CN117853254B - 账务平台的测试方法、装置、设备及存储介质 - Google Patents
账务平台的测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117853254B CN117853254B CN202410257564.7A CN202410257564A CN117853254B CN 117853254 B CN117853254 B CN 117853254B CN 202410257564 A CN202410257564 A CN 202410257564A CN 117853254 B CN117853254 B CN 117853254B
- Authority
- CN
- China
- Prior art keywords
- target
- test
- target service
- service scene
- accounting platform
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 361
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 89
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000011002 quantification Methods 0.000 claims abstract description 15
- 238000007726 management method Methods 0.000 claims description 108
- 238000012545 processing Methods 0.000 claims description 50
- 238000003066 decision tree Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000013101 initial test Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 230000002068 genetic effect Effects 0.000 claims description 22
- 238000013139 quantization Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 230000001364 causal effect Effects 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 3
- 238000010921 in-depth analysis Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013502 data validation Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- 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
-
- 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
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及账务平台测试技术领域，公开了一种账务平台的测试方法、装置、设备及存储介质。所述方法包括：对目标账务平台进行业务流程分析和业务场景识别，得到多个目标业务场景并生成目标测试用例；生成每个目标业务场景的目标测试数据；创建Excel测试表格并进行自动化对比测试，得到对比测试结果；进行依存关系识别和风险传播模拟，得到多个风险量化评估指标；通过智能账务平台管理模型进行智能账务平台管理策略决策，生成初始账务平台管理策略；进行问题识别分类和根因分析，得到根因分析结果并进行测试用例和综合策略优化，得到目标账务平台的综合账务平台管理策略，本申请提高了账务平台的测试准确率。
Description
技术领域
本申请涉及账务平台测试技术领域，尤其涉及一种账务平台的测试方法、装置、设备及存储介质。
背景技术
在当今的商业环境中，账务平台作为企业核心财务管理的支柱，其稳定性、准确性和安全性对企业的运营至关重要。随着企业业务的日益复杂和全球化，账务平台需要处理的交易类型越来越多样，数据量也在爆炸式增长。这不仅对账务平台的处理能力提出了更高的要求，也极大地增加了系统出错的风险。因此，确保账务平台的可靠性和准确性，对企业的财务健康和合规性至关重要。
然而，传统的账务平台测试方法常常无法满足现代企业对财务管理的高标准要求。一方面，传统方法在测试用例的生成上往往依赖大量的人工操作，这不仅效率低下，而且难以覆盖所有潜在的业务场景，易于忽略复杂业务流程中的隐蔽风险。另一方面，随着账务平台功能的不断增强和复杂化，传统的测试方法在风险识别和风险管理策略制定方面显示出明显的局限性，难以有效应对日益复杂的风险挑战。
发明内容
本申请提供了一种账务平台的测试方法、装置、设备及存储介质，用于提高账务平台的测试准确率。
第一方面，本申请提供了一种账务平台的测试方法，所述账务平台的测试方法包括：
对目标账务平台进行业务流程分析和业务场景识别，得到多个目标业务场景，并通过预置的改进遗传算法分别对所述多个目标业务场景进行测试用例生成，得到每个目标业务场景的目标测试用例；
搭建所述目标账务平台的模拟环境并通过所述目标测试用例生成每个目标业务场景的初始测试数据，以及基于神经网络模型的贝叶斯正则化算法对所述初始测试数据进行完整性和一致性检查，生成每个目标业务场景的目标测试数据；
根据所述目标测试数据创建每个目标业务场景的Excel测试表格，并通过所述Excel测试表格进行自动化对比测试，得到每个目标业务场景的对比测试结果；
根据所述对比测试结果分别对每个目标业务场景的目标测试数据进行依存关系识别和风险传播模拟，得到每个目标业务场景的多个风险量化评估指标；
分别将每个目标业务场景的多个风险量化评估指标输入预置的智能账务平台管理模型进行智能账务平台管理策略决策，生成每个目标业务场景的初始账务平台管理策略；
基于所述初始账务平台管理策略对每个目标业务场景进行问题识别分类和根因分析，得到每个目标业务场景的根因分析结果，并根据所述根因分析结果对所述初始账务平台管理策略进行测试用例和综合策略优化，得到所述目标账务平台的综合账务平台管理策略。
第二方面，本申请提供了一种账务平台的测试装置，所述账务平台的测试装置包括：
识别模块，用于对目标账务平台进行业务流程分析和业务场景识别，得到多个目标业务场景，并通过预置的改进遗传算法分别对所述多个目标业务场景进行测试用例生成，得到每个目标业务场景的目标测试用例；
检查模块，用于搭建所述目标账务平台的模拟环境并通过所述目标测试用例生成每个目标业务场景的初始测试数据，以及基于神经网络模型的贝叶斯正则化算法对所述初始测试数据进行完整性和一致性检查，生成每个目标业务场景的目标测试数据；
