值,生成所述各个模板崩溃知识实体对应的触发频次;
计算所述模板崩溃事件数据对应的全局崩溃事件数量,并计算所述各个模板崩溃知识实体对应的目标崩溃事件数量,所述目标崩溃事件数量是指模板崩溃事件数据中包含有目标模板崩溃知识实体的崩溃事件数量,所述目标模板崩溃知识实体是从所述各个模板崩溃知识实体中选择的;
确定所述各个模板崩溃知识实体对应的目标崩溃事件数量与所述全局崩溃事件数量的比值,并计算所述比值的对数,生成所述各个模板崩溃知识实体对应的区分价值;
依据所述各个模板崩溃知识实体对应的触发频次和区分价值计算所述各个模板崩溃知识实体的权重值;
基于所述各个模板崩溃知识实体的权重值选取目标数量的模板崩溃知识实体作为模板测试需求实体,并将所述模板测试需求实体添加到测试需求实体集合中,生成所述设定功能崩溃知识库。
在第一方面的一种可能的实施方式中,所述代码运行异常预测网络通过以下步骤训练生成:
获取样本后端测试功能数据和对应的代码运行异常标注数据;
将所述样本后端测试功能数据作为输入,将所述代码运行异常标注数据作为标签对深度学习模型进行训练,生成所述代码运行异常预测网络。
在第一方面的一种可能的实施方式中,依据所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量确定所述目标物联网测试功能数据对应的数据测试报告,包括:
将所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量进行融合,生成融合功能测试评价向量,将融合功能测试评价向量加载到物联网功能上线决策网络中进行物联网功能上线决策,生成所述目标物联网测试功能数据对应的数据测试报告;
所述功能测试评价向量包括消极评价向量和积极评价向量;
依据所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量确定所述目标物联网测试功能数据对应的数据测试报告,包括:
将所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量与所述积极评价向量进行校验,计算校验通过的功能测试评价向量数量;
当所述功能测试评价向量数量大于设定数量时,生成所述目标物联网测试功能数据对应的数据测试报告为测试通过,当所述功能测试评价向量数量未大于设定数量时,生成所述目标物联网测试功能数据对应的数据测试报告为测试不通过。
依据本申请的第二方面,提供一种基于物联网的数据测试系统,所述基于物联网的数据测试系统包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该基于物联网的数据测试系统实现前述的基于物联网的数据测试方法。
依据本申请的第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当所述计算机可执行指令被执行时,实现前述的基于物联网的数据测试方法。
依据上述任意一个方面,本申请中,通过挖掘前端测试功能数据目标异常交互活动中的目标前端交互项目的交互错误标签,基于目标前端交互项目的交互错误标签确定第一功能测试评价向量,并基于前端测试功能数据中的功能崩溃活动通过设定功能崩溃知识库得到第二功能测试评价向量,同时将后端测试功能数据进行代码运行异常预测,基于代码运行异常概率分布得到第三功能测试评价向量,然后基于第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告,也即通过结合不同维度的数据生成对应的功能测试评价向量,然后基于不同的功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告,提高物联网功能数据测试的可靠性。
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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于物联网的数据测试方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的基于物联网的数据测试方法的基于物联网的数据测试系统的组件结构示意图;
附图标记:100-基于物联网的数据测试系统;102-处理器;104-控制模块;106-存储器;108-NVW/存储设备;110-输入/输出设备;112-网络接口;114-指令。
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,下面将依据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依据本申请实施例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它操作,也可以从流程图中销毁一个或多个操作。
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。依据本申请的实施例,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它实施例,都属于本申请保护的范围。
