CN118194174A - 联机系统的测试方法、装置、设备、介质及程序产品 - Google Patents

联机系统的测试方法、装置、设备、介质及程序产品 Download PDF

Info

Publication number
CN118194174A
CN118194174A CN202410331354.8A CN202410331354A CN118194174A CN 118194174 A CN118194174 A CN 118194174A CN 202410331354 A CN202410331354 A CN 202410331354A CN 118194174 A CN118194174 A CN 118194174A
Authority
CN
China
Prior art keywords
message
service
service message
layer
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410331354.8A
Other languages
English (en)
Inventor
王毅蒙
刘铁
魏俊红
沈志嵘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Unionpay Co Ltd
Original Assignee
China Unionpay Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Unionpay Co Ltd filed Critical China Unionpay Co Ltd
Priority to CN202410331354.8A priority Critical patent/CN118194174A/zh
Publication of CN118194174A publication Critical patent/CN118194174A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开了一种联机系统的测试方法、装置、设备、介质及程序产品，属于数据处理领域。该方法包括：基于获取的业务报文的业务报文特征，构建多层报文节点网络，多层报文节点网络包括报文节点和报文节点之间的连接边；根据多层报文节点网络，利用图嵌入技术和神经网络模型，得到业务报文的类别；根据业务报文、业务报文的类别和预先训练的业务报文族划分模型，得到至少一个目标业务报文族，业务报文族划分模型基于生产环境中已知的业务报文族训练得到，业务报文族为实现业务功能所需类别的业务报文的集合；按照设定的测试策略，向测试应用发送目标业务报文族中的业务报文。根据本申请实施例能够减少联机系统测试的开发工作量。