测试模块，用于根据所述目标测试数据创建每个目标业务场景的Excel测试表格，并通过所述Excel测试表格进行自动化对比测试，得到每个目标业务场景的对比测试结果；
模拟模块，用于根据所述对比测试结果分别对每个目标业务场景的目标测试数据进行依存关系识别和风险传播模拟，得到每个目标业务场景的多个风险量化评估指标；
决策模块，用于分别将每个目标业务场景的多个风险量化评估指标输入预置的智能账务平台管理模型进行智能账务平台管理策略决策，生成每个目标业务场景的初始账务平台管理策略；
分析模块，用于基于所述初始账务平台管理策略对每个目标业务场景进行问题识别分类和根因分析，得到每个目标业务场景的根因分析结果，并根据所述根因分析结果对所述初始账务平台管理策略进行测试用例和综合策略优化，得到所述目标账务平台的综合账务平台管理策略。
本申请第三方面提供了一种账务平台的测试设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述账务平台的测试设备执行上述的账务平台的测试方法。
本申请的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的账务平台的测试方法。
本申请提供的技术方案中，通过对目标账务平台进行细致的业务流程分析和业务场景识别，能够确保各种业务场景和财务数据处理逻辑都得到了全面的覆盖。这种深入的分析保证了测试的全面性，使得潜在的问题和风险在测试阶段就能被发现和解决。利用预置的改进遗传算法（IGA）自动化生成测试用例，不仅大幅提高了测试用例的生成效率，而且通过算法优化确保了测试用例的高覆盖率和高有效性。这意味着能够以更高的效率发现更多的潜在问题，提升测试的质量和可靠性。基于神经网络模型的贝叶斯正则化算法对初始测试数据进行完整性和一致性检查，保证了测试数据的高质量。这一步骤确保测试数据的准确性和可靠性，为后续测试提供了坚实的数据基础。通过智能账务平台管理模型，不仅能对各种风险因素进行量化评估，还能根据评估结果自动制定和调整账务平台的管理策略。这种智能化的风险管理大大提高了账务平台应对复杂风险的能力。不仅在测试阶段提供了全面的问题识别和根因分析，还在测试后提供了对测试用例和综合策略的持续优化。这种持续的优化和改进机制确保了账务平台能够适应不断变化的业务需求和风险环境，进而提高了账务平台的测试准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中账务平台的测试方法的一个实施例示意图；
图2为本申请实施例中账务平台的测试装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种账务平台的测试方法、装置、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中账务平台的测试方法的一个实施例包括：
步骤S101、对目标账务平台进行业务流程分析和业务场景识别，得到多个目标业务场景，并通过预置的改进遗传算法分别对多个目标业务场景进行测试用例生成，得到每个目标业务场景的目标测试用例；
可以理解的是，本申请的执行主体可以为账务平台的测试装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，对目标账务平台进行业务流程分析，得到多项业务流程信息，如账目处理、财务报告生成等关键操作。对业务流程信息进行财务数据处理逻辑分析，解析各个业务流程中的数据处理规则和逻辑，如数据录入、验证、汇总和输出等，得到每个业务流程中的关键数据操作点和潜在的数据处理异常情况。分别对每项业务流程信息的财务数据处理逻辑进行业务场景识别，如常规交易录入、异常交易处理、财务审计等，更准确地模拟现实操作中遇到的各种情形，以便生成更全面和具有针对性的测试用例。通过预置的改进遗传算法生成针对这些业务场景的测试用例。为每个目标业务场景定义一个适应度函数，函数是根据业务场景的特点和测试目标来设定的，用于评价测试用例的有效性和覆盖度。改进遗传算法利用这些适应度函数生成初始的第一测试用例。算法根据适应度函数计算每个第一测试用例的第一适应度值，并依据这些值进行排序分析，从而得到一个优化后的测试用例序列。根据预设的多个目标比例数据，对测试用例序列进行群体划分，形成不同的测试用例群体。这有助于覆盖不同的测试需求和业务场景。在此基础上，对测试用例群体进行遗传、繁殖以及交叉操作，生成新一轮的第二测试用例。这些操作模拟了自然遗传过程中的变异和选择，旨在进一步优化测试用例。通过适应度函数重新计算每个第二测试用例的第二适应度值，并基于这些值进行最优化求解。从而筛选出最终的、针对每个目标业务场景的目标测试用例。
步骤S102、搭建目标账务平台的模拟环境并通过目标测试用例生成每个目标业务场景的初始测试数据，以及基于神经网络模型的贝叶斯正则化算法对初始测试数据进行完整性和一致性检查，生成每个目标业务场景的目标测试数据；
具体的，搭建目标账务平台的模拟环境。在模拟环境中，根据目标测试用例进行测试数据生成，这些数据模拟了各种业务场景，例如常规的交易处理、异常情况处理等，以确保测试用例能够全面覆盖所有重要的业务流程和潜在风险点。分别对初始测试数据进行数据预处理，确保数据的格式和结构符合账务处理的实际要求，例如数据类型的转换、缺失值的处理等，处理后的第一测试数据更加标准化和规范化。基于神经网络模型的贝叶斯正则化算法对第一测试数据进行正则化处理，利用贝叶斯理论结合神经网络的计算能力，对数据进行优化，使其更符合实际业务处理的统计特性和分布规律。得到的第二测试数据更加接近实际业务数据的真实状态。对每个目标业务场景的第二测试数据进行后验概率计算，计算数据的后验分布，即在给定数据的条件下，各种参数的概率分布，这有助于理解数据的潜在特征和规律。基于目标后验概率，对每个目标业务场景的第二测试数据进行数据完整性和一致性检查，确保测试数据不仅符合业务逻辑和数据规则，而且在统计意义上是可靠和一致的。根据完成完整性和一致性检查的目标检查结果，对每个目标业务场景的第二测试数据进行数据分布优化。最终生成每个目标业务场景的目标测试数据，这些数据不仅覆盖了各种业务场景，而且在数据完整性、一致性和分布特性上都经过了严格的优化和校验。
步骤S103、根据目标测试数据创建每个目标业务场景的Excel测试表格，并通过Excel测试表格进行自动化对比测试，得到每个目标业务场景的对比测试结果；
具体的，根据目标测试数据创建每个目标业务场景的Excel测试表格，包括各种类型交易的测试数据集以及对应的预期财务处理结果，确保测试数据集能够全面覆盖所有交易类型和异常情况。表格中的数据不仅包括交易的基本信息，如金额、日期、类型等，还包括预期的处理结果，如账目的变动情况、财务报告中的体现等。通过Excel测试表格进行自动化对比测试，比较实际的账务处理结果和表格中的预期结果，检测和识别账务处理中的任何偏差或错误。对每个目标业务场景的自动化对比测试数据进行标准差和平均绝对偏差计算。标准差的计算有助于理解测试结果的波动性和不确定性，而平均绝对偏差则提供了对测试结果偏差的平均水平的直观理解。根据每个目标业务场景的标准差和平均绝对偏差，生成对比测试结果。这些结果不仅包括了单纯的数值差异，还包括了对这些差异的统计学解释和分析。