图1示出了本申请实施例提供的基于物联网的数据测试方法的流程示意图,应当理解,在其它实施例中,本实施例的基于物联网的数据测试方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该基于物联网的数据测试方法的详细包括:
步骤S102,获取目标物联网测试功能数据,目标物联网测试功能数据包括前端测试功能数据和后端测试功能数据。
其中,目标物联网测试功能数据是指通过各种测试工具进行物联网功能测试后生成的测试数据,比如,可以包括前端测试功能数据和后端测试功能数据。前端测试功能数据是指目标物联网测试功能数据中前端页面相关的测试功能数据。后端测试功能数据是指目标物联网测试功能数据中后端底层实现相关的测试功能数据。
步骤S104,解析所述前端测试功能数据中的目标异常交互活动,并确定所述目标异常交互活动中目标前端交互项目的交互错误标签,基于所述目标前端交互项目的交互错误标签确定所述目标物联网测试功能数据对应的第一功能测试评价向量。
其中,目标前端交互项目是指前端测试功能数据中的交互项目,该目标前端交互项目可以有多个。目标异常交互活动是指存在有目标前端交互项目的异常节点部分。目标前端交互项目的交互错误标签是指目标前端交互项目所属的交互错误标签,不同的交互项目有不同的交互错误标签。功能测试评价向量是指影响数据测试报告的评价向量征,包括消极评价向量和积极评价向量。
其中,当目标前端交互项目的交互错误标签和预先设置好功能测试需求交互项目的交互错误标签通过时,生成的第一功能测试评价向量为积极评价向量,当不通过时,生成的第一功能测试评价向量为消极评价向量。
步骤S106,提取前端测试功能数据中的功能崩溃活动,通过设定功能崩溃知识库校验功能崩溃活动,生成目标物联网测试功能数据对应的第二功能测试评价向量。
其中,功能崩溃活动是指前端测试功能数据中涵盖的存在功能运行崩溃的运行实例。设定功能崩溃知识库是指功能测试需求的测试需求实体集合。第二功能测试评价向量是指基于功能崩溃活动得到的功能测试评价向量。
将功能崩溃活动进行崩溃知识实体拆分,生成崩溃知识实体,在设定功能崩溃知识库中查找崩溃知识实体,基于查找结果确定校验结果,基于校验结果,生成目标物联网测试功能数据对应的第二功能测试评价向量。
步骤S108,将后端测试功能数据加载到代码运行异常预测网络中进行代码运行异常预测,生成代码运行异常概率分布,基于代码运行异常概率分布得到目标物联网测试功能数据对应的第三功能测试评价向量。
其中,代码运行异常预测网络是用于预测后端测试功能数据对应的代码运行异常标签。
步骤S110,依据第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告。
其中,数据测试报告是指目标物联网测试功能数据是否通过的测试报告。
可以基于第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量直接得到目标物联网测试功能数据对应的数据测试报告,从第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量中确定积极评价向量的数量和消极评价向量的数量,基于积极评价向量的数量和消极评价向量的数量确定目标物联网测试功能数据对应的数据测试报告。
基于以上步骤,通过挖掘前端测试功能数据目标异常交互活动中的目标前端交互项目的交互错误标签,基于目标前端交互项目的交互错误标签确定第一功能测试评价向量,并基于前端测试功能数据中的功能崩溃活动通过设定功能崩溃知识库得到第二功能测试评价向量,同时将后端测试功能数据进行代码运行异常预测,基于代码运行异常概率分布得到第三功能测试评价向量,然后基于第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告,也即通过结合不同维度的数据生成对应的功能测试评价向量,然后基于不同的功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告,提高物联网功能数据测试的可靠性。
一种可替代的实施方式中,步骤S104,提取前端测试功能数据中的目标异常交互活动,并识别目标异常交互活动中目标前端交互项目的交互错误标签,基于目标前端交互项目的交互错误标签确定目标物联网测试功能数据对应的第一功能测试评价向量,包括:
步骤S202,将前端测试功能数据加载到前端交互测试网络中,前端交互测试网络包括目标异常交互活动提取单元和目标交互错误预测单元。
其中,前端交互测试网络用于提取前端测试功能数据中目标前端交互项目的交互错误标签。一种可替代的实施方式中,将前端测试功能数据加载到前端交互测试网络中进行检测,即通过目标异常交互活动提取单元和目标交互错误预测单元之后得到目标前端交互项目的交互错误标签。
步骤S204,基于目标异常交互活动提取单元检测前端测试功能数据,生成目标异常交互活动。
步骤S206,将目标异常交互活动加载到目标交互错误预测单元中进行预测,生成目标异常交互活动中目标前端交互项目的交互错误标签。