Description

联机系统的测试方法、装置、设备、介质及程序产品
技术领域
本申请属于数据处理领域，尤其涉及一种联机系统的测试方法、装置、设备、介质及程序产品。
背景技术
联机系统执行的业务具有实时性，使得联机系统具有连续无间断工作以及每秒事务处理量(Transaction Per Second，TPS)存在阶段性波动的特征。随着业务需求的提升，联机系统需要进行对应的更新升级，为了降低联机系统更新升级的风险，确保更新升级后的联机系统的可用性，可在联机交易系统正式投入使用之前，将至少部分业务报文引流至测试环境，以利用业务报文在测试环境的执行结果和业务报文在生产环境中的执行结果进行对比验证，完成测试。
但业务报文在测试环境中的配对、编排等处理过程需要通过人工总结的方式以硬编码预置在处理装置中，一旦需要新增业务类别或新增外部交互接口，需要人工进行配套的开发以及配置工作，增加了联机系统的测试工作的工作量，也降低了联机系统的测试工作效率。
发明内容
本申请实施例提供一种联机系统的测试方法、装置、设备、介质及程序产品，能够减少联机系统测试的开发工作量。
第一方面，本申请实施例提供一种联机系统的测试方法，包括：基于获取的业务报文的业务报文特征，构建多层报文节点网络，多层报文节点网络包括报文节点和报文节点之间的连接边；根据多层报文节点网络，利用图嵌入技术和神经网络模型，得到业务报文的类别；根据业务报文、业务报文的类别和预先训练的业务报文族划分模型，得到至少一个目标业务报文族，业务报文族划分模型基于生产环境中已知的业务报文族训练得到，业务报文族为实现业务功能所需类别的业务报文的集合；按照设定的测试策略，向测试应用发送目标业务报文族中的业务报文，以使测试应用对目标业务报文族中的业务报文进行处理。
第二方面，本申请实施例提供一种联机系统的测试装置，包括：网络构建模块，用于基于获取的业务报文的业务报文特征，构建多层报文节点网络，多层报文节点网络包括报文节点和报文节点之间的连接边；类别确定模块，用于根据多层报文节点网络，利用图嵌入技术和神经网络模型，得到业务报文的类别；报文族划分模块，用于根据业务报文、业务报文的类别和预先训练的业务报文族划分模型，得到至少一个目标业务报文族，业务报文族划分模型基于生产环境中已知的业务报文族训练得到，业务报文族为实现业务功能所需类别的业务报文的集合；发送模块，用于按照设定的测试策略，向测试应用发送目标业务报文族中的业务报文，以使测试应用对目标业务报文族中的业务报文进行处理。
第三方面，本申请实施例提供一种电子设备，包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面的联机系统的测试方法。
第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面的联机系统的测试方法。
第五方面，本申请实施例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第一方面的联机系统的测试方法。
本申请实施例提供一种联机系统的测试方法、装置、设备、介质及程序产品，可基于业务报文的业务报文特征，构建多层报文节点网络，多层报文节点网络能够体现业务报文之间基于业务报文特征的关联关系，根据多层报文节点网络，利用图嵌入技术和神经网络模型，可得到业务报文的类别。利用业务报文族划分模型可将业务报文划分得到至少一个目标业务报文族，按照设定的测试策略将目标业务报文族中的业务报文向测试应用发送，以使测试应用处理目标业务报文族中的业务报文，从而实现测试。业务报文族划分模型是可自动学习业务报文的类别与业务报文族之间关系的模型，即使在新增报文类别或新增外部交互接口从而出现新类别的业务报文的情况下，业务报文族划分模型也可学习到新的类别的业务报文与业务报文族之间的关联关系，从而自动将新的类别的业务报文划分为对应的目标业务报文族，该过程不需人工针对新增的报文类别或新增的外部交互接口进行配套的开发以及配置工作，减少了联机系统测试的开发工作量，也提高了联机系统的测试工作效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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为本申请一实施例提供的联机系统的测试方法的流程图；
图2为本申请另一实施例提供的联机系统的测试方法的流程图；
图3为本申请实施例提供的生成特征知识图谱的一示例的逻辑示意图；
图4为本申请实施例提供的构建多层报文节点网络的一示例的逻辑示意图；
图5为本申请实施例提供的得到业务报文的类别的一示例的逻辑示意图；
图6为本申请又一实施例提供的联机系统的测试方法的流程图；
图7为本申请实施例中对业务报文划分模型进行训练的一示例的示意图；
图8为本申请实施例提供的联机系统的测试方法的应用系统架构的一示例的示意图；
图9为本申请一实施例提供的联机系统的测试装置的结构示意图；
图10为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。需要说明的是，本申请实施例中对信息、数据的获取、存储、使用、处理等均得到用户或相关机构的授权，符合国家法律法规的相关规定。
联机系统执行的业务具有实时性，使得联机系统具有连续无间断工作以及每秒事务处理量(Transaction Per Second，TPS)存在阶段性波动的特征。随着业务需求的提升，联机系统需要进行对应的更新升级，为了降低联机系统更新升级的风险，确保更新升级后的联机系统的可用性，可在联机交易系统正式投入使用之前，将至少部分业务报文引流至测试环境，以利用业务报文在测试环境的执行结果和业务报文在生产环境中的执行结果进行对比验证，完成测试。但业务报文在测试环境中的配对、编排等处理过程需要通过人工总结的方式以硬编码预置在处理装置中，一旦需要新增业务或新增外部交互接口，需要人工进行配套的开发以及配置工作，增加了联机系统测试的开发工作量，也降低了联机系统的测试工作效率。
本申请提供的联机系统的测试方法、装置、设备、介质及程序产品，能够利用分流得到的业务报文，得到业务报文的业务报文特征，根据业务报文特征，得到业务报文的类别。业务报文族划分模型可自动学习业务报文与实现业务功能的报文族之间的关联关系，完成业务报文族划分模型的训练，利用训练后的业务报文族划分模型可根据实时分流至测试环境中的业务报文以及业务报文的类别，将实时分流至测试环境中的业务报文划分为业务报文族，再按照测试策略将业务报文族中的业务报文向测试应用发送，以实现测试。在新增报文类别或新增外部交互接口而出现新类别的业务报文的情况下，业务报文族划分模型可自动学习新增报文类别或新增外部交互接口而出现的新类别的业务报文与业务组之间的关系，不需人工进行配套的开发以及配置工作，从而降低了联机系统测试的开发工作量，也提高了联机系统的测试工作效率和测试准确性。
下面对本申请提供的联机系统的测试方法、装置、设备、介质及程序产品分别进行说明。
本申请第一方面提供一种联机系统的测试方法，可应用于对联机系统更新升级的测试场景，该测试场景具体可为并行测试场景。联机系统可包括某个或某些业务领域中执行业务的系统，例如，联机系统可执行交易业务，即，联机系统可实现为联机交易业务系统，但可不限于此。在本申请实施例中，联机系统中的“联机”侧重于在线(即online)的含义，即，联机系统可视为在线系统，可连续无间断地进行工作，实现业务功能。该联机系统的测试方法可由联机系统的测试装置、设备、系统等执行，在此并不限定。图1为本申请一实施例提供的联机系统的测试方法的流程图，如图1所示，该联机系统的测试方法可包括步骤S101至步骤S104。
在步骤S101中，基于获取的业务报文的业务报文特征，构建多层报文节点网络。
获取的业务报文可包括利用分流前置从与联机系统具有通信交互的联机应用获取的业务报文。业务报文的具体内容与业务相关，在此并不限定业务的类型，例如，若业务为交易业务，则业务报文可包括交易报文。