步骤S104、根据对比测试结果分别对每个目标业务场景的目标测试数据进行依存关系识别和风险传播模拟，得到每个目标业务场景的多个风险量化评估指标；
具体的，根据对比测试结果，采用Granger因果检验对每个目标业务场景的目标测试数据进行依存关系识别，得到每个业务场景的依存关系信息。Granger因果检验是一种统计方法，用于确定一个时间序列是否能预测另一个时间序列的未来值。通过分析不同业务流程或数据元素之间的时间序列数据，确定它们是否具有依存关系。根据依存关系信息，对每个目标业务场景的目标测试数据进行极端依存分析。极端依存分析是一种用于评估在极端条件下，不同变量之间依存关系的强度的方法。这一分析可以揭示在极端情况下，例如极端市场波动或操作错误，不同业务流程或数据元素之间的风险如何相互传递和放大。通过分析，得到每个业务场景的风险值和条件风险值。风险值代表了在正常条件下的风险水平，而条件风险值则代表了在特定条件或假设下的风险水平。根据风险值和条件风险值，对每个目标业务场景的目标测试数据进行风险传播模拟。通过模拟不同的风险传播路径和情景，评估风险如何在各个业务流程中传播和演变。这种模拟有助于理解在不同情况下，特定风险如何影响整个账务系统。通过模拟，生成每个目标业务场景的多个风险量化评估指标，这些指标提供了关于各种潜在风险的详细量化信息，包括风险的大小、影响范围以及风险出现的概率。
步骤S105、分别将每个目标业务场景的多个风险量化评估指标输入预置的智能账务平台管理模型进行智能账务平台管理策略决策，生成每个目标业务场景的初始账务平台管理策略；
具体的，对每个目标业务场景的风险量化评估指标进行指标向量映射。将每个业务场景的多个风险评估指标转换成数值型的指标向量，将风险评估的定性分析转化为可以量化处理的数值信息。将每个业务场景的风险量化评估指标向量输入预置的智能账务平台管理模型中。智能模型包括了多个决策树，每个决策树针对特定的业务场景和风险类型设计。决策树是一种常用的机器学习方法，能够根据输入的数据特征做出分类或回归决策。每个决策树基于输入的风险量化评估指标向量，进行智能账务平台管理策略的决策，生成针对特定业务场景的初步账务管理策略。这些策略将基于风险评估的结果，提出如何调整账务处理流程、加强风险控制等建议。为了优化这些初步的账务管理策略，获取每个决策树的权重系数并进行加权运算。权重系数的设定通常基于决策树的历史表现、业务场景的重要性或风险的严重程度。通过对每个决策树输出的账务管理策略应用权重系数，生成更加细化和针对性的第二账务平台管理策略。综合不同决策树的优势，同时弥补单一模型存在的不足，从而得到更加全面和精确的管理策略。将每个决策树的第二账务平台管理策略进行融合输出，综合多个模型的输出，生成针对每个目标业务场景的初始账务平台管理策略。
步骤S106、基于初始账务平台管理策略对每个目标业务场景进行问题识别分类和根因分析，得到每个目标业务场景的根因分析结果，并根据根因分析结果对初始账务平台管理策略进行测试用例和综合策略优化，得到目标账务平台的综合账务平台管理策略。
具体的，基于初始账务平台管理策略对每个目标业务场景进行问题识别分类。将每个业务场景中观察到的问题进行分类和标记，这些问题包括数据处理错误、流程延迟、风险控制不足等。在进行分类时，需要考虑问题的性质、频率、影响程度等多个维度，以确保问题被全面且准确地识别。根据问题识别分类结果，对每个目标业务场景进行根因分析。根据根因分析结果，对初始账务平台管理策略进行测试用例和综合策略的优化。包括优化数据处理流程、加强内部控制、调整风险管理策略等。优化过程不仅考虑问题的解决，还考虑到如何提高整个账务平台的效率和稳定性。将识别的问题和其根本原因转化为具体的改进措施，从而提高账务平台的整体性能和可靠性。得到针对目标账务平台的综合账务平台管理策略。综合策略不仅仅是对单个问题的回应，而是一个全面的管理策略，它综合考虑了所有识别的问题和根本原因，并提出了一个全方位的改进计划。综合性策略的目标是确保账务平台不仅能够处理当前识别的问题，还能够提高其对未来潜在问题的抵御能力。
本申请实施例中，通过对目标账务平台进行细致的业务流程分析和业务场景识别，能够确保各种业务场景和财务数据处理逻辑都得到了全面的覆盖。这种深入的分析保证了测试的全面性，使得潜在的问题和风险在测试阶段就能被发现和解决。利用预置的改进遗传算法（IGA）自动化生成测试用例，不仅大幅提高了测试用例的生成效率，而且通过算法优化确保了测试用例的高覆盖率和高有效性。这意味着能够以更高的效率发现更多的潜在问题，提升测试的质量和可靠性。基于神经网络模型的贝叶斯正则化算法对初始测试数据进行完整性和一致性检查，保证了测试数据的高质量。这一步骤确保测试数据的准确性和可靠性，为后续测试提供了坚实的数据基础。通过智能账务平台管理模型，不仅能对各种风险因素进行量化评估，还能根据评估结果自动制定和调整账务平台的管理策略。这种智能化的风险管理大大提高了账务平台应对复杂风险的能力。不仅在测试阶段提供了全面的问题识别和根因分析，还在测试后提供了对测试用例和综合策略的持续优化。这种持续的优化和改进机制确保了账务平台能够适应不断变化的业务需求和风险环境，进而提高了账务平台的测试准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）对目标账务平台进行业务流程分析，得到多项业务流程信息；
（2）分别对多项业务流程信息进行财务数据处理逻辑分析，得到每项业务流程信息的财务数据处理逻辑；
（3）分别对每项业务流程信息的财务数据处理逻辑进行业务场景识别，得到多个目标业务场景；
（4）通过预置的改进遗传算法分别定义每个目标业务场景的适应度函数，并通过改进遗传算法分别对多个目标业务场景进行测试用例生成，得到每个目标业务场景的多个第一测试用例；
（5）通过适应度函数分别计算每个第一测试用例的第一适应度值，并通过第一适应度值对多个第一测试用例进行排序分析，得到测试用例序列；
（6）按照预设的多个目标比例数据，对测试用例序列进行测试用例群体划分，得到多个测试用例群体；
（7）对多个测试用例群体进行遗传、繁殖以及交叉操作，得到多个第二测试用例，并通过适应度函数分别计算每个第二测试用例的第二适应度值；
（8）根据第二适应度值对多个第二测试用例进行最优化求解，得到每个目标业务场景的目标测试用例。