一种可替代的实施方式中,将目标异常交互活动加载到目标交互错误预测单元中进行预测,生成目标异常交互活动中目标前端交互项目的交互错误标签。当有多个目标异常交互活动时,将多个目标异常交互活动都加载到目标交互错误预测单元中进行预测,生成每个目标异常交互活动对应的交互错误预测标签。
步骤S208,将目标前端交互项目的交互错误标签与预设功能测试需求标签进行校验,当校验通过时,生成目标物联网测试功能数据对应的第一功能测试评价向量为第一积极评价向量。
步骤S210,当校验未通过时,生成目标物联网测试功能数据对应的第一功能测试评价向量为第一消极评价向量。
一种可替代的实施方式中,将得到的所有交互错误预测标签与预设功能测试需求标签进行校验,当存在校验通过的预设功能测试需求标签时,生成目标物联网测试功能数据对应的第一功能测试评价向量为第一积极评价向量。当未存在校验通过的预设功能测试需求标签时,生成的目标物联网测试功能数据对应的第一功能测试评价向量为第一消极评价向量,即只有所有的目标前端交互项目的交互错误标签都不是功能测试需求标签时,生成的目标物联网测试功能数据对应的第一功能测试评价向量为第一消极评价向量。
通过使用前端交互测试网络来预测前端测试功能数据中对应的目标前端交互项目的交互错误标签,提高生成的交互错误预测标签的可靠性,然后将目标前端交互项目的交互错误标签与预设功能测试需求标签进行校验,生成第一功能测试评价向量,提高生成的第一功能测试评价向量的可靠性。
一种可替代的实施方式中,步骤S206,将目标异常交互活动加载到目标交互错误预测单元中进行预测,生成目标异常交互活动中目标前端交互项目的交互错误标签,包括:
步骤S302,通过目标交互错误预测单元计算目标异常交互活动的交互时效性向量、交互冗余性向量和交互适配性向量。
步骤S304,将交互冗余性向量、交互适配性向量和交互时效性向量进行融合,基于融合向量进行启发式搜索,基于启发式搜索结果进行交互错误标签预测确定目标异常交互活动中目标前端交互项目的交互错误标签。
通过计算交互时效性向量、交互冗余性向量和交互适配性向量,提高了对目标异常交互活动的表达能力,然后使用交互时效性向量、交互冗余性向量和交互适配性向量计算得到目标前端交互项目的交互错误标签,使得到的目标前端交互项目的交互错误标签更加准确。
一种可替代的实施方式中,目标异常交互活动提取单元通过以下步骤训练生成:
步骤S402,获取携带样本异常交互活动的样本测试功能数据。
步骤S404,将携带样本异常交互活动的样本测试功能数据加载到初始目标异常交互活动提取单元中提取,生成初始目标异常交互活动。
步骤S406,计算初始目标异常交互活动与携带样本异常交互活动的区别异常交互数据,基于区别异常交互数据优化初始目标异常交互活动提取单元中的权重信息。
步骤S408,直到训练得到的区别异常交互数据收敛,生成完成训练的目标异常交互活动提取单元。
其中,区别异常交互数据用于表示目标异常交互活动和携带样本的目标异常交互活动之间的区别。
一种可替代的实施方式中,目标交互错误预测单元通过以下步骤训练生成:
步骤S502,获取携带样本异常交互活动的样本测试功能数据,从样本测试功能数据中提取携带样本异常交互活动,并获取携带样本异常交互活动对应的样本交互错误标签。
其中,样本交互错误标签是指真实的交互错误预测标签。
步骤S504,将携带样本异常交互活动加载到初始目标交互错误预测单元中进行预测,生成输出的交互错误标签置信度分布,基于交互错误标签置信度分布得到训练交互错误标签。
一种可替代的实施方式中,将携带样本异常交互活动到加载到初始目标交互错误预测单元中进行交互错误标签预测,即将携带样本异常交互活动编码,基于编码后的携带样本异常交互活动和初始化的权重信息计算得到各个交互错误预测标签的置信度,获取到最大置信度的交互错误预测标签作为训练交互错误标签。
步骤S506,计算样本交互错误标签与训练交互错误标签的交互错误标签区别数据,依据交互错误标签区别数据优化初始目标交互错误预测单元中的权重信息。
步骤S508,直到训练得到的交互错误标签区别数据收敛时,生成完成训练的目标交互错误预测单元。
其中,交互错误标签区别数据是指样本交互错误标签与训练得到的交互错误预测标签之间的区别。
一种可替代的实施方式中,步骤S106,提取前端测试功能数据中的功能崩溃活动,通过设定功能崩溃知识库校验功能崩溃活动,生成目标物联网测试功能数据对应的第二功能测试评价向量,包括:
步骤S602,通过功能崩溃AI识别网络提取前端测试功能数据中的功能崩溃活动,将功能崩溃活动进行崩溃知识实体拆分,生成各个崩溃知识实体。
步骤S604,将各个崩溃知识实体与设定功能崩溃知识库中的模板测试需求实体进行校验。
一种可替代的实施方式中,在设定功能崩溃知识库中的模板测试需求实体中查找各个崩溃知识实体,当查找到与崩溃知识实体通过的模板测试需求实体时,生成校验通过的结果。当所有的崩溃知识实体都未在设定功能崩溃知识库查找到时,生成校验未通过的结果。
步骤S606,当校验通过时,生成目标物联网测试功能数据对应的第二功能测试评价向量为第二积极评价向量。
步骤S608,当校验未通过时,生成目标物联网测试功能数据对应的第二功能测试评价向量为第二消极评价向量。