可对业务报文进行解析，得到业务报文特征。业务报文可包括文本、二进制等编码方式和不同存储结构，在此并不限定。对于各类业务报文都可识别出对应的业务报文特征。业务报文特征可包括报文特征和/或业务特征。报文特征体现的是业务报文侧重于报文的特点，在一些示例中，报文特征可包括但不限于报文格式、业务编码、业务报文渠道、业务报文领域、业务报文使用地区、业务介质、业务凭证信息等信息中的一项或两项以上。业务编码可包括业务报文中包括的表征业务类型的编码。业务报文渠道表征业务报文的来源渠道。业务报文领域表征业务报文的使用领域。业务介质表征承载业务的介质。业务凭证信息包括执行业务所需的凭证的相关信息。例如，若业务报文为交易报文，则报文特征可包括但不限于交易报文格式、交易编码、交易渠道、交易商户终端领域、交易地区、交易介质、交易卡信息等。报文格式可包括通信协议、国际标准化组织(International Organization forStandardization，ISO)协议、报文接口规范、业务方协议等分类。交易编码可包括借记、商品和服务、现金、支票、信用证、直接转账等分类。交易渠道可按照自动取款机(AutomatedTeller Machine，ATM)、销售终端(Point Of Sale，POS)、互联网、移动支付等分类。交易商户终端领域可按照政府服务、公共事业、铁路航空、加油站、旅行租赁、超市等分类。交易地区可按照一地区交易卡在另一地区使用、具体交易地区等分类。交易介质可按照磁卡、芯片卡、无卡、条形码等分类。交易卡信息可按照卡产品、卡属性等分类。业务特征体现的是业务报文更侧重于业务的特点，在一些示例中，业务特征可包括但不限于业务数量、业务分类、业务成功率、每秒查询数(Queries Per Second，QPS)/每秒业务数(Transactions PerSecond，TPS)、业务分布、业务场景覆盖类别等。业务分布可表征业务在一些分类上的分布。业务场景覆盖类别可表征业务能够覆盖的场景的类别。例如，若业务报文为交易报文，则业务特征可包括但不限于交易数量、交易分类、交易成功率、QPS)/TPS、交易分布、交易场景覆盖类别等。交易分类可按照通信协议、外部系统、交易类型等分类。交易分布可按照正向交易的分布、反向交易的分布、内部管理交易的分布等分类。交易场景覆盖类别可按照普通交易、交易优惠、风险评估、交易限额、资源方条形码、区域联盟等分类。
可根据业务报文特征，建立起业务报文与业务报文特征之间的关系，再根据业务报文与业务报文特征之间的关联关系，构建业务报文之间的关联关系。多层报文节点网络可表征业务报文之间的关联关系。多层报文节点网络包括报文节点和报文节点之间的连接边，报文节点表征业务报文，报文节点之间的连接边表征报文节点之间具有关联关系。多层报文节点网络为多层结构，每一层结构可与一种特征对应，每一层对应的特征可以为单独特征，也可为复合特征，在此并不限定。每一层结构包括报文节点和报文节点之间的连接边，不同层结构中表征相同业务报文的报文节点之间具有连接边，不同层结构中表征不同业务表文的报文节点之间不具有连接边。
在步骤S102中，根据多层报文节点网络，利用图嵌入技术和神经网络模型，得到业务报文的类别。
多层报文节点网络能够体现报文节点之间的关联关系。可利用图嵌入技术，在多层报文节点网络中进行游走，根据游走路径得到报文节点的节点向量，该节点向量能够体现业务报文特征。利用预先训练的神经网络模型对节点向量进行处理，实现对节点向量的分类，即，得到业务报文的类别。
在一些示例中，若采用镜像分流的方式将业务报文分流至测试环境，即，生成环境中具有与分流至测试环境相同的业务报文，则可在生产环境中进行多层报文节点网络的构建以及得到业务报文的类别的步骤，在测试环境需要对业务报文进行进一步处理的时候，可直接获取生产环境中已经得到的业务报文的类别，并利用业务报文的类别对业务报文进行进一步处理。
在另一些示例中，若采用比例分流的方式将业务报文分流至测试环境，即，生成环境中不具有与分流至测试环境相同的业务报文，则可在测试环境中进行多层报文节点网络的构建以及得到业务报文的类别的步骤，并利用业务报文的类别对业务报文进行进一步处理。
在步骤S103中，根据业务报文、业务报文的类别和预先训练的业务报文族划分模型，得到至少一个目标业务报文族。
业务报文族划分模型基于生产环境中已知的业务报文族训练得到。业务报文族包括至少一条业务报文。业务报文族为实现业务功能所需类别的业务报文的集合，即，业务报文族中的业务报文可共同支持业务功能的实现。例如，若业务功能为已进行交易后的交易撤销，则业务报文族可包括申请进行交易的报文和申请撤销交易的报文。业务报文族划分模型可将业务报文划分为对应的业务报文族，目标业务报文族为业务报文族划分模型输出的业务报文族。业务报文族划分模型的训练过程就是自动学习业务报文的类别与业务报文族之间关联关系的过程，业务报文组划分模型的训练可不断进行，在新增报文类别或新增外部交互接口从而出现新类别的业务报文的情况下，业务报文族划分模型也可学习到新的类别的业务报文与业务报文族之间的关联关系，从而自动将新的类别的业务报文划分为对应的业务报文族。
在步骤S104中，按照设定的测试策略，向测试应用发送目标业务报文族中的业务报文，以使测试应用对目标业务报文族中的业务报文进行处理。
设定的测试策略可根据具体的测试需求设定。目标业务报文族包括至少一个业务报文。可根据设定的测试策略，决定向测试应用发送的业务报文的顺序、时间等发送条件，从而模拟测试场景，使测试应用对接收到的业务报文进行处理可模拟测试场景下对业务报文的处理，实现更多的测试场景，实现测试场景的拓展。
在本申请实施例中，可基于业务报文的业务报文特征，构建多层报文节点网络，多层报文节点网络能够体现业务报文之间基于业务报文特征的关联关系，根据多层报文节点网络，利用图嵌入技术和神经网络模型，可得到业务报文的类别。利用业务报文族划分模型可将业务报文划分得到至少一个目标业务报文族，按照设定的测试策略将目标业务报文族中的业务报文向测试应用发送，以使测试应用处理目标业务报文族中的业务报文，从而实现测试。业务报文族划分模型是可自动学习业务报文的类别与业务报文族之间关系的模型，即使在新增报文类别或新增外部交互接口从而出现新类别的业务报文的情况下，业务报文族划分模型也可学习到新的类别的业务报文与业务报文族之间的关联关系，从而自动将新的类别的业务报文划分为对应的目标业务报文族，该过程不需人工针对新增的报文类别或新增的外部交互接口进行配套的开发以及配置工作，减少了联机系统测试的开发工作量，也提高了联机系统的测试工作效率和测试准确性。
在一些实施例中，可先生成能够表征业务报文与业务报文特征之间联系关系的网络，再基于此得到表征业务报文之间的关联关系的多层报文节点网络，对多层报文节点网络使用图嵌入技术中的游走路径技术和连续跳字模型得到报文节点的节点向量，并利用节点向量对报文节点表征的业务报文分类，图2为本申请另一实施例提供的联机系统的测试方法的流程图，图2与图1的不同之处在于，图1中的步骤S101可具体细化为图2中的步骤S1011至步骤S1013，图1中的步骤S102可具体细化为图2中的步骤S1021至步骤S1023。
在步骤S1011中，将业务报文的多个维度的业务报文特征进行降维处理，得到业务核心特征。
由于业务报文特征的属性繁杂，用于识别不同的业务功能所需的业务报文特征中的有效特征存在差异，可通过特征工程方式将业务报文的多个维度的业务报文特征进行降维处理，筛选得到业务核心特征。业务核心特征包括识别不同业务功能所需的有效特征。业务核心特征可包括单独特征，也可包括复合特征，单独特征可体现一种业务报文特征，复合特征可同时体现多种业务报文特征。通过业务核心特征的筛选，可进一步提高构建多层报文节点网络的效率，避免无效特征对表征业务报文之间的关联关系的影响。
在步骤S1012中，根据业务核心特征以及业务报文的业务核心特征的取值，生成多层业务报文特征网络。
不同业务报文的同一种业务核心特征的取值可能不同。每一种业务核心特征可对应多层业务报文特征网络中的一层结构。多层业务报文特征网络中每一层包括与业务核心特征对应的报文节点和特征取值节点。报文节点表征业务报文。特征取值节点表征业务核心特征及业务核心特征的取值。在多层业务报文特征网络中，业务核心特征具有特征取值节点表征的取值的报文节点与对应的特征取值节点连接，即，可针对每一种业务核心特征，将报文节点与该报文节点表征的业务报文的业务核心特征的取值对应的特征取值节点连接，从而形成多层业务报文特征网络每层的结构，进而形成多层业务报文特征网络。业务报文特征网络可体现业务报文与业务核心特征之间的关联关系。