具体的，对目标账务平台进行业务流程分析。收集账务平台处理的各类业务流程信息，如发票处理、账目录入、财务报表生成等。每一项业务流程都有其特定的操作步骤和数据流转规则，例如，在发票处理流程中，包括扫描发票、提取发票信息、验证信息准确性、录入账务系统等步骤。对业务流程信息进行财务数据处理逻辑分析。对每项业务流程中的数据处理方式、规则和逻辑进行研究。关注数据如何被收集、处理、存储和报告。例如，在账目录入流程中，分析数据的验证规则、录入格式、异常处理机制等。基于对每项业务流程的财务数据处理逻辑的理解，进行业务场景识别。识别出与每个业务流程相关的具体业务场景，这些场景包括日常操作、异常处理、审计应对等。通过预置的改进遗传算法对业务场景进行测试用例生成。为每个业务场景定义一个适应度函数，这个函数基于业务场景的特点和测试需求来设定，用于评价测试用例的覆盖度和有效性。利用改进遗传算法根据适应度函数生成初始的测试用例。这些测试用例旨在全面覆盖各种业务场景，确保测试的广泛性和深入性。通过适应度函数计算每个初始测试用例的适应度值，并基于这些值进行排序分析，生成一个优化后的测试用例序列。按照预设的目标比例数据，对测试用例序列进行群体划分，形成不同的测试用例群体。群体划分有助于确保测试覆盖不同类型的业务场景和风险情况。对测试用例群体进行遗传、繁殖以及交叉操作，模拟自然选择和遗传变异的过程，以生成新一轮的优化测试用例。通过适应度函数重新计算每个新生成测试用例的适应度值，并基于这些值进行最优化求解。从所有生成的测试用例中筛选出最能够有效测试账务平台功能的那些用例。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）搭建目标账务平台的模拟环境，并基于模拟环境对目标测试用例进行测试数据生成，得到每个目标业务场景的初始测试数据；
（2）分别对每个目标业务场景的初始测试数据进行数据预处理，得到每个目标业务场景的第一测试数据；
（3）基于神经网络模型的贝叶斯正则化算法对每个目标业务场景的第一测试数据进行数据正则化，得到每个目标业务场景的第二测试数据；
（4）分别对每个目标业务场景的第二测试数据进行后验概率计算，得到每个目标业务场景的目标后验概率；
（5）基于目标后验概率对每个目标业务场景的第二测试数据进行数据完整性和一致性检查，得到目标检查结果；
（6）根据目标检查结果分别对每个目标业务场景的第二测试数据进行数据分布优化，生成每个目标业务场景的目标测试数据。
具体的，搭建目标账务平台的模拟环境，在不干扰实际业务运行的情况下进行全面的测试。基于该环境生成测试数据，这些数据需要覆盖目标测试用例中定义的各种业务场景。例如，如果一个业务场景涉及到发票处理，那么测试数据应该包括各种类型的发票数据，如不同金额、日期、项目等。初始测试数据需要能够代表各种实际操作情况。对每个目标业务场景的初始测试数据进行预处理，确保测试数据的质量，使其符合实际业务处理中的数据标准和格式。在预处理过程中，进行数据清洗、格式转换、缺失值处理等操作。比如，对于发票数据，需要转换日期格式，填补缺失的项目描述，或者去除无效的数据记录，得到第一测试数据。基于神经网络模型的贝叶斯正则化算法对第一测试数据进行正则化处理，得到每个目标业务场景的第二测试数据。结合神经网络的学习能力和贝叶斯正则化的优势，处理数据中的噪声和异常值，优化数据的统计特性。例如，使用该算法识别并纠正数据中的异常模式，比如不寻常的金额大小或者不一致的日期记录。对每个目标业务场景的第二测试数据进行后验概率计算。通过贝叶斯理论估计在给定数据下参数的概率分布。例如，在处理发票数据时，后验概率计算揭示特定类型的发票在特定时间段内出现的概率，或者不同金额级别的发票出现的规律。基于目标后验概率，对第二测试数据进行数据完整性和一致性检查。确保测试数据不仅在统计上是合理的，而且在业务逻辑上是一致的。这包括验证数据中的金额、日期和项目描述之间是否相互匹配，以及是否符合业务规则。根据完成数据完整性和一致性检查的结果，对每个目标业务场景的第二测试数据进行数据分布优化，生成每个目标业务场景的目标测试数据。基于检查结果，对数据进行进一步的调整和优化，以使其更好地符合实际业务中的数据特征和分布。例如，调整数据集中的发票类型和金额分布，以更好地模拟实际业务中的数据分布。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）根据目标测试数据，创建每个目标业务场景的Excel测试表格，Excel测试表格包括：各种类型交易的测试数据集以及预期的财务处理结果；
（2）通过Excel测试表格进行自动化对比测试，得到每个目标业务场景的自动化对比测试数据；
（3）分别对每个目标业务场景的自动化对比测试数据进行标准差计算，得到每个目标业务场景的标准差，并分别对每个目标业务场景的自动化对比测试数据进行平均绝对偏差，得到每个目标业务场景的平均绝对偏差；
（4）根据每个目标业务场景的标准差和平均绝对偏差，生成每个目标业务场景的对比测试结果。
具体的，根据目标测试数据创建每个目标业务场景的Excel测试表格，包含了各种类型交易的测试数据集以及对应这些交易的预期财务处理结果。例如，测试表格包括销售交易的各种情况，如不同金额、不同客户类型、不同支付方式的交易，以及每种情况下预期的账目变动。通过Excel测试表格进行自动化对比测试。比较实际的账务处理结果和表格中的预期结果之间的差异。在自动化对比测试过程中，测试工具会自动读取Excel中的数据，执行相应的财务处理操作，并记录实际结果。将实际结果与预期结果进行对比，以识别任何的偏差或异常。例如，某笔交易的实际账目变动与预期不符，将被标记为一个潜在的错误或问题点。对每个目标业务场景的自动化对比测试数据进行标准差和平均绝对偏差的计算。标准差的计算有助于量化测试结果的波动性和不确定性，而平均绝对偏差则提供了一个关于偏差大小的直观度量。例如，在销售交易的测试中，较大的标准差意味着财务处理结果在不同测试用例之间波动较大，而较大的平均绝对偏差表明存在一些显著的偏离预期结果的情况。基于每个目标业务场景的标准差和平均绝对偏差，生成每个场景的对比测试结果。这些结果不仅包括具体的数值差异，还应该包括对这些差异的分析和解释。例如，如果在销售交易的测试中发现某类交易频繁出现偏差，这指向特定的业务规则或系统功能的潜在问题。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）根据对比测试结果，采用Granger因果检验分别对每个目标业务场景的目标测试数据进行依存关系识别，得到每个目标业务场景的依存关系信息；
（2）根据依存关系信息分别对每个目标业务场景的目标测试数据进行极端依存分析，得到每个目标业务场景的风险值和条件风险值；
（3）根据风险值和条件风险值分别对每个目标业务场景的目标测试数据进行风险传播模拟，得到每个目标业务场景的多个风险量化评估指标。
具体的，根据对比测试结果，采用Granger因果检验识别每个目标业务场景中的依存关系，得到每个目标业务场景的依存关系信息。Granger因果检验是一种统计方法，用于分析时间序列数据，以判断一个变量是否能够预测另一个变量的未来值。通过Granger因果检验分析不同业务流程或数据元素之间的关联。例如，Granger因果检验可以用来分析销售数据是否预示着库存变化。根据依存关系信息对每个业务场景的目标测试数据执行极端依存分析。关注于在极端条件下（如市场突变或内部系统故障）不同业务元素之间的相互依赖程度。例如，极端依存分析可以帮助理解在面临突如其来的市场需求峰值时，销售和库存之间的动态关系。这种分析将揭示在特定极端条件下业务元素之间依存的风险值和条件风险值，这些值是对风险程度的量化表示，反映了在不同条件下出现的风险水平。基于风险值和条件风险值，对每个目标业务场景的目标测试数据进行风险传播模拟。模拟不同的风险传播路径，以理解特定风险是如何在整个账务系统中扩散的。例如，风险传播模拟包括模拟市场需求急剧增加对销售和库存管理流程的影响，以及这种变化是如何影响财务报表和预算规划的。通过模拟，得到每个目标业务场景的多个风险量化评估指标，这些指标提供了详细的风险特征，包括发生的风险大小、影响范围和潜在的影响效果。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）分别对每个目标业务场景的多个风险量化评估指标进行指标向量映射，得到每个目标业务场景的风险量化评估指标向量；