其中,第二积极评价向量是指功能崩溃活动中包含有测试通过崩溃知识实体时对应的功能测试评价向量。第二消极评价向量是指功能崩溃活动中未包含有测试通过崩溃知识实体时对应的功能测试评价向量。
例如,当校验通过时,生成目标物联网测试功能数据对应的第二功能测试评价向量为第二积极评价向量。当校验未通过时,生成目标物联网测试功能数据对应的第二功能测试评价向量为第二消极评价向量。
通过设定功能崩溃知识库匹配功能崩溃活动中是否存在模板测试需求实体,进而得到第二功能测试评价向量,提高了得到第二功能测试评价向量的效率。
一种可替代的实施方式中,设定功能崩溃知识库通过以下步骤生成:
步骤S702,获取功能测试需求的需求相关字段,基于功能测试需求的需求相关字段采集对应的模板崩溃事件数据;
步骤S704,对模板崩溃事件数据进行崩溃知识实体拆分,生成各个模板崩溃知识实体。
步骤S706,计算各个模板崩溃知识实体对应的触发频次和区分价值,依据各个模板崩溃知识实体对应的触发频次和区分价值计算各个模板崩溃知识实体的权重值。
其中,触发频次是指模板崩溃知识实体在模板崩溃事件数据中出现的频率。区分价值是指模板崩溃知识实体在所有的模板崩溃事件数据中出现的频率。
一种可替代的实施方式中,计算每个模板崩溃知识实体对应的触发频次和区分价值,计算每个模板崩溃知识实体对应的触发频次和区分价值的乘积,生成每个模板崩溃知识实体的权重值。
步骤S708,基于各个模板崩溃知识实体的权重值选取目标数量的模板崩溃知识实体作为模板测试需求实体,并将模板测试需求实体添加到测试需求实体集合中,生成设定功能崩溃知识库。
一种可替代的实施方式中,依据各个模板崩溃知识实体的权重值进行降序排列,基于降序排列序列选择前N的模板崩溃知识实体作为模板测试需求实体。即得到功能测试需求的需求相关字段对应的模板测试需求实体,将每个功能测试需求的需求相关字段对应的模板测试需求实体添加到测试需求实体集合中,生成设定功能崩溃知识库。
由此,通过计算各个模板崩溃知识实体对应的触发频次和区分价值,生成各个模板崩溃知识实体的权重值,基于各个模板崩溃知识实体的权重值得到功能测试需求的需求相关字段对应的模板测试需求实体,提高模板测试需求实体的准确性。
一种可替代的实施方式中,步骤S706,计算各个模板崩溃知识实体对应的触发频次和区分价值,包括:
步骤S802,计算模板崩溃事件数据对应的全局实体数量,并计算各个模板崩溃知识实体在模板崩溃事件数据中的触发数量。
步骤S804,计算各个模板崩溃知识实体对应的触发数量与全局实体数量的比值,生成各个模板崩溃知识实体对应的触发频次。
其中,全局实体数量是指模板崩溃事件数据中包含的模板崩溃知识实体的数量。
一种可替代的实施方式中,计算模板崩溃事件数据对应的各个模板崩溃知识实体的全局实体数量,并计算各个模板崩溃知识实体在模板崩溃事件数据中的触发数量,计算各个模板崩溃知识实体对应的触发数量与全局实体数量的比值,生成各个模板崩溃知识实体对应的触发频次。
步骤S806,计算模板崩溃事件数据对应的全局崩溃事件数量,并计算各个模板崩溃知识实体对应的目标崩溃事件数量,目标崩溃事件数量是指模板崩溃事件数据中包含有目标模板崩溃知识实体的崩溃事件数量,目标模板崩溃知识实体是从各个模板崩溃知识实体中选择的。
一种可替代的实施方式中,计算采集到的功能测试需求的需求相关字段对应的模板崩溃事件数据的全局崩溃事件数量。然后将每个模板崩溃知识实体作为目标模板崩溃知识实体,并计算包含有目标模板崩溃知识实体的崩溃事件数量。
步骤S808,计算各个模板崩溃知识实体对应的目标崩溃事件数量与全局崩溃事件数量的比值,并计算比值的对数,生成各个模板崩溃知识实体对应的区分价值。
一种可替代的实施方式中,计算各个模板崩溃知识实体对应的目标崩溃事件数量与全局崩溃事件数量的比值,然后计算比值的对数,就得到各个模板崩溃知识实体对应的区分价值。
一种可替代的实施方式中,代码运行异常预测网络通过以下步骤训练生成:
获取样本后端测试功能数据和对应的代码运行异常标注数据;将样本后端测试功能数据作为输入,将代码运行异常标注数据作为标签对深度学习模型进行训练,当训练完成时,生成代码运行异常预测网络。
一种可替代的实施方式中,步骤S110,依据第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告,包括步骤:
将第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量进行融合,生成融合功能测试评价向量,将融合功能测试评价向量加载到物联网功能上线决策网络中进行物联网功能上线决策,生成目标物联网测试功能数据对应的数据测试报告。
一种可替代的实施方式中,可以直接将第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量进行拼接得到融合功能测试评价向量,将融合功能测试评价向量加载到物联网功能上线决策网络中进行物联网功能上线决策,生成输出的数据测试报告,即得到了目标物联网测试功能数据对应的数据测试报告。
由此,通过使用物联网功能上线决策网络进行物联网功能上线决策,生成目标物联网测试功能数据对应的数据测试报告,提高了得到数据测试报告的准确性。