在步骤S1013中，根据多层业务报文特征网络，得到多层报文节点网络。
多层报文节点网络中每一层结构包括与该层的业务核心特征对应的报文节点，每一层结构中连接的报文节点为多层业务报文特征网络中与相同特征取值节点连接的报文节点。在一些示例中，可连接多层业务报文特征网络中同层中连接相同特征取值节点的报文节点，并删除特征取值节点；连接多层业务报文特征网络中不同层中相同的报文节点，得到多层报文节点网络。不同层中相同的报文节点表征相同的业务报文。
在一些示例中，也可先根据业务核心特征以及业务报文的业务核心特征的取值，生成特征知识图谱，特征知识图谱为单层结构；再根据特征知识图谱，生成多层业务报文特征网络。将知识图谱技术应用于业务识别的场景中，以业务核心特征为属性，构建特征知识图谱，通过相同业务类型拥有相似的特征的规律，将同类型的业务报文通过不同的特征关联起来。具有相似的业务核心特征的交易报文可通过<报文节点-特征取值节点-报文节点>的元路径产生关联。根据特征知识图谱和多层业务报文特征网络，根据业务报文在相同特征维度基于相同的特征取值节点即相同的业务核心特征的相同取值产生的关联关系，抽取得到业务报文在不同特征维度上的直接关联关系，得到多层报文节点网络。
例如，图3为本申请实施例提供的生成特征知识图谱的一示例的逻辑示意图，如图3所示，可先对业务报文特征1、业务报文特征2、业务报文特征3、业务特征报文4、业务报文特征5、……、业务报文特征x进行降维处理，得到业务核心特征1、业务核心特征2和业务核心特征3，根据业务报文的业务核心特征的取值，生成了图3所示的特征知识图谱；图3中的特征知识图谱包括报文节点和特征取值节点，报文节点包括交易报文1至交易报文10，特征取值节点包括业务核心特征1:值1、业务核心特征1:值2、业务核心特征2:值1、业务核心特征2:值2、业务核心特征2:值3、业务核心特征3:值1和业务核心特征3:值2；特征知识图谱中报文节点与特征取值节点之间的连接关系如图3所示，如，交易报文2的业务核心特征2的取值为值1，交易报文2的业务核心特征3的取值为值1，在此不一一赘述图3中报文节点与特征取值节点之间的关系。图4为本申请实施例提供的构建多层报文节点网络的一示例的逻辑示意图，为了简化文字，这里将报文节点中的交易报文简化为报文，将每层中的特征取值节点中的业务核心特征简化为特征1、特征2、特征3等，将取值简化为值1、值2、值3等，如图4所示，可根据特征知识图谱，按照业务核心特征进行分层，第一层与业务核心特征1(即图4中特征1)对应，第二层与业务核心特征2(即图4中特征2)对应，第三层与业务核心特征3(即图4中特征3)对应，得到多层业务报文特征网络，多层业务报文特征网络中报文节点与特征取值节点的连接关系与特征知识图谱一致；将多层业务报文特征网络中同层中连接同一特征取值节点的报文节点连接，并删除特征取值节点，连接不同层中的同一报文节点，形成多层报文节点网络，其中，同层的报文节点的连接线采用实线，不同层中报文节点的连接线为虚线。
在一些示例中，多层报文节点网络中连接的两个报文节点之间的连接边具有权重，该权重可基于与两个报文节点各自连接的报文节点得到。多层报文节点网络同层连接的两个报文节点之间的连接边可表示在业务核心特征下这两个报文节点之间的直接关联关系，同层的报文节点的连接边的权重则可表征该业务核心特征下这两个报文节点之间的相似度；不同层间的报文节点的连接边表示同一报文节点在不同业务核心特征的关联关系，不同层间的报文节点的连接边的权重表征同一报文节点在不同业务核心特征间的相似度。
例如，多层报文节点网络中同层间的报文节点之间的连接边的权重可通过Jaccard方法计算得到，可参见下式(1)：
其中，Wi,j为报文节点Vi和报文节点Vj的连接边的权重；N(i)为与报文节点Vi直接连接的报文节点的集合；N(j)为与报文节点Vj直接连接的报文节点的集合；∩为求交集符号；∪为求并集符号。
多层报文节点网络中不同层间的报文节点之间的连接边的权重计算可参见下式(2)和(3)：
其中，为第m层的报文节点Vi m与第n层的报文节点Vj n之间的连接边的权重；Ni (m)为第m层中与报文节点Vi m直接连接的报文节点的集合；Nj (n)为第n层中与报文节点Vj n直接连接的报文节点的集合；∩为求交集符号；∪为求并集符号。在i≠j的情况下，为0表示报文节点Vi m与报文节点Vj n之间没有连接边。
在步骤S1021中，分别以多层报文节点网络中的报文节点为起始，获取每个报文节点的概率最大的游走路径。
可在多层报文节点网络中以其中任意一个报文节点为起始，获取以该报文节点为起始的游走路径，可预先设定游走路径的长度，例如，以报文节点v0为起始，长度为i的游走路径可表示为walkv＝(v0，v1，v2，...，vi)，要求游走路径的概率Pr(v0，v1，v2，...，vi-1∣vi)为最大值，具体可通过优化目标函数来得到概率最大的游走路径，从而实现节点的图嵌入。多层报文节点网络中不同层之间只连接相同的报文节点，确保层间的节点游走只在同一报文节点之间，从而避免将不同业务核心特征的业务报文的关联关系混淆在一起，进一步提高多层报文节点网络体现的节点报文之间的关联关系的准确性。
图嵌入技术能够将多层报文节点网络的高维稠密结构映射为低维稠密向量，使得多层报文节点网络表征的业务报文在业务报文特征上的关联关系能够高效地与机器学习算法相结合。在一些示例中，可采用Node2Vec算法为报文节点生成游走路径，游走路径也可称为游走队列路径列表。
在步骤S1022中，根据每个报文节点的概率最大的游走路径和连续跳字模型，得到每个报文节点对应的节点向量。
可利用报文节点的概率最大的游走路径对连续跳字模型进行训练，从而得到报文节点的节点向量，节点向量为体现业务报文的业务报文特征的向量。
在步骤S1023中，将报文节点对应的节点向量输入神经网络模型，得到报文节点表征的业务报文的类别。
可将报文节点对应的节点向量作为神经网络模型的输入，从而得到神经网络输出的报文节点表征的业务报文的类别。神经网络模型可通过有监督学习训练得到。
例如，图5为本申请实施例提供的得到业务报文的类别的一示例的逻辑示意图，如图5所示，可先采用Node2Vec算法为报文节点生成游走路径，可将游走路径作为报文节点的表示，并将游走路径视为一个目标词w(t)，通过连续跳字模型(即Skip-Gram模型)可预测目标词的上下文词汇w(t-2)、w(t-1)、w(t+1)和w(t+2)，通过Skip-Gram模型的上下文词汇预测，可获取Skip-Gram模型的输入和输出的映射关系的权重矩阵，该权重矩阵可代表每个报文节点的向量，即，通过权重矩阵可得到节点向量；将节点向量输入神经网络模型，以使神经网络模型基于节点向量对业务报文进行分类，输出业务报文的类别。业务报文的类别在一定程度上能够体现业务报文之间的关系，例如，业务报文的类别可包括原始业务类型和后续业务类型，则后续业务类型可与原始业务类型共同实现某种业务功能。
利用特征知识图谱得到的多层报文节点网络能够理解不同的业务报文之间复杂的挂念关系，支持无主键、单主键或多主键的关联方式，结合图嵌入技术和神经网络模型这类深度学习算法进行交易报文的类别识别，有效提高交易报文的类别识别的准确率。
在一些实施例中，基于业务报文及业务报文的类别，得到业务报文的类别对应的类别向量，从而根据类别向量将业务报文划分为至少一个目标业务报文族。图6为本申请又一实施例提供的联机系统的测试方法的流程图，图6与图1的不同之处在于，图1中的步骤S103可具体细化为图5中的步骤S1031和步骤S1032。
在步骤S1031中，基于业务报文和业务报文的类别，确定业务报文的类别对应的类别向量。
在一些示例中，可通过类别向量学习模型对业务报文和业务报文的类别进行处理，得到业务报文的类别对应的类别向量。类别向量学习模型可预先基于已知的业务报文族训练得到，通过类别向量学习模型对业务报文族的学习，可获得业务报文的类别的类别向量。在另一些示例中，可通过在类别向量学习模型预先基于已知的业务报文族学习得到的业务报文的类别对应的类别向量中查找与当前给出的业务报文的类别对应的类别向量。在又一些示例中，业务报文族划分模型自身也具有生成向量的功能，可通过业务报文族划分模型内部对业务报文和业务报文的类别的处理，得到业务报文的类别对应的类别向量。