（2）分别将每个目标业务场景的风险量化评估指标向量输入预置的智能账务平台管理模型，智能账务平台管理模型包括：多个决策树；
（3）通过多个决策树分别对每个目标业务场景的风险量化评估指标向量进行智能账务平台管理策略决策，得到每个决策树的第一账务平台管理策略；
（4）获取每个决策树的权重系数，并根据权重系数对每个决策树的第一账务平台管理策略进行加权运算，得到每个决策树的第二账务平台管理策略；
（5）对每个决策树的第二账务平台管理策略进行融合输出，生成每个目标业务场景的初始账务平台管理策略。
具体的，对每个目标业务场景（如发票处理、成本核算等）进行风险量化评估。包括识别和量化影响每个场景的风险因素，例如错误的发票处理导致财务报表不准确，成本核算的错误导致预算超支。将风险因素转化为具体的量化指标，如发票处理错误率、成本核算偏差等，然后将指标转换成指标向量，以便进行进一步分析。将风险量化评估指标向量输入预置的智能账务平台管理模型中，该模型包括多个决策树。每个决策树都被训练来分析特定业务场景的风险，并基于这些分析生成管理策略。例如，一个决策树专注于分析发票处理错误率，并根据这一指标提出减少错误的策略，如提升自动化水平或增加审核步骤。通过决策树对每个目标业务场景的风险量化评估指标向量进行分析，生成第一账务平台管理策略。这些策略反映了基于当前数据和风险评估的最佳操作建议。例如，针对发票处理场景，决策树建议增加自动扫描和数据验证步骤来减少人为错误。为了进一步优化这些管理策略，获取每个决策树的权重系数，并根据这些权重对每个决策树的初步管理策略进行加权运算，得到更加细化和针对性的第二账务平台管理策略。加权运算考虑了不同策略的相对重要性和有效性，使得最终策略更加全面和可靠。将每个决策树的第二账务平台管理策略进行融合输出，生成针对每个目标业务场景的初始账务平台管理策略。将多个决策树的输出综合考虑，生成一个综合性的管理策略。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）基于初始账务平台管理策略对每个目标业务场景进行问题识别分类，得到每个目标业务场景的问题识别分类结果；
（2）根据问题识别分类结果，对每个目标业务场景进行根因分析，得到每个目标业务场景的根因分析结果；
（3）根据根因分析结果对初始账务平台管理策略进行测试用例和综合策略优化，得到目标账务平台的综合账务平台管理策略。
具体的，基于初始账务平台管理策略对每个目标业务场景进行问题识别和分类。收集和分析各个业务场景中的操作数据、性能指标和反馈信息，以识别存在的问题。例如，在发票处理场景中，识别出问题如发票录入错误、处理延迟等；在成本核算场景中，发现问题如预算超支、分类错误等；在收入预测场景中，识别出预测不准确、数据不一致等问题。对这些问题进行分类，如将它们划分为操作错误、流程瓶颈、数据不准确等类别。根据问题识别分类结果，对每个目标业务场景进行根因分析。例如，发票处理错误源于不准确的数据输入或复杂的界面设计，成本核算中的预算超支是由于缺乏有效的预算控制或不合理的成本分配规则，而收入预测的不准确是由于过时的数据或不充分的市场分析。根因分析需要综合考虑操作、流程、技术和人员等多方面因素，以确保能够准确地定位问题的根本原因。根据根因分析结果，对初始账务平台管理策略进行优化。包括针对识别出的问题和根本原因调整测试用例，以及优化综合策略。例如，在发票处理场景中，优化用户界面和数据验证流程，以减少操作错误；在成本核算场景中，实施更严格的预算控制措施，并优化成本分配规则；在收入预测场景中，更新数据源和增强市场分析方法。这些优化措施旨在解决识别的问题，提高业务流程的效率和准确性，同时也需要考虑到它们对整个账务系统的影响。生成目标账务平台的综合账务平台管理策略。这一策略不仅针对特定业务场景中的具体问题提供了解决方案，而且通过整体优化提高了整个账务系统的性能。
上面对本申请实施例中账务平台的测试方法进行了描述，下面对本申请实施例中账务平台的测试装置进行描述，请参阅图2，本申请实施例中账务平台的测试装置一个实施例包括：
识别模块201，用于对目标账务平台进行业务流程分析和业务场景识别，得到多个目标业务场景，并通过预置的改进遗传算法分别对所述多个目标业务场景进行测试用例生成，得到每个目标业务场景的目标测试用例；
检查模块202，用于搭建所述目标账务平台的模拟环境并通过所述目标测试用例生成每个目标业务场景的初始测试数据，以及基于神经网络模型的贝叶斯正则化算法对所述初始测试数据进行完整性和一致性检查，生成每个目标业务场景的目标测试数据；
测试模块203，用于根据所述目标测试数据创建每个目标业务场景的Excel测试表格，并通过所述Excel测试表格进行自动化对比测试，得到每个目标业务场景的对比测试结果；
模拟模块204，用于根据所述对比测试结果分别对每个目标业务场景的目标测试数据进行依存关系识别和风险传播模拟，得到每个目标业务场景的多个风险量化评估指标；
决策模块205，用于分别将每个目标业务场景的多个风险量化评估指标输入预置的智能账务平台管理模型进行智能账务平台管理策略决策，生成每个目标业务场景的初始账务平台管理策略；
分析模块206，用于基于所述初始账务平台管理策略对每个目标业务场景进行问题识别分类和根因分析，得到每个目标业务场景的根因分析结果，并根据所述根因分析结果对所述初始账务平台管理策略进行测试用例和综合策略优化，得到所述目标账务平台的综合账务平台管理策略。
通过上述各个组成部分的协同合作，通过对目标账务平台进行细致的业务流程分析和业务场景识别，能够确保各种业务场景和财务数据处理逻辑都得到了全面的覆盖。这种深入的分析保证了测试的全面性，使得潜在的问题和风险在测试阶段就能被发现和解决。利用预置的改进遗传算法（IGA）自动化生成测试用例，不仅大幅提高了测试用例的生成效率，而且通过算法优化确保了测试用例的高覆盖率和高有效性。这意味着能够以更高的效率发现更多的潜在问题，提升测试的质量和可靠性。基于神经网络模型的贝叶斯正则化算法对初始测试数据进行完整性和一致性检查，保证了测试数据的高质量。这一步骤确保测试数据的准确性和可靠性，为后续测试提供了坚实的数据基础。通过智能账务平台管理模型，不仅能对各种风险因素进行量化评估，还能根据评估结果自动制定和调整账务平台的管理策略。这种智能化的风险管理大大提高了账务平台应对复杂风险的能力。不仅在测试阶段提供了全面的问题识别和根因分析，还在测试后提供了对测试用例和综合策略的持续优化。这种持续的优化和改进机制确保了账务平台能够适应不断变化的业务需求和风险环境，进而提高了账务平台的测试准确率。