一种可替代的实施方式中,功能测试评价向量包括消极评价向量和积极评价向量。步骤S110,依据第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量确定目标物联网测试功能数据对应的数据测试报告,包括:
步骤S902,将第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量与积极评价向量进行校验,计算校验通过的功能测试评价向量数量。
一种可替代的实施方式中,判断第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量中的积极评价向量,即将积极评价向量分别与第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量进行校验,即积极评价向量是否与第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量相同。则计算校验通过的功能测试评价向量数量,其中,该功能测试评价向量数量是指第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量中与积极评价向量通过的数量,比如,当第一功能测试评价向量为积极评价向量,第二功能测试评价向量为积极评价向量,第三功能测试评价向量为消极评价向量时,则积极评价向量与第一功能测试评价向量和第二功能测试评价向量校验通过,计算得到的功能测试评价向量数量为2。
步骤S904,当功能测试评价向量数量大于设定数量时,生成目标物联网测试功能数据对应的数据测试报告为测试通过,当功能测试评价向量数量未大于设定数量时,生成目标物联网测试功能数据对应的数据测试报告为推送。
例如,当功能测试评价向量数量大于设定数量时,生成目标物联网测试功能数据对应的数据测试报告为测试通过,当功能测试评价向量数量未大于设定数量时,生成目标物联网测试功能数据对应的数据测试报告为推送。一种可替代的实施方式中,还可以计算校验未通过的功能测试评价向量数量,当校验通过的功能测试评价向量数量大于校验未通过的功能测试评价向量数量时,生成目标物联网测试功能数据对应的数据测试报告为测试通过,当校验通过的功能测试评价向量数量小于校验未通过的功能测试评价向量数量时,生成目标物联网测试功能数据对应的数据测试报告为推送。
一种可替代的实施方式中,在另一种可能的方法实施例中,具体可以包括以下步骤:
步骤S1002,获取目标物联网测试功能数据,目标物联网测试功能数据包括前端测试功能数据和后端测试功能数据。
步骤S1004,将前端测试功能数据加载到前端交互测试网络中,前端交互测试网络包括目标异常交互活动提取单元和目标交互错误预测单元,基于目标异常交互活动提取单元解析前端测试功能数据,生成目标异常交互活动。
步骤S1006,通过目标交互错误预测单元计算目标异常交互活动的交互时效性向量、交互冗余性向量和交互适配性向量,将交互冗余性向量、交互适配性向量和交互时效性向量进行融合,基于融合向量进行启发式搜索,基于启发式搜索结果进行交互错误标签预测确定目标异常交互活动中目标前端交互项目的交互错误标签。
步骤S1008,将目标前端交互项目的交互错误标签与预设功能测试需求标签进行校验,当校验通过时,生成目标物联网测试功能数据对应的第一功能测试评价向量为第一积极评价向量,当校验未通过时,生成目标物联网测试功能数据对应的第一功能测试评价向量为第一消极评价向量。
步骤S1010,通过功能崩溃AI识别网络提取前端测试功能数据中的功能崩溃活动,将功能崩溃活动进行崩溃知识实体拆分,生成各个崩溃知识实体。
步骤S1012,将各个崩溃知识实体与设定功能崩溃知识库中的模板测试需求实体进行校验,当校验通过时,生成目标物联网测试功能数据对应的第二功能测试评价向量为第二积极评价向量;当校验未通过时,生成目标物联网测试功能数据对应的第二功能测试评价向量为第二消极评价向量。
步骤S1014,将后端测试功能数据加载到代码运行异常预测网络中进行代码运行异常预测,生成代码运行异常概率分布,当代码运行异常概率分布为推送类别时,生成目标物联网测试功能数据对应的第三功能测试评价向量为第三消极评价向量,当代码运行异常概率分布为测试通过类别时,生成目标物联网测试功能数据对应的第三功能测试评价向量为第三积极评价向量。
步骤S1016,将第一功能测试评价向量、第二功能测试评价向量和第三功能测试评价向量与积极评价向量进行校验,计算校验通过的功能测试评价向量数量,当功能测试评价向量数量大于设定数量时,生成目标物联网测试功能数据对应的数据测试报告为测试通过,当功能测试评价向量数量未大于设定数量时,生成目标物联网测试功能数据对应的数据测试报告为测试不通过。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的基于物联网的数据测试系统100。
对于一个实施例,图2示出了基于物联网的数据测试系统100,该基于物联网的数据测试系统100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括一个或多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中,基于物联网的数据测试系统100能够作为本申请实施例中所述网关等服务器设备。