在步骤S1032中，通过业务报文族划分模型根据业务报文对应的类别向量，将业务报文划分为包括具有排序的业务报文的目标业务报文族。
业务报文的类别对应的类别向量输入业务报文族划分模型，有业务报文族划分模型对业务报文的类别对应的类别向量进行处理，从而将业务报文划分至对应的目标业务报文族。不同的业务报文可能划分至同一目标业务报文族，也可能划分至不同的目标业务报文族。业务报文族划分模型不仅能够将业务报文划分至对应的目标业务报文族，还可保证目标业务报文族中的业务报文按业务顺序排列，以便可按照测试策略向测试应用发送业务报文，模拟各种测试场景。在一些示例中，业务报文族划分模型可包括但不限于transformer模型。
在使用业务报文族划分模型对业务报文进行目标业务报文族的划分之前，可先对业务报文族划分模型进行训练。具体地，可将生产环境中已知的业务报文族输入类别向量学习模型，根据已知的业务报文族中业务报文、业务报文的类别和类别向量学习模型中的权重矩阵，得到业务报文的类别对应的类别向量；利用已知的业务报文族中业务报文的类别对应的类别向量对业务报文族划分模型进行训练，直至训练结果满足预设训练要求。在一些示例中，类别向量学习模型可包括但不限于word2vec模型。类别向量可表征业务报文的类别与业务报文族的关系。
通过类别向量学习模型可计算得到输入层与输出层之间的权重矩阵，该权重矩阵可表示类别向量学习模型中的输入节点到隐藏层节点间的权重；根据权重矩阵可计算得到隐藏层节点的向量，根据该隐藏层节点的向量可得到业务报文的类别向量。例如，输入类别向量学习模型的已知的业务报文族为W，业务报文族的容量大小为V，输入类别向量学习模型的隐藏层大小为N，则业务报文的类别向量可根据下式(4)至(6)得到：
其中，M为类别向量学习模型的权重矩阵，该矩阵的每一行代表一个与输入层相关业务的N维向量，记为VM；Mvn为类别向量学习模型的第v个输入节点到第n个隐藏层节点间的权重；hi为类别向量学习模型的第i个隐藏层节点；h为类别向量学习模型的隐藏层的向量，即业务报文的类别向量；X为输入层节点的向量矩阵；xi为输入层的向量表示。
利用类别向量对业务报文族划分模型进行训练，可通过最大化似然函数来确定是否停止训练，得到训练号的业务报文族划分模型。预设训练要求可包括但不限于最大化似然函数达到最大值。最大化似然函数可参见下式(7)：
其中，L(D)为最大化似然函数；c为常量；mi为类别向量。
通过业务报文族划分模型可根据学习到的业务报文的类别与业务报文族之间的关系，可将业务报文划分到对应的业务报文族中。即使新增报文类别或新增外部交互接口从而出现新类别的业务报文，业务报文族划分模型也可自动进行学习，并将新类别的业务报文准确地划分至对应的业务报文族中，实现业务报文的配对编排。
例如，图7为本申请实施例中对业务报文划分模型进行训练的一示例的示意图，如图7所示，将已知的业务报文族输入word2vec模型，可得到业务报文的类别的类别向量，将类别向量输入transformer模型进行训练，使得训练后的transformer模型能够输出目标业务报文族，具体内容可参见上述实施例中的相关说明，在此不再赘述。
在本申请实施例中，利用词向量技术和transformer模型等深度学习算法进行业务报文的组合和顺序的预测，将收到的业务报文处理为有时序关联的目标业务报文族，以便实现测试场景下目标业务报文族中的发送控制及业务重放等。在新增报文类别或新增外部交互接口的情况下，可将业务报文自动划分为目标业务报文族，提高测试效率，且通过对新增报文类别与业务报文族之间关系的自动学习，也可避免人工出现的疏漏，提高测试的准确性。
在一些实施例中，在得到目标业务报文族后，可通过设定的测试策略模拟测试场景进行测试。可按照设定的测试策略指示的业务报文发送条件，将目标业务报文族中业务报文按照预定顺序向测试应用发送。通过测试策略的设定，可模拟、识别多种业务场景，如，可模拟但不限于业务报文延迟发送场景、后续业务报文和原始业务报文的时序控制场景、业务报文超时场景、无关联关系的业务报文的并发发起场景、业务报文类别匹配应答场景、带条件的后续业务报文发起场景、业务报文TPS控制场景、离线业务报文重放场景等。业务报文发送条件可包括业务报文发送时间、业务报文发送顺序等，与业务报文发送相关的条件都在本申请实施例的保护范围内。例如，可延迟目标业务报文族中至少一条业务报文的发送时间，从而模拟业务报文延迟发送场景；可先发送目标业务报文族中的后续业务报文，后发送目标业务报文族中的原始业务报文，从而模拟后续业务报文和原始业务报文的时序颠倒的场景；可控制目标业务报文族中每条业务报文的发送时间，调整业务报文的TPS，从而模拟业务报文TPS控制场景，在此不一一举例说明。
在一些示例中，可获取测试应用对目标业务报文族进行处理得到的第一处理结果和通过生产环境对目标业务报文族记性处理得到的第二处理结果；比对第一处理结果和第二处理结果，得到测试结果。测试应用可时实现更新升级的联机系统的功能，生产环境可为还未更新升级但在正常投入使用的联系系统。可通过第一处理结果和第二处理结果的对比，判断更新升级的联机系统是否能够准确完成生产环境完成的业务。若第一处理结果与第二处理结果相同，表示更新升级的联机系统能够准确完成生产环境完成的业务，更新升级的联机系统的可靠性较高；若第一处理结果与第二处理结果不同，表示更新升级的联机系统不能准确完成生产环境完成的业务，更新升级的联机系统的可靠性欠佳，需要进一步调整。
本申请实施例提供的联机系统的测试方法可通过模型训练功能模块、特征工程功能模块、报文计算功能模块和报文处理功能模块等几个部分实现。为了便于理解，下面以一示例说明本申请实施例中联机系统的测试方法的应用系统架构，图8为本申请实施例提供的联机系统的测试方法的应用系统架构的一示例的示意图，如图8所示，该应用系统架构可包括模型训练功能模块21、特征工程功能模块22、报文计算功能模块23和报文处理功能模块24。
训练功能模块21和特征工程功能模块22可布设于生产区，生产区包括生产环境。报文计算功能模块23和报文处理功能模块24可布设于测试区，测试区包括测试环境。联机应用31可产生业务报文，业务报文可以数据流量的形式通过分流前置32流向特征工程功能模块22，业务报文经模型训练功能模块21和特征工程功能模块22处理。模型训练功能模块可针对业务报文构建业务报文之间的关联关系，业务报文之间的关联关系可通过多层报文节点网络表示。特征工程功能模块22可抽取业务报文的特征，如，可得到业务报文对应的报文节点的节点向量以及得到业务报文的类别。特征工程功能模块22抽取的业务报文的特征可形成特征库33。联机应用31产生得到的业务报文可以数据流量的形式通过分流前置34流向测试区中的报文处理功能模块24，业务报文经报文计算功能模块23和报文处理功能模块24处理。报文计算功能模块23可根据特征库33中的数据，将业务报文划分为目标业务报文族。报文处理功能模块24可实现报文装载、报文编排、报文收发、结果比对等功能，这里的报文编排具体可知按照设定的测试策略，决定目标业务报文族中业务报文的发送时间、发送顺序等，以模拟测试场景。报文处理功能模块24通过报文收发功能向测试应用35发送业务报文，也可从测试应用35接收回应消息。报文处理功能模块24通过结果比对功能可比对生产区中对业务报文的处理结果和测试应用35对业务报文的处理结果，从而协助判断测试应用对应的更新升级的联机系统是否适合投入使用。设置于生产区的生产数据库36可存储生产区中对业务报文的处理结果。设置于测试区的测试数据库37可存储测试应用35对业务报文的处理结果。设置于测试区的比对数据库38可存储生产区中对业务报文的处理结果与测试应用对业务报文的处理结果的比对结果。
本申请第二方面提供一种联机系统的测试装置。图9为本申请一实施例提供的联机系统的测试装置的结构示意图，如图9所示，该联机系统的测试装置400可包括网络构建模块401、类别确定模块402、报文族划分模块403和发送模块404。
网络构建模块401可用于基于获取的业务报文的业务报文特征，构建多层报文节点网络，多层报文节点网络包括报文节点和报文节点之间的连接边。