本申请还提供一种账务平台的测试设备，所述账务平台的测试设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述账务平台的测试方法的步骤。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述账务平台的测试方法的步骤。
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，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元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全部或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（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。
Claims (4)
1.一种账务平台的测试方法，其特征在于，所述账务平台的测试方法包括：
对目标账务平台进行业务流程分析和业务场景识别，得到多个目标业务场景，并通过预置的改进遗传算法分别对所述多个目标业务场景进行测试用例生成，得到每个目标业务场景的目标测试用例；具体包括：对目标账务平台进行业务流程分析，得到多项业务流程信息；分别对所述多项业务流程信息进行财务数据处理逻辑分析，得到每项业务流程信息的财务数据处理逻辑；分别对每项业务流程信息的财务数据处理逻辑进行业务场景识别，得到多个目标业务场景；通过预置的改进遗传算法分别定义每个目标业务场景的适应度函数，并通过所述改进遗传算法分别对所述多个目标业务场景进行测试用例生成，得到每个目标业务场景的多个第一测试用例；通过所述适应度函数分别计算每个第一测试用例的第一适应度值，并通过所述第一适应度值对所述多个第一测试用例进行排序分析，得到测试用例序列；按照预设的多个目标比例数据，对所述测试用例序列进行测试用例群体划分，得到多个测试用例群体；对所述多个测试用例群体进行遗传、繁殖以及交叉操作，得到多个第二测试用例，并通过所述适应度函数分别计算每个第二测试用例的第二适应度值；根据所述第二适应度值对所述多个第二测试用例进行最优化求解，得到每个目标业务场景的目标测试用例；
搭建所述目标账务平台的模拟环境并通过所述目标测试用例生成每个目标业务场景的初始测试数据，以及基于神经网络模型的贝叶斯正则化算法对所述初始测试数据进行完整性和一致性检查，生成每个目标业务场景的目标测试数据；具体包括：搭建所述目标账务平台的模拟环境，并基于所述模拟环境对所述目标测试用例进行测试数据生成，得到每个目标业务场景的初始测试数据；分别对每个目标业务场景的初始测试数据进行数据预处理，得到每个目标业务场景的第一测试数据；基于神经网络模型的贝叶斯正则化算法对每个目标业务场景的第一测试数据进行数据正则化，得到每个目标业务场景的第二测试数据；分别对每个目标业务场景的第二测试数据进行后验概率计算，得到每个目标业务场景的目标后验概率；基于所述目标后验概率对每个目标业务场景的第二测试数据进行数据完整性和一致性检查，得到目标检查结果；根据所述目标检查结果分别对每个目标业务场景的第二测试数据进行数据分布优化，生成每个目标业务场景的目标测试数据；
根据所述目标测试数据创建每个目标业务场景的Excel测试表格，并通过所述Excel测试表格进行自动化对比测试，得到每个目标业务场景的对比测试结果；具体包括：根据所述目标测试数据，创建每个目标业务场景的Excel测试表格，所述Excel测试表格包括：各种类型交易的测试数据集以及预期的财务处理结果；通过所述Excel测试表格进行自动化对比测试，得到每个目标业务场景的自动化对比测试数据；分别对每个目标业务场景的自动化对比测试数据进行标准差计算，得到每个目标业务场景的标准差，并分别对每个目标业务场景的自动化对比测试数据进行平均绝对偏差，得到每个目标业务场景的平均绝对偏差；根据每个目标业务场景的标准差和平均绝对偏差，生成每个目标业务场景的对比测试结果；
根据所述对比测试结果分别对每个目标业务场景的目标测试数据进行依存关系识别和风险传播模拟，得到每个目标业务场景的多个风险量化评估指标；具体包括：根据所述对比测试结果，采用Granger因果检验分别对每个目标业务场景的目标测试数据进行依存关系识别，得到每个目标业务场景的依存关系信息；根据所述依存关系信息分别对每个目标业务场景的目标测试数据进行极端依存分析，得到每个目标业务场景的风险值和条件风险值；根据所述风险值和所述条件风险值分别对每个目标业务场景的目标测试数据进行风险传播模拟，得到每个目标业务场景的多个风险量化评估指标；
分别将每个目标业务场景的多个风险量化评估指标输入预置的智能账务平台管理模型进行智能账务平台管理策略决策，生成每个目标业务场景的初始账务平台管理策略；具体包括：分别对每个目标业务场景的多个风险量化评估指标进行指标向量映射，得到每个目标业务场景的风险量化评估指标向量；分别将每个目标业务场景的风险量化评估指标向量输入预置的智能账务平台管理模型，所述智能账务平台管理模型包括：多个决策树；通过所述多个决策树分别对每个目标业务场景的风险量化评估指标向量进行智能账务平台管理策略决策，得到每个决策树的第一账务平台管理策略；获取每个决策树的权重系数，并根据所述权重系数对每个决策树的第一账务平台管理策略进行加权运算，得到每个决策树的第二账务平台管理策略；对每个决策树的第二账务平台管理策略进行融合输出，生成每个目标业务场景的初始账务平台管理策略；
基于所述初始账务平台管理策略对每个目标业务场景进行问题识别分类和根因分析，得到每个目标业务场景的根因分析结果，并根据所述根因分析结果对所述初始账务平台管理策略进行测试用例和综合策略优化，得到所述目标账务平台的综合账务平台管理策略；具体包括：基于所述初始账务平台管理策略对每个目标业务场景进行问题识别分类，得到每个目标业务场景的问题识别分类结果；根据所述问题识别分类结果，对每个目标业务场景进行根因分析，得到每个目标业务场景的根因分析结果；根据所述根因分析结果对所述初始账务平台管理策略进行测试用例和综合策略优化，得到所述目标账务平台的综合账务平台管理策略。
2.一种账务平台的测试装置，其特征在于，所述账务平台的测试装置包括：
识别模块，用于对目标账务平台进行业务流程分析和业务场景识别，得到多个目标业务场景，并通过预置的改进遗传算法分别对所述多个目标业务场景进行测试用例生成，得到每个目标业务场景的目标测试用例；具体包括：对目标账务平台进行业务流程分析，得到多项业务流程信息；分别对所述多项业务流程信息进行财务数据处理逻辑分析，得到每项业务流程信息的财务数据处理逻辑；分别对每项业务流程信息的财务数据处理逻辑进行业务场景识别，得到多个目标业务场景；通过预置的改进遗传算法分别定义每个目标业务场景的适应度函数，并通过所述改进遗传算法分别对所述多个目标业务场景进行测试用例生成，得到每个目标业务场景的多个第一测试用例；通过所述适应度函数分别计算每个第一测试用例的第一适应度值，并通过所述第一适应度值对所述多个第一测试用例进行排序分析，得到测试用例序列；按照预设的多个目标比例数据，对所述测试用例序列进行测试用例群体划分，得到多个测试用例群体；对所述多个测试用例群体进行遗传、繁殖以及交叉操作，得到多个第二测试用例，并通过所述适应度函数分别计算每个第二测试用例的第二适应度值；根据所述第二适应度值对所述多个第二测试用例进行最优化求解，得到每个目标业务场景的目标测试用例；