一些示例性的设计思路中,基于物联网的数据测试系统100可包括具有指令114的一个或多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为基于物联网的数据测试系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一些示例性的设计思路中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括一个或多个输入/输出控制器,以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为基于物联网的数据测试系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为基于物联网的数据测试系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为基于物联网的数据测试系统100提供接口以依据一个或多个网络通信,基于物联网的数据测试系统100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入依据通信标准的无线网络,如WwFw、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,基于物联网的数据测试系统100可以但不限于是:基于物联网的数据测试系统、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,基于物联网的数据测试系统100可具有更多或更少的组件和/或不同的架构。例如,一些示例性的设计思路中,基于物联网的数据测试系统100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于物联网的数据测试方法,其特征在于,应用于基于物联网的数据测试系统,所述方法包括:
获取目标物联网测试功能数据,所述目标物联网测试功能数据包括前端测试功能数据和后端测试功能数据;
解析所述前端测试功能数据中的目标异常交互活动,并确定所述目标异常交互活动中目标前端交互项目的交互错误标签,基于所述目标前端交互项目的交互错误标签确定所述目标物联网测试功能数据对应的第一功能测试评价向量;
解析所述前端测试功能数据中的功能崩溃活动,通过设定功能崩溃知识库校验所述功能崩溃活动,生成所述目标物联网测试功能数据对应的第二功能测试评价向量;
将所述后端测试功能数据加载到代码运行异常预测网络中进行代码运行异常预测,生成代码运行异常概率分布,基于所述代码运行异常概率分布得到所述目标物联网测试功能数据对应的第三功能测试评价向量;
依据所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量确定所述目标物联网测试功能数据对应的数据测试报告。
2.根据权利要求1所述的基于物联网的数据测试方法,其特征在于,所述解析所述前端测试功能数据中的目标异常交互活动,并确定所述目标异常交互活动中目标前端交互项目的交互错误标签,基于所述目标前端交互项目的交互错误标签确定所述目标物联网测试功能数据对应的第一功能测试评价向量,包括:
将所述前端测试功能数据加载到前端交互测试网络中,所述前端交互测试网络包括目标异常交互活动提取单元和目标交互错误预测单元;
基于所述目标异常交互活动提取单元检测所述前端测试功能数据,生成所述目标异常交互活动;
将所述目标异常交互活动加载到所述目标交互错误预测单元中进行预测,生成所述目标异常交互活动中所述目标前端交互项目的交互错误标签;
将所述目标前端交互项目的交互错误标签与预设功能测试需求标签进行校验,当校验通过时,生成所述目标物联网测试功能数据对应的第一功能测试评价向量为第一积极评价向量;
当校验未通过时,生成所述目标物联网测试功能数据对应的第一功能测试评价向量为第一消极评价向量。
3.根据权利要求2所述的基于物联网的数据测试方法,其特征在于,所述将所述目标异常交互活动加载到所述目标交互错误预测单元中进行预测,生成所述目标异常交互活动中所述目标前端交互项目的交互错误标签,包括:
依据所述目标交互错误预测单元计算所述目标异常交互活动的交互时效性向量、交互冗余性向量和交互适配性向量;
将所述交互冗余性向量、交互适配性向量和交互时效性向量进行融合,基于融合向量进行启发式搜索,基于启发式搜索结果进行交互错误标签预测确定所述目标异常交互活动中所述目标前端交互项目的交互错误标签。
4.根据权利要求2所述的基于物联网的数据测试方法,其特征在于,所述目标异常交互活动提取单元通过以下步骤训练生成:
获取携带样本异常交互活动的样本测试功能数据;
将所述样本异常交互活动的样本测试功能数据加载到初始目标异常交互活动提取单元中提取,生成初始目标异常交互活动;
计算所述初始目标异常交互活动与所述样本异常交互活动的区别异常交互数据,基于所述区别异常交互数据优化所述初始目标异常交互活动提取单元中的权重信息,直到所述区别异常交互数据收敛,生成完成训练的目标异常交互活动提取单元。