类别确定模块402可用于根据多层报文节点网络，利用图嵌入技术和神经网络模型，得到业务报文的类别。
报文族划分模块403可用于根据业务报文、业务报文的类别和预先训练的业务报文族划分模型，得到至少一个目标业务报文族，业务报文族划分模型基于生产环境中已知的业务报文族训练得到，业务报文族为实现业务功能所需类别的业务报文的集合。
发送模块404可用于按照设定的测试策略，向测试应用发送目标业务报文族中的业务报文，以使测试应用对目标业务报文族中的业务报文进行处理。
在本申请实施例中，可基于业务报文的业务报文特征，构建多层报文节点网络，多层报文节点网络能够体现业务报文之间基于业务报文特征的关联关系，根据多层报文节点网络，利用图嵌入技术和神经网络模型，可得到业务报文的类别。利用业务报文族划分模型可将业务报文划分得到至少一个目标业务报文族，按照设定的测试策略将目标业务报文族中的业务报文向测试应用发送，以使测试应用处理目标业务报文族中的业务报文，从而实现测试。业务报文族划分模型是可自动学习业务报文的类别与业务报文族之间关系的模型，即使在新增报文类别或新增外部交互接口从而出现新类别的业务报文的情况下，业务报文族划分模型也可学习到新的类别的业务报文与业务报文族之间的关联关系，从而自动将新的类别的业务报文划分为对应的目标业务报文族，该过程不需人工针对新增的报文类别或新增的外部交互接口进行配套的开发以及配置工作，减少了联机系统测试的开发工作量，也提高了联机系统的测试工作效率和测试准确性。
在一些实施例中，网络构建模块401可具体用于：将业务报文的多个维度的业务报文特征进行降维处理，得到业务核心特征；根据业务核心特征以及业务报文的业务核心特征的取值，生成多层业务报文特征网络，多层业务报文特征网络中每一层包括与业务核心特征对应的报文节点和特征取值节点，业务核心特征具有特征取值节点表征的取值的报文节点与对应的特征取值节点连接；根据多层业务报文特征网络，得到多层报文节点网络。
在一些示例中，网络构建模块401可具体用于：连接多层业务报文特征网络中同层中连接相同特征取值节点的报文节点，并删除特征取值节点；连接多层业务报文特征网络中不同层中相同的报文节点，得到多层报文节点网络。
在一些示例中，多层报文节点网络中连接的两个报文节点之间的连接边的权重基于与两个报文节点各自连接的报文节点得到。
在一些实施例中，类别确定模块402可具体用于：分别以多层报文节点网络中的报文节点为起始，获取每个报文节点的概率最大的游走路径；根据每个报文节点的概率最大的游走路径和连续跳字模型，得到每个报文节点对应的节点向量；将报文节点对应的节点向量输入神经网络模型，得到报文节点表征的业务报文的类别。
在一些实施例中，报文族划分模块403可具体用于：基于业务报文和业务报文的类别，确定业务报文的类别对应的类别向量；通过业务报文族划分模型根据业务报文的类别对应的类别向量，将业务报文划分为包括具有排序的业务报文的目标业务报文族。
在一些示例中，联机系统的测试装置400还可包括训练模块。训练模块可用于：将生产环境中已知的业务报文族输入类别向量学习模型，根据已知的业务报文族中业务报文、业务报文的类别和类别向量学习模型中的权重矩阵，得到业务报文的类别对应的类别向量；利用已知的业务报文族中业务报文的类别对应的类别向量对业务报文族划分模型进行训练，直至训练结果满足预设训练要求。
在一些实施例中，发送模块404可具体用于：按照设定的测试策略指示的业务报文发送条件，将目标业务报文族中业务报文按照预定顺序向测试应用发送。
在一些实施例中，联机系统的测试装置400还可包括比对模块。比对模块可用于：获取测试应用对目标业务报文族进行处理得到的第一处理结果和通过生产环境对目标业务报文族进行处理得到的第二处理结果；比对第一处理结果和第二处理结果，得到测试结果。
本申请第三方面提供一种电子设备。图10为本申请一实施例提供的电子设备的结构示意图，如图10所示，电子设备500包括存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
在一些示例中，上述处理器502可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器501可包括只读存储器(Read-Only Memory，ROM)，随机存取存储器(RandomAccess Memory，RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本申请实施例中联机系统的测试方法所描述的操作。
处理器502通过读取存储器501中存储的可执行程序代码来运行与可执行程序代码对应的计算机程序，以用于实现上述实施例中的联机系统的测试方法。
在一些示例中，电子设备500还可包括通信接口503和总线504。其中，如图10所示，存储器501、处理器502、通信接口503通过总线504连接并完成相互间的通信。
通信接口503，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口503接入输入设备和/或输出设备。
总线504包括硬件、软件或两者，将电子设备500的部件彼此耦接在一起。举例来说而非限制，总线504可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Enhanced Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(IndustryStandard Architecture，ISA)总线、无限带宽互连、低引脚数(Low pin count，LPC)总线、存储器总线、微信道架构(Micro Channel Architecture，MCA)总线、外围组件互连(Peripheral Component Interconnect，PCI)总线、PCI-Express(PCI-E)总线、串行高级技术附件(Serial Advanced Technology Attachment，SATA)总线、视频电子标准协会局部(Video Electronics Standards Association Local Bus，VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线504可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
本申请第四方面提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时可实现上述实施例中的联机系统的测试方法，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，上述计算机可读存储介质可包括非暂态计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等，在此并不限定。
本申请第五方面提供一种计算机程序产品，该计算机程序被处理器执行时实现上述实施例中的联机系统的测试方法，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例、设备实施例、计算机可读存储介质实施例、计算机程序产品实施例而言，相关之处可以参见方法实施例的说明部分。本申请并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本申请的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
本领域技术人员应能理解，上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合，以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上，应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中，术语“包括”并不排除其他装置或步骤；数量词“一个”不排除多个；术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。