检查模块，用于搭建所述目标账务平台的模拟环境并通过所述目标测试用例生成每个目标业务场景的初始测试数据，以及基于神经网络模型的贝叶斯正则化算法对所述初始测试数据进行完整性和一致性检查，生成每个目标业务场景的目标测试数据；具体包括：搭建所述目标账务平台的模拟环境，并基于所述模拟环境对所述目标测试用例进行测试数据生成，得到每个目标业务场景的初始测试数据；分别对每个目标业务场景的初始测试数据进行数据预处理，得到每个目标业务场景的第一测试数据；基于神经网络模型的贝叶斯正则化算法对每个目标业务场景的第一测试数据进行数据正则化，得到每个目标业务场景的第二测试数据；分别对每个目标业务场景的第二测试数据进行后验概率计算，得到每个目标业务场景的目标后验概率；基于所述目标后验概率对每个目标业务场景的第二测试数据进行数据完整性和一致性检查，得到目标检查结果；根据所述目标检查结果分别对每个目标业务场景的第二测试数据进行数据分布优化，生成每个目标业务场景的目标测试数据；
测试模块，用于根据所述目标测试数据创建每个目标业务场景的Excel测试表格，并通过所述Excel测试表格进行自动化对比测试，得到每个目标业务场景的对比测试结果；具体包括：根据所述目标测试数据，创建每个目标业务场景的Excel测试表格，所述Excel测试表格包括：各种类型交易的测试数据集以及预期的财务处理结果；通过所述Excel测试表格进行自动化对比测试，得到每个目标业务场景的自动化对比测试数据；分别对每个目标业务场景的自动化对比测试数据进行标准差计算，得到每个目标业务场景的标准差，并分别对每个目标业务场景的自动化对比测试数据进行平均绝对偏差，得到每个目标业务场景的平均绝对偏差；根据每个目标业务场景的标准差和平均绝对偏差，生成每个目标业务场景的对比测试结果；
模拟模块，用于根据所述对比测试结果分别对每个目标业务场景的目标测试数据进行依存关系识别和风险传播模拟，得到每个目标业务场景的多个风险量化评估指标；具体包括：根据所述对比测试结果，采用Granger因果检验分别对每个目标业务场景的目标测试数据进行依存关系识别，得到每个目标业务场景的依存关系信息；根据所述依存关系信息分别对每个目标业务场景的目标测试数据进行极端依存分析，得到每个目标业务场景的风险值和条件风险值；根据所述风险值和所述条件风险值分别对每个目标业务场景的目标测试数据进行风险传播模拟，得到每个目标业务场景的多个风险量化评估指标；
决策模块，用于分别将每个目标业务场景的多个风险量化评估指标输入预置的智能账务平台管理模型进行智能账务平台管理策略决策，生成每个目标业务场景的初始账务平台管理策略；具体包括：分别对每个目标业务场景的多个风险量化评估指标进行指标向量映射，得到每个目标业务场景的风险量化评估指标向量；分别将每个目标业务场景的风险量化评估指标向量输入预置的智能账务平台管理模型，所述智能账务平台管理模型包括：多个决策树；通过所述多个决策树分别对每个目标业务场景的风险量化评估指标向量进行智能账务平台管理策略决策，得到每个决策树的第一账务平台管理策略；获取每个决策树的权重系数，并根据所述权重系数对每个决策树的第一账务平台管理策略进行加权运算，得到每个决策树的第二账务平台管理策略；对每个决策树的第二账务平台管理策略进行融合输出，生成每个目标业务场景的初始账务平台管理策略；
分析模块，用于基于所述初始账务平台管理策略对每个目标业务场景进行问题识别分类和根因分析，得到每个目标业务场景的根因分析结果，并根据所述根因分析结果对所述初始账务平台管理策略进行测试用例和综合策略优化，得到所述目标账务平台的综合账务平台管理策略；具体包括：基于所述初始账务平台管理策略对每个目标业务场景进行问题识别分类，得到每个目标业务场景的问题识别分类结果；根据所述问题识别分类结果，对每个目标业务场景进行根因分析，得到每个目标业务场景的根因分析结果；根据所述根因分析结果对所述初始账务平台管理策略进行测试用例和综合策略优化，得到所述目标账务平台的综合账务平台管理策略。
3.一种账务平台的测试设备，其特征在于，所述账务平台的测试设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述账务平台的测试设备执行如权利要求1所述的账务平台的测试方法。
4.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1所述的账务平台的测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257564.7A CN117853254B (zh) | 2024-03-07 | 2024-03-07 | 账务平台的测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257564.7A CN117853254B (zh) | 2024-03-07 | 2024-03-07 | 账务平台的测试方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117853254A CN117853254A (zh) | 2024-04-09 |
| CN117853254B true CN117853254B (zh) | 2024-05-28 |
Family
ID=90530542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410257564.7A Active CN117853254B (zh) | 2024-03-07 | 2024-03-07 | 账务平台的测试方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853254B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738504A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 企业财务指标资金量预测方法和装置、设备及存储介质 |
| CN112365265A (zh) * | 2020-10-26 | 2021-02-12 | 建投数据科技（山东）有限公司 | 一种互联网金融智能风控系统 |
| CN114218110A (zh) * | 2021-12-17 | 2022-03-22 | 平安养老保险股份有限公司 | 财务数据的对账测试方法、装置、计算机设备及存储介质 |
| CN114780407A (zh) * | 2022-04-24 | 2022-07-22 | 中国工商银行股份有限公司 | 测试数据生成方法、装置、服务器、存储介质和程序产品 |
| CN117391709A (zh) * | 2023-12-13 | 2024-01-12 | 济南正浩软件科技有限公司 | 一种互联网支付管理方法 |
| CN117455681A (zh) * | 2022-07-15 | 2024-01-26 | 国网数字科技控股有限公司 | 业务风险预测方法和装置 |
| CN117573552A (zh) * | 2023-11-29 | 2024-02-20 | 中国建设银行股份有限公司 | 账务一致性测试方法、装置、设备、介质及产品 |
| CN117593142A (zh) * | 2024-01-18 | 2024-02-23 | 辰风策划(深圳)有限公司 | 财务风险评估管理方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11037240B2 (en) * | 2000-03-27 | 2021-06-15 | Nyse American Llc | Systems and methods for checking model portfolios for actively managed funds |
| US20040215551A1 (en) * | 2001-11-28 | 2004-10-28 | Eder Jeff S. | Value and risk management system for multi-enterprise organization |
-
2024
- 2024-03-07 CN CN202410257564.7A patent/CN117853254B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738504A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 企业财务指标资金量预测方法和装置、设备及存储介质 |
| CN112365265A (zh) * | 2020-10-26 | 2021-02-12 | 建投数据科技（山东）有限公司 | 一种互联网金融智能风控系统 |
| CN114218110A (zh) * | 2021-12-17 | 2022-03-22 | 平安养老保险股份有限公司 | 财务数据的对账测试方法、装置、计算机设备及存储介质 |
| CN114780407A (zh) * | 2022-04-24 | 2022-07-22 | 中国工商银行股份有限公司 | 测试数据生成方法、装置、服务器、存储介质和程序产品 |
| CN117455681A (zh) * | 2022-07-15 | 2024-01-26 | 国网数字科技控股有限公司 | 业务风险预测方法和装置 |
| CN117573552A (zh) * | 2023-11-29 | 2024-02-20 | 中国建设银行股份有限公司 | 账务一致性测试方法、装置、设备、介质及产品 |
| CN117391709A (zh) * | 2023-12-13 | 2024-01-12 | 济南正浩软件科技有限公司 | 一种互联网支付管理方法 |
| CN117593142A (zh) * | 2024-01-18 | 2024-02-23 | 辰风策划(深圳)有限公司 | 财务风险评估管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117853254A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2005515522A (ja) | データウェアハウスのデータの保全性を検証し、ウェハハウジングされたデータを複数の事前定義の分析モデルに適用する方法およびシステム。 | |
| CN111539585A (zh) | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 | |
| CN117853238A (zh) | 基于多数据源融合的电力交易辅助决策系统 | |
| CN113256324A (zh) | 数据资产定价方法、装置、计算机设备和存储介质 | |
| US8386354B2 (en) | Deterministic pricing management of a portfolio of one or more applications | |
| CN116911994B (zh) | 对外贸易风险预警系统 | |
| CN116645014A (zh) | 一种基于人工智能的供应商供应数据模型构建方法 | |
| CN117853254B (zh) | 账务平台的测试方法、装置、设备及存储介质 | |
| CN112116197A (zh) | 一种基于供应商评价体系的不良行为预警方法及系统 | |
| KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
| CN113592292A (zh) | 一种电网一次设备技改大修项目准入评价方法 | |
| CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
| Balsera et al. | Data Mining Applied to the Improvement of Project Management | |
| CN118505409B (zh) | 一种用于科研项目的支出自动归集系统 | |
| KR102334923B1 (ko) | 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법 | |
| CN118469405B (zh) | 家居供应链数据的处理方法、装置、设备及存储介质 | |
| Gusmão et al. | A Customer Journey Mapping Approach to Improve CPFL Energia Fraud Detection Predictive Models | |
| Szenes et al. | Modelling Corporate Probability of Default: A Possible Supervisory Benchmark Model | |
| KR102499183B1 (ko) | 인공지능을 이용한 기업대출 사기/사기의심 상시감사지원시스템 | |
| CN117807545B (zh) | 一种基于数据挖掘的异常检测方法及系统 | |
| CN116993480A (zh) | 风险等级模型的创建及风险等级评定方法和系统 | |
| CN118798735A (zh) | 一种政策模拟评估方法、装置、设备及介质 | |
| Jeskanen | Sensitivity of loss given default in multi-stage modelling | |
| CN118261631A (zh) | 基于智能算法驱动的贸易成本效益分析方法及系统 | |
| CN118333647A (zh) | 一种基于数据挖掘的供应商信用评价和风险预警的系统及方法 |
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 |