5.根据权利要求2所述的基于物联网的数据测试方法,其特征在于,所述目标交互错误预测单元通过以下步骤训练生成:
获取携带样本异常交互活动的样本测试功能数据,从所述样本测试功能数据中解析所述样本异常交互活动,并获取所述样本异常交互活动对应的样本交互错误标签;
将所述样本异常交互活动加载到初始目标交互错误预测单元中进行预测,生成输出的交互错误标签置信度分布,基于所述交互错误标签置信度分布得到训练交互错误标签;
计算所述样本交互错误标签与所述训练交互错误标签的交互错误标签区别数据,依据所述交互错误标签区别数据优化所述初始目标交互错误预测单元中的权重信息,直到所述交互错误标签区别数据收敛时,生成完成训练的目标交互错误预测单元。
6.根据权利要求1所述的基于物联网的数据测试方法,其特征在于,所述解析所述前端测试功能数据中的功能崩溃活动,通过设定功能崩溃知识库校验所述功能崩溃活动,生成所述目标物联网测试功能数据对应的第二功能测试评价向量,包括:
通过功能崩溃AI识别网络解析所述前端测试功能数据中的功能崩溃活动,将所述功能崩溃活动进行崩溃知识实体拆分,生成各个崩溃知识实体;
将所述各个崩溃知识实体与所述设定功能崩溃知识库中的模板测试需求实体进行校验;
当校验通过时,生成所述目标物联网测试功能数据对应的第二功能测试评价向量为第二积极评价向量;
当校验未通过时,生成所述目标物联网测试功能数据对应的第二功能测试评价向量为第二消极评价向量。
7.根据权利要求1所述的基于物联网的数据测试方法,其特征在于,所述设定功能崩溃知识库通过以下步骤生成:
获取功能测试需求的需求相关字段,基于所述功能测试需求的需求相关字段采集对应的模板崩溃事件数据;
对所述模板崩溃事件数据进行崩溃知识实体拆分,生成各个模板崩溃知识实体;
计算所述模板崩溃事件数据对应的全局实体数量,并计算所述各个模板崩溃知识实体在所述模板崩溃事件数据中的触发数量;
确定所述各个模板崩溃知识实体对应的触发数量与所述全局实体数量的比值,生成所述各个模板崩溃知识实体对应的触发频次;
计算所述模板崩溃事件数据对应的全局崩溃事件数量,并计算所述各个模板崩溃知识实体对应的目标崩溃事件数量,所述目标崩溃事件数量是指模板崩溃事件数据中包含有目标模板崩溃知识实体的崩溃事件数量,所述目标模板崩溃知识实体是从所述各个模板崩溃知识实体中选择的;
确定所述各个模板崩溃知识实体对应的目标崩溃事件数量与所述全局崩溃事件数量的比值,并计算所述比值的对数,生成所述各个模板崩溃知识实体对应的区分价值;
依据所述各个模板崩溃知识实体对应的触发频次和区分价值计算所述各个模板崩溃知识实体的权重值;
基于所述各个模板崩溃知识实体的权重值选取目标数量的模板崩溃知识实体作为模板测试需求实体,并将所述模板测试需求实体添加到测试需求实体集合中,生成所述设定功能崩溃知识库。
8.根据权利要求1所述的基于物联网的数据测试方法,其特征在于,所述代码运行异常预测网络通过以下步骤训练生成:
获取样本后端测试功能数据和对应的代码运行异常标注数据;
将所述样本后端测试功能数据作为输入,将所述代码运行异常标注数据作为标签对深度学习模型进行训练,生成所述代码运行异常预测网络。
9.根据权利要求1所述的基于物联网的数据测试方法,其特征在于,依据所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量确定所述目标物联网测试功能数据对应的数据测试报告,包括:
将所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量进行融合,生成融合功能测试评价向量,将融合功能测试评价向量加载到物联网功能上线决策网络中进行物联网功能上线决策,生成所述目标物联网测试功能数据对应的数据测试报告;
所述功能测试评价向量包括消极评价向量和积极评价向量;
依据所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量确定所述目标物联网测试功能数据对应的数据测试报告,包括:
将所述第一功能测试评价向量、所述第二功能测试评价向量和所述第三功能测试评价向量与所述积极评价向量进行校验,计算校验通过的功能测试评价向量数量;
当所述功能测试评价向量数量大于设定数量时,生成所述目标物联网测试功能数据对应的数据测试报告为测试通过,当所述功能测试评价向量数量未大于设定数量时,生成所述目标物联网测试功能数据对应的数据测试报告为测试不通过。
10.一种基于物联网的数据测试系统,其特征在于,包括处理器以及计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1-8中任意一项所述的基于物联网的数据测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634927.6A CN117520801A (zh) | 2023-12-01 | 2023-12-01 | 一种基于物联网的数据测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634927.6A CN117520801A (zh) | 2023-12-01 | 2023-12-01 | 一种基于物联网的数据测试方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117520801A true CN117520801A (zh) | 2024-02-06 |