Claims (13)

1.一种联机系统的测试方法，其特征在于，包括：
基于获取的业务报文的业务报文特征，构建多层报文节点网络，所述多层报文节点网络包括报文节点和报文节点之间的连接边；
根据所述多层报文节点网络，利用图嵌入技术和神经网络模型，得到业务报文的类别；
根据业务报文、业务报文的类别和预先训练的业务报文族划分模型，得到至少一个目标业务报文族，所述业务报文族划分模型基于生产环境中已知的业务报文族训练得到，业务报文族为实现业务功能所需类别的业务报文的集合；
按照设定的测试策略，向测试应用发送所述目标业务报文族中的业务报文，以使测试应用对所述目标业务报文族中的业务报文进行处理。
2.根据权利要求1所述的方法，其特征在于，所述基于获取的业务报文的业务报文特征，构建多层报文节点网络，包括：
将业务报文的多个维度的业务报文特征进行降维处理，得到业务核心特征；
根据业务核心特征以及业务报文的业务核心特征的取值，生成多层业务报文特征网络，所述多层业务报文特征网络中每一层包括与业务核心特征对应的报文节点和特征取值节点，业务核心特征具有特征取值节点表征的取值的报文节点与对应的特征取值节点连接；
根据所述多层业务报文特征网络，得到所述多层报文节点网络。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多层业务报文特征网络，得到所述多层报文节点网络，包括：
连接所述多层业务报文特征网络中同层中连接相同特征取值节点的报文节点，并删除特征取值节点；
连接所述多层业务报文特征网络中不同层中相同的报文节点，得到所述多层报文节点网络。
4.根据权利要求2所述的方法，其特征在于，所述多层报文节点网络中连接的两个报文节点之间的连接边的权重基于与两个报文节点各自连接的报文节点得到。
5.根据权利要求1所述的方法，其特征在于，所述根据所述多层报文节点网络，利用图嵌入技术和神经网络模型，得到业务报文的类别，包括：
分别以所述多层报文节点网络中的报文节点为起始，获取每个报文节点的概率最大的游走路径；
根据每个报文节点的概率最大的游走路径和连续跳字模型，得到每个报文节点对应的节点向量；
将报文节点对应的节点向量输入所述神经网络模型，得到报文节点表征的业务报文的类别。
6.根据权利要求1所述的方法，其特征在于，所述根据业务报文、业务报文的类别和预先训练的业务报文族划分模型，得到至少一个目标业务报文族，包括：
基于业务报文和业务报文的类别，确定业务报文的类别对应的类别向量；
通过所述业务报文族划分模型根据业务报文的类别对应的类别向量，将业务报文划分为包括具有排序的业务报文的所述目标业务报文族。
7.根据权利要求1所述的方法，其特征在于，还包括：
将生产环境中已知的业务报文族输入类别向量学习模型，根据已知的业务报文族中业务报文、业务报文的类别和所述类别向量学习模型中的权重矩阵，得到业务报文的类别对应的类别向量；
利用已知的业务报文族中业务报文的类别对应的类别向量对所述业务报文族划分模型进行训练，直至训练结果满足预设训练要求。
8.根据权利要求1所述的方法，其特征在于，所述按照设定的测试策略，向测试应用发送所述目标业务报文族中的业务报文，包括：
按照设定的测试策略指示的业务报文发送条件，将所述目标业务报文族中业务报文按照预定顺序向测试应用发送。
9.根据权利要求1所述的方法，其特征在于，还包括：
获取测试应用对目标业务报文族进行处理得到的第一处理结果和通过生产环境对所述目标业务报文族进行处理得到的第二处理结果；
比对所述第一处理结果和所述第二处理结果，得到测试结果。
10.一种联机系统的测试装置，其特征在于，包括：
网络构建模块，用于基于获取的业务报文的业务报文特征，构建多层报文节点网络，所述多层报文节点网络包括报文节点和报文节点之间的连接边；
类别确定模块，用于根据所述多层报文节点网络，利用图嵌入技术和神经网络模型，得到业务报文的类别；
报文族划分模块，用于根据业务报文、业务报文的类别和预先训练的业务报文族划分模型，得到至少一个目标业务报文族，所述业务报文族划分模型基于生产环境中已知的业务报文族训练得到，业务报文族为实现业务功能所需类别的业务报文的集合；
发送模块，用于按照设定的测试策略，向测试应用发送所述目标业务报文族中的业务报文，以使测试应用对所述目标业务报文族中的业务报文进行处理。
11.一种电子设备，其特征在于，包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1至9中任意一项所述的联机系统的测试方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1至9中任意一项所述的联机系统的测试方法。
13.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至9中任意一项所述的联机系统的测试方法。
CN202410331354.8A 2024-03-21 2024-03-21 联机系统的测试方法、装置、设备、介质及程序产品 Pending CN118194174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410331354.8A CN118194174A (zh) 2024-03-21 2024-03-21 联机系统的测试方法、装置、设备、介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410331354.8A CN118194174A (zh) 2024-03-21 2024-03-21 联机系统的测试方法、装置、设备、介质及程序产品