Family
ID=89743647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311634927.6A Pending CN117520801A (zh) | 2023-12-01 | 2023-12-01 | 一种基于物联网的数据测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520801A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117792800A (zh) * | 2024-02-28 | 2024-03-29 | 四川合佳科技有限公司 | 一种基于物联网安全评估系统的信息验证方法及系统 |
-
2023
- 2023-12-01 CN CN202311634927.6A patent/CN117520801A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117792800A (zh) * | 2024-02-28 | 2024-03-29 | 四川合佳科技有限公司 | 一种基于物联网安全评估系统的信息验证方法及系统 |
CN117792800B (zh) * | 2024-02-28 | 2024-05-03 | 四川合佳科技有限公司 | 一种基于物联网安全评估系统的信息验证方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992596B (zh) | 一种文本聚类方法、装置、服务器和存储介质 | |
CN109783490B (zh) | 数据融合方法、装置、计算机设备及存储介质 | |
US20180082215A1 (en) | Information processing apparatus and information processing method | |
CN117520801A (zh) | 一种基于物联网的数据测试方法及系统 | |
US11501203B2 (en) | Learning data selection method, learning data selection device, and computer-readable recording medium | |
US20150169430A1 (en) | Selecting webpage test paths | |
CN113836885A (zh) | 文本匹配模型训练方法、文本匹配方法、装置和电子设备 | |
CN112148766A (zh) | 利用人工神经网络模型进行数据抽样的方法和系统 | |
CN115546488A (zh) | 信息分割方法、信息提取方法和信息分割模型的训练方法 | |
CN113132181B (zh) | 移动应用程序IPv6网络协议支持度检测方法及装置 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN107368923B (zh) | 景点热度预测方法及装置 | |
US20220004947A1 (en) | Logistics route prediction method and apparatus | |
CN111625555A (zh) | 一种订单匹配方法、装置、设备及存储介质 | |
CN116050410A (zh) | 基于数字在线会话服务的大数据分析方法及深度学习系统 | |
CN115168575A (zh) | 应用于审计领域的主语补全方法及相关设备 | |
CN116030375A (zh) | 视频特征提取、模型训练方法、装置、设备及存储介质 | |
CN107515821B (zh) | 控件测试方法和装置 | |
CN113987136A (zh) | 文本分类标签的校正方法、装置、设备及存储介质 | |
CN112035732A (zh) | 一种搜索结果的扩展方法、系统、设备和存储介质 | |
CN104965853A (zh) | 聚合类应用的推荐、多方推荐源聚合的方法、系统和装置 | |
CN111950037A (zh) | 检测方法、装置、电子设备及存储介质 | |
CN112801489B (zh) | 诉讼案件风险检测方法、装置、设备和可读存储介质 | |
CN117094032B (zh) | 一种基于隐私保护的用户信息加密方法及系统 | |
CN116303100B (zh) | 一种基于大数据平台的文件集成测试方法及系统 |
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 |