Publications (1)

Publication Number Publication Date
CN118194174A true CN118194174A (zh) 2024-06-14

Family

ID=91413354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410331354.8A Pending CN118194174A (zh) 2024-03-21 2024-03-21 联机系统的测试方法、装置、设备、介质及程序产品

Country Status (1)

Country Link
CN (1) CN118194174A (zh)

Similar Documents

Publication Publication Date Title
CN108596616B (zh) 用户数据真实性分析方法及装置、存储介质、电子设备
US20220207352A1 (en) Methods and systems for generating recommendations for counterfactual explanations of computer alerts that are automatically detected by a machine learning algorithm
CN109377532B (zh) 基于神经网络的图像处理方法及装置
CN111612284B (zh) 数据的处理方法、装置及设备
CN111415336B (zh) 一种图像篡改识别方法、装置、服务器及存储介质
CN109783781B (zh) 基于图像识别的保单录入方法和相关装置
CN116932919B (zh) 信息推送方法、装置、电子设备和计算机可读介质
CN115130711A (zh) 一种数据处理方法、装置、计算机及可读存储介质
CN113362852A (zh) 一种用户属性识别方法和装置
CN115114329A (zh) 数据流异常检测的方法、装置、电子设备和存储介质
CN115587535A (zh) 模型构建优化方法、设备、存储介质及程序产品
CN116823428A (zh) 一种反欺诈检测方法、装置、设备及存储介质
CN116246287A (zh) 目标对象识别方法、训练方法、装置以及存储介质
CN113887214B (zh) 基于人工智能的意愿推测方法、及其相关设备
CN117392260B (zh) 一种图像生成方法及装置
CN112905787B (zh) 文本信息处理方法、短信处理方法、电子设备及可读介质
CN115935265B (zh) 训练风险识别模型的方法、风险识别方法及对应装置
CN117150395A (zh) 模型训练、意图识别方法、装置、电子设备及存储介质
CN117435471A (zh) 测试案例的推荐方法、装置、设备、存储介质和程序产品
CN118194174A (zh) 联机系统的测试方法、装置、设备、介质及程序产品
CN115827870A (zh) 数据处理方法、装置、设备及存储介质
CN112308453B (zh) 风险识别模型训练方法、用户风险识别方法及相关装置
CN114493850A (zh) 基于人工智能的在线公证方法、系统及存储介质
CN111966897B (zh) 一种出行意愿的感知方法、装置、终端及存储介质
CN115563289B (zh) 行业分类标签生成方法、装置、电子设备和可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination