WO2020207014A1 - 大数据自动回归测试方法、装置、测试中心服务器和存储介质 - Google Patents
大数据自动回归测试方法、装置、测试中心服务器和存储介质 Download PDFInfo
- Publication number
- WO2020207014A1 WO2020207014A1 PCT/CN2019/118587 CN2019118587W WO2020207014A1 WO 2020207014 A1 WO2020207014 A1 WO 2020207014A1 CN 2019118587 W CN2019118587 W CN 2019118587W WO 2020207014 A1 WO2020207014 A1 WO 2020207014A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- primary key
- checked
- query result
- node
- query
- 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.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Prevention of errors by analysis, debugging or testing of software
- G06F11/3668—Testing of software
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Prevention of errors by analysis, debugging or testing of software
- G06F11/3668—Testing of software
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
Definitions
- This application relates to the technical field of regression testing, and in particular to an automated regression testing method, device, computer equipment, and storage medium for a big data storage center.
- the big data center is a data storage center, it needs to store all business data of upstream systems, and the number of data tables stored is very large.
- an object of the present application is to provide an automated regression test method and device for a big data storage center.
- an automated regression test method for a big data storage center includes: writing the table name of the table to be checked into a configuration file, and determining the requirements of the upstream database and each node of the big data center according to the table name The number of tables to be checked, and after associating the number with the node, write the configuration file; according to the amount of tables to be checked by each node of the upstream database and the big data center, the threads occupied by each node during query are allocated After associating the thread number with the node, write the configuration file; send the configuration file to the upstream database, so that the main server of the upstream database uses the allocation of the configuration file to query each node.
- the number of threads and the table name in the configuration file are used to query the data volume and primary key of the table to be checked in the source table of each node of the upstream database, and write the result of the data volume and primary key corresponding to the upstream database Enter the first query result table, the primary key is one or more fields in the table, and the value of each primary key is used to uniquely identify a record in the table; send the configuration file to the big data center so that the big data center
- the main server of the data center compares the number of threads and nodes in the configuration file, the number of threads allocated for querying to each node, and the table name in the configuration file in the target table of each node in the big data center.
- the data volume and primary key of the table to be checked are queried, and the result of the data volume and primary key corresponding to the big data center is written into the second query result table; receiving the first query result table and the first query result table sent by the upstream database The second query result table sent by the big data center; the test result is generated based on the data volume and the primary key in the first query result table and the second query result table.
- an automated regression test device for a big data storage center includes: a configuration file writing unit for writing the table name of the table to be checked into the configuration file, and determining the upstream according to the table name
- the node thread allocation unit is used to check the amount of tables required by each node of the upstream database and the big data center
- the number of tables is allocated to the number of threads occupied by each node during query, and the number of threads and the node are associated with the configuration file
- the upstream data query unit is used to send the configuration file to the upstream database so that the master of the upstream database
- the query unit is configured to send the configuration file to the big data center, so that the main server of the big data center according to the number of threads and nodes in the configuration file, and according to the number of threads allocated, according to the table in the configuration file Name, query the data volume and primary key of the table to be checked in the target table of each node of the big data center, and compare the data volume with the primary key
- the result of the key is written into the second query result table
- the query result receiving unit is configured to receive the first query result table sent by the upstream database and the second query result table sent by the big data center
- the test result generating unit uses Based on the data amount in the first query result table and the second query result table and the different numbers and primary keys in the primary key, the test result is generated.
- a test center server includes a processor and a memory, and computer-readable instructions are stored on the memory, and when the computer-readable instructions are executed by the processor, the above-mentioned big data is realized Automated regression testing method for storage center.
- a computer-readable storage medium has a computer program stored thereon, and the computer program, when executed by a processor, realizes the above-mentioned automated regression test method for a big data storage center.
- the above-mentioned automated regression test method, device, test center server, and storage medium of the big data storage center write the table name of the table to be checked into the configuration file, and then determine the upstream database and the big data center according to the table name The number of tables that each node needs to check, and write the number in the configuration file in association with the node.
- the master server of the upstream database can assign data to each upstream database according to the number of threads and nodes in the configuration file, the number of threads allocated, and the table name in the configuration file.
- the source table of the node queries the data volume and primary key of the table to be checked, and writes the result of the data volume and primary key into the first query result table, where the primary key is one or more fields in the table Its value is used to uniquely identify a record in the table, and the table to be checked can be quickly queried through the primary key, which improves the efficiency of the test while covering all the content to be checked.
- the configuration file should also be sent to the downstream database of the big data center.
- the main server of the big data center is based on the number of threads and nodes in the configuration file, and according to the number of threads allocated, according to the configuration
- query the data volume and primary key of the table to be checked in the target table of each node of the big data center and write the result of the data volume and primary key into the second query result table.
- you can use the first query result The amount of data in the result table and the second query result table and the different numbers and primary keys in the primary key are found, data differences are found, and test results are generated. This automatically completes the regression test, which not only avoids the inefficiency in manual testing, but also Covers all test content.
- FIG. 1 is an implementation environment diagram of an automated regression test method for a big data storage center provided in an embodiment.
- FIG. 2 is a flowchart showing an automated regression test method for a big data storage center according to an exemplary embodiment.
- FIG. 3 is a flow chart of a specific implementation of step S160 in the automated regression test method for a big data storage center according to the embodiment corresponding to FIG. 2.
- FIG. 4 is a flowchart of another automated regression test method for a big data storage center according to an embodiment corresponding to FIG. 2.
- FIG. 5 is a flowchart of yet another method for automated regression testing of a big data storage center according to an embodiment corresponding to FIG. 2.
- FIG. 6 is a block diagram showing an automated regression test device for a big data storage center according to an exemplary embodiment.
- FIG. 7 schematically shows an example block diagram of a test center server for implementing the above-mentioned automated regression test method for a big data storage center.
- FIG. 8 schematically illustrates a computer-readable storage medium for implementing the above-mentioned automated regression test method for a big data storage center.
- FIG. 1 is an implementation environment diagram of an automated regression test method for a big data storage center provided in an embodiment.
- the implementation environment includes a test center server 100, an upstream database 200, and big data Center 300.
- the upstream database 200 is a server that stores upstream data
- the big data center 300 is a big data server that stores downstream data, and contains multiple nodes.
- the test center server 100 is used to extract data from the upstream database 200 and the big data center 300 and execute test.
- the specific process is to first associate the table name of the table to be checked, the number of tables to be checked, and the allocated node into the configuration file, and write the allocated thread number and node association into the configuration file.
- the configuration file is sent to the upstream database 200 and the big data center 300, so that the upstream database 200 and the big data center 300 extract data according to the settings in the configuration file, generate a query result table, and send it to the test center server 100.
- the test center server 100 compares the query result tables sent from the upstream database 200 and the big data center 300 to find out the differences between the two tables, and writes these differences into the inspection result table for feedback.
- the test center server 100 can be a smart phone, a tablet computer, a notebook computer, a desktop computer, etc., but is not limited to this.
- the upstream database 200 and the big data center 300 may be a server cluster composed of multiple different servers, but are not limited to this.
- the central server 100, the upstream database 200, and the big data center 300 can be connected via Bluetooth, USB (Universal Serial Bus, Universal Serial Bus) or other communication connection methods, and this application is not limited here.
- an automated regression test method for a big data storage center is proposed.
- the automated regression test method for a big data storage center can be applied to the aforementioned test center server 100, specifically The following steps may be included: Step S110: Write the table name of the table to be checked into the configuration file, and determine the number of tables to be checked by each node of the upstream database and the big data center according to the table name, and compare the number with After the nodes are associated, write the configuration file.
- the test for this application is Regression testing, the main purpose of this application is to improve the efficiency of regression testing so that the testing covers most scenarios.
- this application first configures a configuration file, and writes the table name information of the table to be checked into the configuration file.
- the table name information of a table is its unique identification information, and the table name of the table to be checked.
- the information enables upstream databases and big data centers to accurately locate the tables to be checked based on the table name information.
- a table name uniquely corresponds to a table, the number of tables to be checked by each node of the upstream database and big data center is determined according to the table name (that is, the number of tables is determined by counting the number of table names), and Write the number in the configuration file in association with the node.
- each node in the upstream database and the big data center can count the number of tables they need to check according to the number of tables they need to check.
- the amount of tables that need to be checked may be the number of tables that need to be checked, or the size of the storage space occupied by the tables that need to be checked, or the number of tables that need to be checked and the storage space occupied by the tables that need to be checked. The weighted sum of the size.
- the reason why the number of tables that need to be checked for each node in the upstream database and big data center is associated with the node is written into the configuration file instead of the number of tables that need to be checked, because if you want to count the number of tables that need to be checked, there are It may be necessary to query upstream databases and nodes in the big data center. This workload is too complicated, and the number of tables that need to be checked can be directly counted based on the table name.
- the table name of each table corresponds to a table, which greatly reduces the workload , And when the quantity of tables to be checked is a quantity, the quantity in the configuration file can be directly used as the quantity of tables to be checked.
- Step S120 According to the amount of tables to be checked by each node of the upstream database and the big data center, the number of threads occupied by each node during query is allocated, and the number of threads is associated with the node, and then the configuration file is written. After the table name of the table to be checked and the number of tables to be checked by each node of the upstream database and big data center are written into the configuration file, the table can be checked according to the upstream database and each node of the big data center. The amount of allocated to the number of threads occupied by each node when querying. For nodes with more tables to be checked, more threads are allocated, and for nodes with fewer tables to be checked, less allocated The number of threads.
- This allocation of the number of threads occupied can make the query process more stable when querying according to the number of threads allocated, and there will be no query due to the large file of a node occupying all threads and the workload of the node is too large.
- failure there will be no case where the query fails due to the large file of one node occupying all threads and other nodes are disconnected for too long, and there will be no case where the query fails because a node is stuck. . It makes the workload distribution of the query process more balanced and more reasonable, and the query process is completed well and quickly.
- Step S130 sending the configuration file to the upstream database , So that the main server of the upstream database checks the requirements in the source table of each node in the upstream database according to the number of threads occupied when querying each node and the table name in the configuration file allocated in the configuration file. Query the data volume and primary key of the table, and write the result of the data volume and primary key corresponding to the upstream database into the first query result table.
- the primary key is one or more fields in the table, and the primary key of each The value is used to uniquely identify a record in the table.
- Step S140 Send the configuration file to the big data center, so that the main server of the big data center can according to the number of threads and nodes in the configuration file, the number of threads occupied when querying each node, and the number of threads in the configuration file.
- the information contained in the configuration file has met the requirements for query tasks, and can be sent to the upstream database and the big data center for the upstream database He Big Data Center performs query tasks based on the information contained in the configuration file.
- the query task is performed, the data volume and the primary key of the table to be checked are mainly queried.
- the primary key that is, the primary key, is one or more fields in the table, and its value is used to uniquely identify a record in the table.
- the primary key is a unique key.
- the primary key of a table can be composed of multiple keys, and the columns of the primary key cannot contain null values.
- Step S150 Receive a first query result table sent by the upstream database and a second query result table sent by the big data center. After obtaining the first query result table and the second query result table, the upstream database 200 and the big data center 300 can send the first query result table and the second query result table to the test center server 100, and the test center server 100 Proceed to the next step.
- Step S160 Generate a test result based on the data volume and the primary key in the first query result table and the second query result table. Finally, the data volume and primary key of the first query result table and the second query result table are compared, and different data volumes and primary keys in the two tables are obtained.
- first query The result table and the second query result table have different amounts of data, so there may be missed transmission; if the first query result table and the second query result table have different primary keys, there may be misinformation or missed transmission. These situations need to be written into the test results. In order to perform some subsequent processing based on the test results, such as retransmission or system maintenance.
- the test to be performed in this application is a regression test, specifically, it is to detect whether the data transmitted from the upstream database to the big data center is missed or mistransmitted. Therefore, this application configures a configuration file in advance, and the configuration file includes table name information of the table to be checked, so that the upstream database and the big data center can query the data volume and primary key of the table to be checked based on the table name information.
- the reason for checking the amount of data is to check whether there is any missed transmission, and the main key is to check whether there is any misinformation.
- FIG. 3 is a detailed description of step S160 in the method for automated regression testing of a big data storage center according to the embodiment corresponding to FIG. 2.
- step S160 may include the following steps: Step S161: Input the data volume and primary key in the first query result table and the corresponding data volume and primary key in the second query result table into the machine learning model to obtain the test result of each pair of data and primary key.
- Step S162 Write the test result into the test result table.
- the training process of the machine learning model is: input the positive query result sample pair into the machine learning model, the positive query result sample pair is two data volume samples or two primary key samples, one of the data volume samples is the other The same object of the data volume sample, or one of the primary key samples is the same object of another primary key sample, if the output judgment results are not the same, the coefficients of the machine learning model are adjusted; the negative query result samples are input into the machine learning model, so The negative query result sample pair is two data volume samples or two primary key samples, where one data volume sample is a different object of the other data volume sample, or one of the primary key samples is a different object of the other primary key sample, if the output If the determination result is the same, the coefficients of the machine learning model are adjusted.
- This solution uses a machine learning model to compare the amount of data and primary key information in the two query result tables, and then compare the information Write the check result table to check the query results and find out the failure scenarios. Since the machine learning model is trained, the output result will be more accurate during the comparison test, which improves the accuracy of the test.
- the learning method of the machine learning model is: constantly changing the connection weight of the network under the stimulation of external input samples. The essence of learning is to dynamically adjust the weight of each connection. Since it is known whether the two samples of each sample pair are the same, once the machine learning model performs an operation on each sample pair according to each connection weight, and the field name and parameter requirement result obtained does not match the known result, it will automatically Adjust the weight of each connection until the obtained field name and parameter requirements match the known results. In this way, the machine learning model is trained. Then, the query result in the first query result table and the corresponding query result in the second query result table are input into the machine learning model, and the test result of the pair of query results is obtained.
- FIG. 4 shows that in one embodiment, after step S160 in FIG. 2 corresponds to the embodiment, the method for automated regression testing of a big data storage center may further include the following steps: Step S170, sending the test result To the user, so that the user can manually verify the different data volume and primary key according to the test result.
- Step S170 sending the test result To the user, so that the user can manually verify the different data volume and primary key according to the test result.
- the test results need to be passed to the relevant test maintenance personnel (ie users) to facilitate the relevant personnel to perform manual verification based on the different data volumes and primary keys recorded in the test results to find out the missing transmission Analyze the failure scenarios based on the missed and misinformed data tables, and then repair and maintain the failure scenarios, so that the errors can be corrected, so that the data between the upstream database and the big data center is consistent. The ultimate goal of this test.
- FIG. 5 shows that in an embodiment, after step S160 in the embodiment corresponding to FIG. 2, the automated regression test method for a big data storage center may further include the following steps: Step S180, sending the test result To the upstream database, so that the upstream database resends the different data volume and primary key to the big data center according to the test result.
- Step S180 sending the test result To the upstream database, so that the upstream database resends the different data volume and primary key to the big data center according to the test result.
- the test result is sent to the upstream database, and then the upstream database According to the test results, the different data volume and primary key are sent to the big data center again to fill in and overwrite the previous incorrect data.
- the amount of tables that need to be checked for each node of the upstream database and the big data center in the automated regression test method for a big data storage center shown in the corresponding embodiment in FIG. 2 is the number of tables that need to be checked.
- the big data storage center shown in FIG. 2 corresponds to the embodiment shown in FIG.
- the amount of tables that need to be checked by each node of the upstream database and the big data center is the size of the storage space occupied by the tables that need to be checked.
- the amount of tables that need to be checked for each node of the upstream database and the big data center in the automated regression test method for a big data storage center shown in the corresponding embodiment in FIG. 2 is the number of tables that need to be checked and the tables that need to be checked.
- the number of tables and the storage space occupied by the tables can reflect to a certain extent the amount of data query tasks in the upstream database and the big data center, and the number of tables and the storage space occupied by the tables are based on a certain weight ratio.
- the weighted sum can cover more dimensions and more objectively represent the size of the task of querying data in the upstream database and the big data center.
- an automated regression test device for a big data storage center is provided, and the automated regression test device for a big data storage center may be integrated into the above-mentioned test center server 100, specifically It may include: a configuration file writing unit 110, a node thread allocation unit 120, an upstream data query unit 130, a downstream data query unit 140, a query result receiving unit 150, and a test result generating unit 160.
- the configuration file writing unit 110 is configured to write the table name of the table to be checked into the configuration file, and determine the number of tables to be checked by each node of the upstream database and the big data center according to the table name, and The number is written into the configuration file in association with the node;
- the node thread allocation unit 120 is used to allocate the number of threads occupied by each node for query according to the amount of the upstream database and the table to be checked by each node of the big data center, and The number of threads and nodes are associated with the configuration file;
- the upstream data query unit 130 is configured to send the configuration file to the upstream database, so that the main server of the upstream database according to the number of threads and nodes in the configuration file, according to the assigned thread According to the table name in the configuration file, query the data volume and primary key of the table to be checked in the source table of each node of the upstream database, and write the result of the data volume and primary key to the first query In the result table, the primary key is one or more fields in
- the data volume and primary key of the table to be checked are queried, and the result of the data volume and primary key is written into the second query result table;
- the query result receiving unit 150 is configured to receive the first query result table sent by the upstream database And the second query result table sent by the big data center;
- the test result generating unit 160 is configured to be based on the first query result table Different numbers and primary keys from the data amount and primary key in the second query result table generate test results.
- the technical solution according to the embodiments of the present application can be embodied in the form of a software product, and the software product can be stored in a non-volatile storage medium (which can be a CD-ROM, U disk, mobile hard disk, etc.) or on the network , Including several instructions to enable a computing device (which may be a personal computer, a server, a mobile terminal, or a network device, etc.) to execute the method according to the embodiment of the present application.
- a computing device which may be a personal computer, a server, a mobile terminal, or a network device, etc.
- test center server 500 capable of implementing the above method.
- Those skilled in the art can understand that various aspects of the present application can be implemented as a system, method, or program product. Therefore, various aspects of this application can be specifically implemented in the following forms, namely: complete hardware implementation, complete software implementation (including firmware, microcode, etc.), or a combination of hardware and software implementations, which may be collectively referred to herein as "Circuit", "Module” or "System”.
- the test center server 500 according to this embodiment of the present application will be described below with reference to FIG. 7.
- the test center server 500 shown in FIG. 7 is only an example, and should not bring any limitation to the function and use scope of the embodiments of the present application.
- the test center server 500 is represented in the form of a general-purpose computing device.
- the components of the test center server 500 may include but are not limited to: the aforementioned at least one processing unit 510, the aforementioned at least one storage unit 520, and a bus 530 connecting different system components (including the storage unit 520 and the processing unit 510).
- the storage unit stores program code, and the program code can be used by the processing unit 510 is executed, so that the processing unit 510 executes the steps according to various exemplary embodiments of the present application described in the above-mentioned “exemplary method” section of this specification.
- the processing unit 510 may perform step S110 as shown in FIG.
- step S130 the configuration file is sent to the upstream database, so that the main server of the upstream database according to the number of threads and nodes in the configuration file, according to the assigned thread number
- step S140 send the configuration file to the big data center so that the big
- the storage unit 520 may include a readable medium in the form of a volatile storage unit, such as a random access storage unit (RAM) 5201 and/or a cache storage unit 5202, and may further include a read-only storage unit (ROM) 5203.
- the storage unit 520 may also include a program/utility tool 5204 having a set of (at least one) program module 5205.
- Such program module 5205 includes but is not limited to: an operating system, one or more application programs, other program modules, and program data Each of these examples or some combination may include the implementation of a network environment.
- the bus 530 may represent one or more of several types of bus structures, including a storage unit bus or a storage unit controller, a peripheral bus, a graphics acceleration port, a processing unit, or a local area using any bus structure among multiple bus structures bus.
- the test center server 500 may also communicate with one or more external devices 700 (such as keyboards, pointing devices, Bluetooth devices, etc.), and may also communicate with one or more devices that enable users to interact with the test center server 500, and/ Or make the test center server 50 0 Any device (such as routers, modems, etc.) that can communicate with one or more other computing devices. This communication can be performed through an input/output (I/O) interface 550.
- the test center server 500 may also communicate with one or more networks (for example, a local area network (LAN), a wide area network (WAN), and/or a public network, such as the Internet) through the network adapter 560.
- networks for example, a local area network (LAN), a wide area network (WAN), and/or a public network, such as the Internet
- the network adapter 560 communicates with other modules of the test center server 500 through the bus 530.
- other hardware and/or software modules can be used in conjunction with the test center server 500, including but not limited to: microcode, device drivers, redundant processing units, external disk drive arrays, RAID systems, tapes Drives and data backup storage systems, etc.
- the technical solution according to the embodiments of the present application can be embodied in the form of a software product, and the software product can be stored in a non-volatile storage medium (which can be a CD-ROM, U disk, mobile hard disk, etc.) or on the network , Including several instructions to make a computing device (which may be a personal computer, a server, a terminal device, or a network device, etc.) execute the method according to the embodiment of the present application.
- a non-volatile storage medium which can be a CD-ROM, U disk, mobile hard disk, etc.
- a computing device which may be a personal computer, a server, a terminal device, or a network device, etc.
- a computer-readable storage medium is also provided, on which a program product capable of implementing the above method of this specification is stored.
- various aspects of the present application may also be implemented in the form of a program product, which includes program code, and when the program product runs on a terminal device, the program code is used to enable the The terminal device executes the steps according to various exemplary embodiments of the present application described in the "Exemplary Method" section of this specification. Referring to FIG. 8, a computer-readable storage medium 600 for implementing the above method according to an embodiment of the present application is described.
- the readable storage medium may be any tangible medium that contains or stores a program, and the program may be used by or in combination with an instruction execution system, device, or device.
- the above-mentioned computer-readable storage medium may be a non-volatile readable storage medium, for example, a non-volatile readable storage medium stored in a CD-ROM, a U disk, or a mobile hard disk device, and may include a number of instructions to make a computer
- a device which may be a personal computer, a server, a terminal device, or a network device, etc.
- the program product can use any combination of one or more readable media.
- the readable medium can be Read signal medium or readable storage medium.
- the readable storage medium may be, for example, but not limited to, an electrical, magnetic, optical, electromagnetic, infrared, or semiconductor system, device, or device, or a combination of any of the above. More specific examples (non-exhaustive list) of readable storage media include: electrical connections with one or more wires, portable disks, hard disks, random access memory (RAM), read only memory (ROM), erasable Type programmable read-only memory (EPROM or flash memory), optical fiber, portable compact disk read-only memory (CD-ROM), optical storage device, magnetic storage device, or any suitable combination of the above.
- the computer-readable signal medium may include a data signal propagated in baseband or as a part of a carrier wave, and readable program code is carried therein.
- This propagated data signal can take many forms, including but not limited to electromagnetic signals, optical signals, or any suitable combination of the foregoing.
- the readable signal medium may also be any readable medium other than a readable storage medium, and the readable medium may send, propagate, or transmit a program for use by or in combination with the instruction execution system, apparatus, or device.
- the program code contained on the readable medium can be transmitted by any suitable medium, including but not limited to wireless, wired, optical cable, RF, etc., or any suitable combination of the foregoing.
- the program code for performing the operations of this application can be written in any combination of one or more programming languages.
- the programming languages include object-oriented programming languages such as Java, C++, etc., as well as conventional procedural programming languages.
- the program code can be executed entirely on the user's computing device, partly on the user's device, executed as an independent software package, partly on the user's computing device and partly executed on the remote computing device, or entirely on the remote computing device or server Executed on.
- the remote computing device can be connected to a user computing device through any type of network, including a local area network (LAN) or a wide area network (WAN), or can be connected to an external computing device (for example, using Internet service providers). Business to connect via the Internet).
- LAN local area network
- WAN wide area network
- Internet service providers for example, using Internet service providers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种大数据存储中心自动化回归测试方法、装置、计算机设备和存储介质，属于回归测试技术领域，所述大数据存储中心自动化回归测试方法主要流程有：先将所需要检查的表的表名、所需要检查的表的数量与分配的节点关联写入配置文件，并将分配的线程数和节点关联写入配置文件。然后将所述配置文件发送给上游数据库和大数据中心，使上游数据库和大数据中心按照配置文件中的设置抽取数据，生成查询结果表，发送至测试中心服务器。然后测试中心服务器对比上游数据库和大数据中心分别发来的查询结果表，找出两个表的不同，并将这些不同写入检查结果表反馈。通过这种方法，提高了测试效率，实现了测试场景全覆盖，且能实时监控数据。
Description
发明名称：大数据自动回归测试方法、 装置、 测试中心服务器和存 储介质
技术领域
[0001] 本申请要求 2019年 4月 9日递交、 申请名称为“大数据自动回归测试方法、 装置
、 计算机设备和存储介质”的中国专利申请 201910279738.9的优先权， 在此通过 引用将其全部内容合并于此。
[0002] 本申请涉及回归测试技术领域， 尤其涉及一种大数据存储中心自动化回归测试 方法、 装置、 计算机设备和存储介质。
背景技术
[0003] 由于大数据中心是数据存储中心， 需要存储所有上游系统的业务数据， 数据表 存储的数量非常大。
[0004] 而现有技术， 在进行大数据中心测试时， 一般都是由相关测试人员通过手动的 形式进行回归测试， 而大数据存储中心涉及的数据量往往很大， 这导致了测试 人员在测试过程中工作量巨大， 测试时间过长， 效率较为低下。 这也会导致回 归测试只能抽检部分数据无法完全覆盖的所有的数据， 造成系统风险， 有一定 的风险隐患。
发明概述
技术问题
问题的解决方案
技术解决方案
[0005] 为了解决上述技术问题， 本申请的一个目的在于提供一种大数据存储中心自动 化回归测试方法及装置。
[0006] 其中， 本申请所采用的技术方案为：
[0007] 一方面， 一种大数据存储中心自动化回归测试方法， 包括： 将待检查的表的表 名写入配置文件， 并根据所述表名确定上游数据库和大数据中心各节点所需要
检查的表的数量， 并将所述数量与节点进行关联后， 写入配置文件； 根据所述 上游数据库和大数据中心各节点所需要检查的表的量分配去各节点查询时所占 用的线程数， 并将所述线程数和节点关联后， 写入配置文件； 向上游数据库发 送配置文件， 以便所述上游数据库的主服务器根据所述配置文件中所分配的去 各节点查询时所占用的线程数以及配置文件中的表名， 分别在上游数据库各节 点的源表对所述需要检查的表的数据量和主键进行查询， 并将所述上游数据库 对应的数据量和主键的结果， 写入第一查询结果表， 所述主键是表中的一个或 多个字段， 每一个主键的值用于唯一地标识表中的一条记录； 向大数据中心发 送所述配置文件， 以便所述大数据中心的主服务器根据所述配置文件中线程数 和节点、 所分配的去各节点查询时所占用的线程数以及配置文件中的表名， 分 别在大数据中心各节点的目标表对所述需要检查的表的数据量和主键进行查询 ， 并将所述大数据中心对应的数据量和主键的结果写入第二查询结果表； 接收 所述上游数据库发送的第一查询结果表和所述大数据中心发送的第二查询结果 表； 基于第一查询结果表和第二查询结果表中的数据量和主键生成测试结果。
[0008] 另一方面， 一种大数据存储中心自动化回归测试装置， 包括： 配置文件写入单 元， 用于将所需要检查的表的表名写入配置文件， 并根据所述表名确定上游数 据库和大数据中心各节点所需要检查的表的量， 并将所述数量与节点关联写入 配置文件； 节点线程分配单元， 用于根据所述上游数据库和大数据中心各节点 所需要检查的表的数量分配去各节点查询时所占用的线程数， 并将所述线程数 和节点关联写入配置文件； 上游数据查询单元， 用于向上游数据库发送配置文 件， 以便所述上游数据库的主服务器根据所述配置文件中线程数和节点， 按照 所分配的线程数， 根据配置文件中的表名， 分别在上游数据库各节点的源表对 所述需要检查的表的数据量和主键进行查询， 并将所述数据量和主键的结果， 写入第一查询结果表， 所述主键是表中的一个或多个字段， 它的值用于唯一地 标识表中的某一条记录； 下游数据查询单元， 用于向大数据中心发送所述配置 文件， 以便所述大数据中心的主服务器根据所述配置文件中线程数和节点， 以 及， 按照所分配的线程数， 根据配置文件中的表名， 分别在大数据中心各节点 的目标表对所述需要检查的表的数据量和主键进行查询， 并将所述数据量和主
键的结果写入第二查询结果表； 查询结果接收单元， 用于接收所述上游数据库 发送的第一查询结果表和所述大数据中心发送的第二查询结果表； 测试结果生 成单元， 用于基于第一查询结果表和第二查询结果表中的数据量和主键中不同 的数量和主键， 生成测试结果。
[0009] 另一方面， 一种测试中心服务器， 包括处理器及存储器， 所述存储器上存储有 计算机可读指令， 所述计算机可读指令被所述处理器执行时实现如上所述的大 数据存储中心自动化回归测试方法。
[0010] 另一方面， 一种计算机可读存储介质， 其上存储有计算机程序， 所述计算机程 序被处理器执行时实现如上所述的大数据存储中心自动化回归测试方法。
[0011] 本申请的实施例提供的技术方案可以包括以下有益效果：
[0012] 上述大数据存储中心自动化回归测试方法、 装置、 测试中心服务器和存储介质 ， 通过将所需要检查的表的表名写入配置文件， 然后根据所述表名确定上游数 据库和大数据中心各节点所需要检查的表的数量， 并将所述数量与节点关联写 入配置文件。 然后根据所述上游数据库和大数据中心各节点所需要检查的表的 数量分配去各节点查询时所占用的线程数， 并将所述线程数和节点关联写入配 置文件， 这样配置文件中就包含有要检查的表的表名、 数量以及数量与节点的 关系、 线程数与节点的关系。 然后向上游数据库发送配置文件， 这样， 所述上 游数据库的主服务器就可以根据所述配置文件中线程数和节点， 按照所分配的 线程数， 根据配置文件中的表名， 分别在上游数据库各节点的源表对所述需要 检查的表的数据量和主键进行查询， 并将所述数据量和主键的结果， 写入第一 查询结果表， 所述主键是表中的一个或多个字段， 它的值用于唯一地标识表中 的某一条记录， 通过主键能够很快的查询需要检查的表， 提高了测试的效率的 同时还能覆盖所有要检查的内容。 同时， 也要向大数据中心这一下游数据库发 送所述配置文件， 同理所述大数据中心的主服务器根据所述配置文件中线程数 和节点， 以及， 按照所分配的线程数， 根据配置文件中的表名， 分别在大数据 中心各节点的目标表对所述需要检查的表的数据量和主键进行查询， 并将所述 数据量和主键的结果写入第二查询结果表。 获取所述上游数据库发送的第一查 询结果表和所述大数据中心发送的第二查询结果表后， 就可以根据第一查询结
果表和第二查询结果表中的数据量和主键中不同的数量和主键， 找出数据的差 异， 生成测试结果， 这样就自动完成了回归测试， 既避免了人工测试中的低效 ， 也覆盖了所有的测试内容。
[0013] 应当理解的是， 以上的一般描述和后文的细节描述仅是示例性和解释性的， 并 不能限制本申请。
发明的有益效果
对附图的简要说明
附图说明
[0014] 此处的附图被并入说明书中并构成本说明书的一部分， 示出了符合本申请的实 施例， 并于说明书一起用于解释本申请的原理。
[0015] 图 1是一实施例中提供的大数据存储中心自动化回归测试方法的实施环境图。
[0016] 图 2是根据一示例性实施例示出的一种大数据存储中心自动化回归测试方法的 流程图。
[0017] 图 3是根据图 2对应实施例示出的大数据存储中心自动化回归测试方法中步骤 S1 60的一种具体实现流程图。
[0018] 图 4是根据图 2对应实施例示出的另一种大数据存储中心自动化回归测试方法的 流程图。
[0019] 图 5是根据图 2对应实施例示出的又一种大数据存储中心自动化回归测试方法的 流程图。
[0020] 图 6是根据一示例性实施例示出的一种大数据存储中心自动化回归测试装置的 框图。
[0021] 图 7示意性示出一种用于实现上述大数据存储中心自动化回归测试方法的测试 中心服务器示例框图。
[0022] 图 8示意性示出一种用于实现上述大数据存储中心自动化回归测试方法的计算 机可读存储介质。
[0023] 通过上述附图， 已示出本申请明确的实施例， 后文中将有更详细的描述， 这些 附图和文字描述并不是为了通过任何方式限制本申请构思的范围， 而是通过参 考特定实施例为本领域技术人员说明本申请的概念。
发明实施例
本发明的实施方式
[0024] 这里将详细地对示例性实施例执行说明， 其示例表示在附图中。 下面的描述涉 及附图时， 除非另有表示， 不同附图中的相同数字表示相同或相似的要素。 以 下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式 。 相反， 它们仅是与如所附权利要求书中所详述的、 本申请的一些方面相一致 的装置和方法的例子。
[0025] 图 1为一个实施例中提供的大数据存储中心自动化回归测试方法的实施环境图 ， 如图 1所示， 在所述实施环境中， 包括测试中心服务器 100、 上游数据库 200、 大数据中心 300。 上游数据库 200是存储有上游数据的服务器， 大数据中心 300是 存储有下游数据的大数据服务器， 包含有多个节点， 测试中心服务器 100用于从 上游数据库 200和大数据中心 300抽取数据并执行测试。 具体过程为， 先将所需 要检查的表的表名、 所需要检查的表的数量与分配的节点关联写入配置文件， 并将分配的线程数和节点关联写入配置文件。 然后将所述配置文件发送给上游 数据库 200和大数据中心 300， 使上游数据库 200和大数据中心 300按照配置文件 中的设置抽取数据， 生成查询结果表， 发送至测试中心服务器 100。 然后测试中 心服务器 100对比上游数据库 200和大数据中心 300分别发来的查询结果表， 找出 两个表的不同， 并将这些不同写入检查结果表反馈。 需要说明的是测试中心服 务器 100可为智能手机、 平板电脑、 笔记本电脑、 台式计算机等， 但并不局限于 此。 上游数据库 200、 大数据中心 300可以是多个不同服务器组成的服务器集群 ， 但并不局限于此。 中心服务器 100、 上游数据库 200、 大数据中心 300之间可以 通过蓝牙、 USB（Universal Serial Bus, 通用串行总线） 或者其他通讯连接方式进 行连接， 本申请在此不做限制。
[0026] 如图 2所示， 在一个实施例中， 提出了一种大数据存储中心自动化回归测试方 法， 所述大数据存储中心自动化回归测试方法可以应用于上述的测试中心服务 器 100中， 具体可以包括以下步骤： 步骤 S110, 将待检查的表的表名写入配置文 件， 并根据所述表名确定上游数据库和大数据中心各节点所需要检查的表的数 量， 并将所述数量与节点进行关联后， 写入配置文件。 本申请要进行的测试为
回归测试， 本申请主要的目的在于提高回归测试的效率， 使测试覆盖大多数场 景。 故在步骤 S110中， 本申请先配置一个配置文件， 将待检查的表的表名信息 写入所述配置文件， 一个表的表名信息是其唯一的标识信息， 需要检查的表的 表名信息可以使上游数据库和大数据中心根据表名信息精确定位到所需要检查 的表。 然后由于一个表名唯一对应一张表， 故再根据所述表名确定上游数据库 和大数据中心各节点所需要检查的表的数量 （即通过统计表名的数量来确定表 的数量） ， 并将所述数量与节点关联写入配置文件。 以便上游数据库和大数据 中心各节点根据各自所需要检查的表的数量， 统计各自所需要检查的表的量。 所述所需要检查的表的量可以是需要检查的表的数量， 也可以是需要检查的表 所占用存储空间的大小， 还可以是需要检查的表的数量和需要检查的表所占用 存储空间的大小的加权和。 而之所以将上游数据库和大数据中心各节点所需要 检查的表的数量与节点关联写入配置文件而不是所需要检查的表的量， 是因为 如果要统计所需要检查的表的量就有可能需要向上游数据库和大数据中心各节 点查询， 这个工作量过于庞杂， 而所需要检查的表的数量可以直接根据表名统 计， 每一个表的表名对应一张表， 其工作量大大减少， 且所需要检查的表的量 为数量时， 可以直接将配置文件中的数量作为需要检查的表的量。 步骤 S120, 根据所述上游数据库和大数据中心各节点所需要检查的表的量分配去各节点查 询时所占用的线程数， 并将所述线程数和节点关联后， 写入配置文件。 将所待 检查的表的表名以及上游数据库和大数据中心各节点所需要检查的表的数量均 写入配置文件后， 就可以根据所述上游数据库和大数据中心各节点所需要检查 的表的量分配去各节点查询时所占用的线程数， 对于所需要检查的表的量较多 的节点， 分配较多的线程数， 对于所需要检查的表的量较少的节点， 分配较少 的线程数。 这样分配所占用的线程数， 在按照分配的线程数查询的时候， 可以 使查询过程更稳定， 不会出现由于某一节点的大文件将所有线程占用而导致所 述节点工作负载过大而查询失败的情况， 也不会出现由于某一节点的大文件将 所有线程占用而导致其它节点断连过久而查询失败的情况， 也不会出现因为某 一节点卡死而导致查询失败的情况。 使得查询过程的工作负载分配得更为均衡 更为合理， 又好又快地完成查询过程。 步骤 S130, 向上游数据库发送配置文件
， 以便所述上游数据库的主服务器根据所述配置文件中所分配的去各节点查询 时所占用的线程数以及配置文件中的表名， 分别在上游数据库各节点的源表对 所述需要检查的表的数据量和主键进行查询， 并将所述上游数据库对应的数据 量和主键的结果， 写入第一查询结果表， 所述主键是表中的一个或多个字段， 每一个主键的值用于唯一地标识表中的一条记录。 步骤 S140, 向大数据中心发 送所述配置文件， 以便所述大数据中心的主服务器根据所述配置文件中线程数 和节点、 所分配的去各节点查询时所占用的线程数以及配置文件中的表名， 分 别在大数据中心各节点的目标表对所述需要检查的表的数据量和主键进行查询 ， 并将所述大数据中心对应的数据量和主键的结果写入第二查询结果表。 将去 各节点查询时所占用的线程数和节点关联写入配置文件后， 所述配置文件中包 含的信息已满足进行查询任务的需求， 就可以发送给上游数据库和大数据中心 ， 以便上游数据库和大数据中心根据配置文件中包含的信息进行查询任务。 在 进行查询任务时主要对所述需要检查的表的数据量和主键进行查询。 主键， 即 主关键字， 是表中的一个或多个字段， 它的值用于唯一地标识表中的一条记录 。 主关键字是一种唯一关键字， 一个表的主键可以由多个关键字共同组成， 并 且主关键字的列不能包含空值。 查询所述需要检查的表的主键相比查询表的内 容， 能够在表示表的内容的同时， 可以加快数据库的查询速度， 大幅度缩减查 询结果的大小。 最后所述数据量和主键的结果分别写入一张查询结果表， 即得 到第一查询结果表和第二查询结果表。 步骤 S150, 接收所述上游数据库发送的 第一查询结果表和所述大数据中心发送的第二查询结果表。 得到第一查询结果 表和第二查询结果表后， 上游数据库 200和大数据中心 300就可以将所述第一查 询结果表和第二查询结果表发送给测试中心服务器 100, 由测试中心服务器 100 进行下一步操作。 在发送第一查询结果表和第二查询结果表时， 可以按照第一 查询结果表和第二查询结果表所占用存储空间的大小分配所占用的线程数。 也 可以将第一查询结果表和第二查询结果表分成若干部分， 按照各部分所占用存 储空间的大小来分配所占用的线程数。 步骤 S160, 基于第一查询结果表和第二 查询结果表中的数据量和主键生成测试结果。 最后对比第一查询结果表和第二 查询结果表的数据量和主键， 得出两个表中不同的数据量和主键。 若第一查询
结果表和第二查询结果表的数据量不同， 则存在有漏传的情况； 若第一查询结 果表和第二查询结果表存在有不同的主键， 则存在有误传或者漏传的情况， 这 些情况都需要写入测试结果中。 以便根据测试结果进行一些后续的处理， 例如 重新传输或者进行系统维护。
[0027] 本申请要进行的测试为回归测试， 具体来说， 就是检测上游数据库向大数据中 心传输的数据是否有漏传或者误传。 故本申请事先配置一个配置文件， 配置文 件中包括需要检查的表的表名信息， 以便上游数据库和大数据中心根据表名信 息查询所需要检查的表的数据量和主键。 之所以检查数据量是为了检查有没有 漏传， 而检查主关键字是为了检查有没有误传。 由于本申请涉及的是大数据集 群间的测试， 数据量会比较大， 故需要合理安排测试中各大数据集群节点的传 输的速度， 故本申请中的配置文件中还包括了事先统计出来的各节点的任务量 ， 以及按照任务量分配的线程数， 以保证在数据测试过程中不会断线。 可选的 ， 图 3是根据图 2对应实施例示出的大数据存储中心自动化回归测试方法中步骤 S 160的细节描述， 所述大数据存储中心自动化回归测试方法中， 步骤 S160可以包 括以下步骤： 步骤 S161， 将所述第一查询结果表中的数据量和主键和第二查询 结果表中对应的数据量和主键输入机器学习模型， 获得每一对数据和主键的测 试结果。 在对比第一查询结果表和第二查询结果表的数据量和主键时可以通过 机器学习模型来执行， 这样会使得输出的对比结果有较高的准确率而且随着机 器学习模型的深度学习， 这个结果会越来越准确。 步骤 S162, 将所述测试结果 写入测试结果表。 其中， 所述机器学习模型的训练过程为： 将正查询结果样本 对输入机器学习模型， 所述正查询结果样本对是两个数据量样本或者两个主键 样本， 其中一个数据量样本是另一个数据量样本的相同对象， 或者其中一个主 键样本是另一个主键样本的相同对象， 若输出的判定结果不相同， 则调整所述 机器学习模型的系数； 将负查询结果样本输入机器学习模型， 所述负查询结果 样本对是两个数据量样本或者两个主键样本， 其中一个数据量样本是另一个数 据量样本的不同对象， 或者其中一个主键样本是另一个主键样本的不同对象， 若输出的判定结果为相同， 则调整所述机器学习模型的系数。 本方案通过机器 学习模型来对两个查询结果表中数据量和主键信息进行比对， 然后将比对信息
写入检查结果表的方式来检测查询结果， 找出失败的场景。 由于机器学习模型 经过训练， 在对比测试过程中输出结果会越来越准， 提高了测试的准确率。 所 述机器学习模型的学习的方式为： 在外界输入样本的刺激下不断改变网络的连 接权值。 学习的本质是对各连接权重进行动态调整。 由于每个样本对的两个样 本是否相同是已知的， 一旦机器学习模型根据各连接权重， 对从各样本对施加 运算， 得到的字段名称和参数要求结果与已知结果不符， 其就自动调整各连接 权重， 直到得到的字段名称和参数要求结果与已知结果相符。 这样， 就训练好 了机器学习模型。 然后将第一查询结果表中的的查询结果和第二查询结果表中 对应的查询结果输入机器学习模型， 就得到了该对查询结果的测试结果。
[0028] 图 4示出了在一个实施例中， 图 2对应实施例中的步骤 S160之后， 所述大数据存 储中心自动化回归测试方法还可以包括以下步骤： 步骤 S170, 将所述测试结果 发送给用户， 以便用户根据所述测试结果对所述不相同的数据量和主键进行人 工验证。 当得到测试结果后， 还需要把所述测试结果传递到相关测试维护人员 （即用户） 手中， 以方便相关人员根据测试结果中记录的不相同的数据量和主 键进行人工验证， 找出漏传和误传的数据表， 根据漏传和误传的数据表分析失 败场景， 然后就失败场景进行修复维护， 这样就可以修正错误， 使得上游数据 库和大数据中心之间的数据保持一致， 也完成了此次测试的最终目的。
[0029] 图 5示出了在一个实施例中， 图 2对应实施例中的步骤 S160之后， 所述大数据存 储中心自动化回归测试方法还可以包括以下步骤： 步骤 S180, 将所述测试结果 发送至上游数据库， 以便所述上游数据库根据所述测试结果将所述不相同的数 据量和主键重新发送至大数据中心。 当得到测试结果后， 也可以不用相关人员 根据测试结果中记录的不相同的数据量和主键进行人工验证， 而是系统自己修 复， 本方案是将所述测试结果发送至上游数据库， 然后上游数据库根据所述测 试结果将所述不相同的数据量和主键重新再一次发送至大数据中心， 填补覆盖 掉之前的错误数据， 这样就完成了自我纠正， 免去了人工验证维护的繁杂的操 作量， 提高了测试维护的效率。 可选的， 图 2对应实施例示出的大数据存储中心 自动化回归测试方法中所述上游数据库和大数据中心各节点所需要检查的表的 量是所需要检查的表的数量。 可选的， 图 2对应实施例示出的大数据存储中心自
动化回归测试方法中所述上游数据库和大数据中心各节点所需要检查的表的量 是所需要检查的表所占用存储空间的大小。 可选的， 图 2对应实施例示出的大数 据存储中心自动化回归测试方法中所述上游数据库和大数据中心各节点所需要 检查的表的量是所需要检查的表的数量和需要检查的表所占用存储空间的大小 的加权和。 表的数量和表所占用存储空间都能在一定程度上反映出上游数据库 和大数据中心查询数据的任务量的大小， 而将表的数量和表所占用存储空间这 两项按照一定的权重比求加权和， 能够覆盖更多的维度， 更客观得表示上游数 据库和大数据中心查询数据的任务量的大小。
[0030] 如图 6所示， 在一个实施例中， 提供了一种大数据存储中心自动化回归测试装 置， 所述大数据存储中心自动化回归测试装置可以集成于上述的测试中心服务 器 100中， 具体可以包括： 配置文件写入单元 110、 节点线程分配单元 120、 上游 数据查询单元 130、 下游数据查询单元 140、 查询结果接收单元 150、 测试结果生 成单元 160。 配置文件写入单元 110, 用于将所需要检查的表的表名写入配置文 件， 并根据所述表名确定上游数据库和大数据中心各节点所需要检查的表的数 量， 并将所述数量与节点关联写入配置文件； 节点线程分配单元 120, 用于根据 所述上游数据库和大数据中心各节点所需要检查的表的量分配去各节点查询时 所占用的线程数， 并将所述线程数和节点关联写入配置文件； 上游数据查询单 元 130, 用于向上游数据库发送配置文件， 以便所述上游数据库的主服务器根据 所述配置文件中线程数和节点， 按照所分配的线程数， 根据配置文件中的表名 ， 分别在上游数据库各节点的源表对所述需要检查的表的数据量和主键进行查 询， 并将所述数据量和主键的结果， 写入第一查询结果表， 所述主键是表中的 一个或多个字段， 它的值用于唯一地标识表中的某一条记录； 下游数据查询单 元 140, 用于向大数据中心发送所述配置文件， 以便所述大数据中心的主服务器 根据所述配置文件中线程数和节点， 以及， 按照所分配的线程数， 根据配置文 件中的表名， 分别在大数据中心各节点的目标表对所述需要检查的表的数据量 和主键进行查询， 并将所述数据量和主键的结果写入第二查询结果表； 查询结 果接收单元 150, 用于接收所述上游数据库发送的第一查询结果表和所述大数据 中心发送的第二查询结果表； 测试结果生成单元 160, 用于基于第一查询结果表
和第二查询结果表中的数据量和主键中不同的数量和主键， 生成测试结果。 上 述装置中各个模块的功能和作用的实现过程具体详见上述大数据存储中心自动 化回归测试方法中对应步骤的实现过程， 在此不再赘述。 应当注意， 尽管在上 文详细描述中提及了用于动作执行的设备的若干模块或者单元， 但是这种划分 并非强制性的。 实际上， 根据本申请的实施方式， 上文描述的两个或更多模块 或者单元的特征和功能可以在一个模块或者单元中具体化。 反之， 上文描述的 一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体 化。 此外， 尽管在附图中以特定顺序描述了本申请中方法的各个步骤， 但是， 这并非要求或者暗示必须按照该特定顺序来执行这些步骤， 或是必须执行全部 所示的步骤才能实现期望的结果。 附加的或备选的， 可以省略某些步骤， 将多 个步骤合并为一个步骤执行， 以及 /或者将一个步骤分解为多个步骤执行等。 通 过以上的实施方式的描述， 本领域的技术人员易于理解， 这里描述的示例实施 方式可以通过软件实现， 也可以通过软件结合必要的硬件的方式来实现。 因此 ， 根据本申请实施方式的技术方案可以以软件产品的形式体现出来， 该软件产 品可以存储在一个非易失性存储介质 （可以是 CD-ROM， U盘， 移动硬盘等） 中 或网络上， 包括若干指令以使得一台计算设备 （可以是个人计算机、 服务器、 移动终端、 或者网络设备等） 执行根据本申请实施方式的方法。
[0031] 在本申请的示例性实施例中， 还提供了一种能够实现上述方法的测试中心服务 器。 所属技术领域的技术人员能够理解， 本申请的各个方面可以实现为系统、 方法或程序产品。 因此， 本申请的各个方面可以具体实现为以下形式， 即： 完 全的硬件实施方式、 完全的软件实施方式 （包括固件、 微代码等） ， 或硬件和 软件方面结合的实施方式， 这里可以统称为“电路”、 “模块”或“系统”。 下面参照 图 7来描述根据本申请的这种实施方式的测试中心服务器 500。 图 7显示的测试中 心服务器 500仅仅是一个示例， 不应对本申请实施例的功能和使用范围带来任何 限制。 如图 7所示， 测试中心服务器 500以通用计算设备的形式表现。 测试中心 服务器 500的组件可以包括但不限于： 上述至少一个处理单元 510、 上述至少一 个存储单元 520、 连接不同系统组件 （包括存储单元 520和处理单元 510） 的总线 530。 其中， 所述存储单元存储有程序代码， 所述程序代码可以被所述处理单元
510执行， 使得所述处理单元 510执行本说明书上述“示例性方法”部分中描述的根 据本申请各种示例性实施方式的步骤。 例如， 所述处理单元 510可以执行如图 2 中所示的步骤 S110, 将所需要检查的表的表名写入配置文件， 并根据所述表名 确定上游数据库和大数据中心各节点所需要检查的表的数量， 并将所述数量与 节点关联写入配置文件； 步骤 S120, 根据所述上游数据库和大数据中心各节点 所需要检查的表的数量分配去各节点查询时所占用的线程数， 并将所述线程数 和节点关联写入配置文件； 步骤 S130, 向上游数据库发送配置文件， 以便所述 上游数据库的主服务器根据所述配置文件中线程数和节点， 按照所分配的线程 数， 根据配置文件中的表名， 分别在上游数据库各节点的源表对所述需要检查 的表的数据量和主键进行查询， 并将所述数据量和主键的结果， 写入第一查询 结果表， 所述主键是表中的一个或多个字段， 它的值用于唯一地标识表中的某 一条记录； 步骤 S140, 向大数据中心发送所述配置文件， 以便所述大数据中心 的主服务器根据所述配置文件中线程数和节点， 以及， 按照所分配的线程数， 根据配置文件中的表名， 分别在大数据中心各节点的目标表对所述需要检查的 表的数据量和主键进行查询， 并将所述数据量和主键的结果写入第二查询结果 表； 步骤 S150, 接收所述上游数据库发送的第一查询结果表和所述大数据中心 发送的第二查询结果表； 步骤 S160, 基于第一查询结果表和第二查询结果表中 的数据量和主键中不同的数量和主键， 生成测试结果。 存储单元 520可以包括易 失性存储单元形式的可读介质， 例如随机存取存储单元 （RAM） 5201和 /或高速 缓存存储单元 5202, 还可以进一步包括只读存储单元 （ROM） 5203。 存储单元 5 20还可以包括具有一组 （至少一个） 程序模块 5205的程序 /实用工具 5204， 这样 的程序模块 5205包括但不限于： 操作系统、 一个或者多个应用程序、 其它程序 模块以及程序数据， 这些示例中的每一个或某种组合中可能包括网络环境的实 现。 总线 530可以为表示几类总线结构中的一种或多种， 包括存储单元总线或者 存储单元控制器、 外围总线、 图形加速端口、 处理单元或者使用多种总线结构 中的任意总线结构的局域总线。 测试中心服务器 500也可以与一个或多个外部设 备 700 （例如键盘、 指向设备、 蓝牙设备等） 通信， 还可与一个或者多个使得用 户能与该测试中心服务器 500交互的设备通信， 和 /或与使得该测试中心服务器 50
0能与一个或多个其它计算设备进行通信的任何设备 （例如路由器、 调制解调器 等等） 通信。 这种通信可以通过输入 /输出 （I/O） 接口 550进行。 并且， 测试中 心服务器 500还可以通过网络适配器 560与一个或者多个网络 （例如局域网 （LA N） ， 广域网 （WAN） 和 /或公共网络， 例如因特网） 通信。 如图所示， 网络适 配器 560通过总线 530与测试中心服务器 500的其它模块通信。 应当明白， 尽管图 中未示出， 可以结合测试中心服务器 500使用其它硬件和 /或软件模块， 包括但不 限于： 微代码、 设备驱动器、 冗余处理单元、 外部磁盘驱动阵列、 RAID系统、 磁带驱动器以及数据备份存储系统等。 通过以上的实施方式的描述， 本领域的 技术人员易于理解， 这里描述的示例实施方式可以通过软件实现， 也可以通过 软件结合必要的硬件的方式来实现。 因此， 根据本申请实施方式的技术方案可 以以软件产品的形式体现出来， 该软件产品可以存储在一个非易失性存储介质 （可以是 CD-ROM， U盘， 移动硬盘等） 中或网络上， 包括若干指令以使得一台 计算设备 （可以是个人计算机、 服务器、 终端装置、 或者网络设备等） 执行根 据本申请实施方式的方法。
[0032] 在本申请的示例性实施例中， 还提供了一种计算机可读存储介质， 其上存储有 能够实现本说明书上述方法的程序产品。 在一些可能的实施方式中， 本申请的 各个方面还可以实现为一种程序产品的形式， 其包括程序代码， 当所述程序产 品在终端设备上运行时， 所述程序代码用于使所述终端设备执行本说明书上述“ 示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。 参考图 8所示 ， 描述了根据本申请的实施方式的用于实现上述方法的计算机可读存储介质 600 ， 其可以采用便携式紧凑盘只读存储器（CD-ROM）并包括程序代码， 并可以在终 端设备， 例如个人电脑上运行。 然而， 本申请的程序产品不限于此， 在本文件 中， 可读存储介质可以是任何包含或存储程序的有形介质， 该程序可以被指令 执行系统、 装置或者器件使用或者与其结合使用。 上述计算机可读存储介质可 以为非易失性可读存储介质， 例如存储于 CD-ROM， U盘， 移动硬盘设备中的非 易失性可读存储介质， 可以包括若干指令以使得一台计算设备 （可以是个人计 算机、 服务器、 终端装置、 或者网络设备等） 执行根据本申请实施方式的方法 。 所述程序产品可以采用一个或多个可读介质的任意组合。 可读介质可以是可
读信号介质或者可读存储介质。 可读存储介质例如可以为但不限于电、 磁、 光 、 电磁、 红外线、 或半导体的系统、 装置或器件， 或者任意以上的组合。 可读 存储介质的更具体的例子 （非穷举的列表） 包括： 具有一个或多个导线的电连 接、 便携式盘、 硬盘、 随机存取存储器 （RAM） 、 只读存储器 （ROM） 、 可擦 式可编程只读存储器 （EPROM或闪存） 、 光纤、 便携式紧凑盘只读存储器（CD- ROM）、 光存储器件、 磁存储器件、 或者上述的任意合适的组合。 计算机可读信 号介质可以包括在基带中或者作为载波一部分传播的数据信号， 其中承载了可 读程序代码。 这种传播的数据信号可以采用多种形式， 包括但不限于电磁信号 、 光信号或上述的任意合适的组合。 可读信号介质还可以是可读存储介质以外 的任何可读介质， 该可读介质可以发送、 传播或者传输用于由指令执行系统、 装置或者器件使用或者与其结合使用的程序。 可读介质上包含的程序代码可以 用任何适当的介质传输， 包括但不限于无线、 有线、 光缆、 RF等等， 或者上述 的任意合适的组合。 可以以一种或多种程序设计语言的任意组合来编写用于执 行本申请操作的程序代码， 所述程序设计语言包括面向对象的程序设计语言一 诸如 Java、 C++等， 还包括常规的过程式程序设计语言一诸如“C”语言或类似的 程序设计语言。 程序代码可以完全地在用户计算设备上执行、 部分地在用户设 备上执行、 作为一个独立的软件包执行、 部分在用户计算设备上部分在远程计 算设备上执行、 或者完全在远程计算设备或服务器上执行。 在涉及远程计算设 备的情形中， 远程计算设备可以通过任意种类的网络， 包括局域网 （LAN） 或 广域网 （WAN） ， 连接到用户计算设备， 或者， 可以连接到外部计算设备 （例 如利用因特网服务提供商来通过因特网连接） 。 此外， 上述附图仅是根据本申 请示例性实施例的方法所包括的处理的示意性说明， 而不是限制目的。 易于理 解， 上述附图所示的处理并不表明或限制这些处理的时间顺序。 另外， 也易于 理解， 这些处理可以是例如在多个模块中同步或异步执行的。 上述内容， 仅为 本申请的较佳示例性实施例， 并非用于限制本申请的实施方案， 本领域普通技 术人员根据本申请的主要构思和精神， 可以十分方便地进行相应的变通或修改 ， 故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims
权利要求书
[权利要求 i] 一种大数据存储中心自动化回归测试方法， 包括：
将待检查的表的表名写入配置文件， 并根据所述表名确定上游数据库 和大数据中心各节点所需要检查的表的数量， 并将所述数量与节点进 行关联后， 写入配置文件；
根据所述上游数据库和大数据中心各节点所需要检查的表的量分配去 各节点查询时所占用的线程数， 并将所述线程数和节点关联后， 写入 配置文件；
向上游数据库发送配置文件， 以便所述上游数据库的主服务器根据所 述配置文件中所分配的去各节点查询时所占用的线程数以及配置文件 中的表名， 分别在上游数据库各节点的源表对所述需要检查的表的数 据量和主键进行查询， 并将所述上游数据库对应的数据量和主键的结 果， 写入第一查询结果表， 所述主键是表中的一个或多个字段， 每一 个主键的值用于唯一地标识表中的一条记录；
向大数据中心发送所述配置文件， 以便所述大数据中心的主服务器根 据所述配置文件中线程数和节点、 所分配的去各节点查询时所占用的 线程数以及配置文件中的表名， 分别在大数据中心各节点的目标表对 所述需要检查的表的数据量和主键进行查询， 并将所述大数据中心对 应的数据量和主键的结果写入第二查询结果表； 接收所述上游数据库发送的第一查询结果表和所述大数据中心发送的 第二查询结果表；
基于第一查询结果表和第二查询结果表中的数据量和主键生成测试结 果。
[权利要求 2] 如权利要求 1所述的方法， 其中， 所述基于第一查询结果表和第二查 询结果表中的数据量和主键生成测试结果的步骤包括：
将所述第一查询结果表中的数据量和主键和第二查询结果表中对应的 数据量和主键输入机器学习模型， 获得每一对数据和主键的测试结果
将所述测试结果写入测试结果表；
其中， 所述机器学习模型的训练过程为：
将正查询结果样本对输入机器学习模型， 所述正查询结果样本对是两 个数据量样本或者两个主键样本， 其中一个数据量样本是另一个数据 量样本的相同对象， 或者其中一个主键样本是另一个主键样本的相同 对象， 若输出的判定结果不相同， 则调整所述机器学习模型的系数； 将负查询结果样本输入机器学习模型， 所述负查询结果样本对是两个 数据量样本或者两个主键样本， 其中一个数据量样本是另一个数据量 样本的不同对象， 或者其中一个主键样本是另一个主键样本的不同对 象， 若输出的判定结果为相同， 则调整所述机器学习模型的系数。
[权利要求 3] 如权利要求 1所述的方法， 其中， 所述测试结果表包括不相同的数据 量和主键， 在对比第一查询结果表和第二查询结果表中的数据量和主 键， 并生成测试结果之后， 还包括：
将所述测试结果发送给用户， 以便用户根据所述测试结果对所述不相 同的数据量和主键进行人工验证。
[权利要求 4] 如权利要求 1所述的方法， 其中， 所述测试结果表包括不相同的数据 量和主键， 在对比第一查询结果表和第二查询结果表中的数据量和主 键， 并生成测试结果之后， 还包括：
将所述测试结果发送至上游数据库， 以便所述上游数据库根据所述测 试结果将所述不相同的数据量和主键重新发送至大数据中心。
[权利要求 5] 如权利要求 1所述的方法， 其中， 所述上游数据库和大数据中心各节 点所需要检查的表的量是所需要检查的表的数量。
[权利要求 6] 如权利要求 1所述的方法， 其中， 所述上游数据库和大数据中心各节 点所需要检查的表的量是所需要检查的表所占用存储空间的大小。
[权利要求 7] 如权利要求 1所述的方法， 其中， 所述上游数据库和大数据中心各节 点所需要检查的表的量是所需要检查的表的数量和需要检查的表所占 用存储空间的大小的加权和。
[权利要求 8] 一种大数据存储中心自动化回归测试装置， 包括：
配置文件写入单元， 用于将待检查的表的表名写入配置文件， 并根据 所述表名确定上游数据库和大数据中心各节点所需要检查的表的数量 ， 并将所述数量与节点进行关联后， 写入配置文件；
节点线程分配单元， 用于根据所述上游数据库和大数据中心各节点所 需要检查的表的量分配各节点查询时所占用的线程数， 并将所述线程 数和节点关联后， 写入配置文件；
上游数据查询单元， 用于向上游数据库发送配置文件， 以便所述上游 数据库的主服务器根据所述配置文件中所分配的去各节点查询时所占 用的线程数以及配置文件中的表名， 分别在上游数据库各节点的源表 对所述需要检查的表的数据量和主键进行查询， 并将所述上游数据库 对应的数据量和主键的结果， 写入第一查询结果表， 所述主键是表中 的一个或多个字段， 每一个主键的值用于唯一地标识表中的一条记录 下游数据查询单元， 用于向大数据中心发送所述配置文件， 以便所述 大数据中心的主服务器根据所述配置文件中线程数和节点、 所分配的 去各节点查询时所占用的线程数以及配置文件中的表名， 分别在大数 据中心各节点的目标表对所述需要检查的表的数据量和主键进行查询 ， 并将所述大数据中心对应的数据量和主键的结果写入第二查询结果 表；
查询结果接收单元， 用于接收所述上游数据库发送的第一查询结果表 和所述大数据中心发送的第二查询结果表；
测试结果生成单元， 用于基于第一查询结果表和第二查询结果表中的 数据量和主键生成测试结果。
[权利要求 9] 如权利要求 8所述的装置， 其中， 所述测试结果生成单元被配置为： 将所述第一查询结果表中的数据量和主键和第二查询结果表中对应的 数据量和主键输入机器学习模型， 获得每一对数据和主键的测试结果 将所述测试结果写入测试结果表；
其中， 所述机器学习模型的训练过程为：
将正查询结果样本对输入机器学习模型， 所述正查询结果样本对是两 个数据量样本或者两个主键样本， 其中一个数据量样本是另一个数据 量样本的相同对象， 或者其中一个主键样本是另一个主键样本的相同 对象， 若输出的判定结果不相同， 则调整所述机器学习模型的系数； 将负查询结果样本输入机器学习模型， 所述负查询结果样本对是两个 数据量样本或者两个主键样本， 其中一个数据量样本是另一个数据量 样本的不同对象， 或者其中一个主键样本是另一个主键样本的不同对 象， 若输出的判定结果为相同， 则调整所述机器学习模型的系数。
[权利要求 10] 如权利要求 8所述的装置， 其中， 所述测试结果表包括不相同的数据 量和主键， 在对比第一查询结果表和第二查询结果表中的数据量和主 键， 并生成测试结果之后， 所述装置还被配置为： 将所述测试结果发送给用户， 以便用户根据所述测试结果对所述不相 同的数据量和主键进行人工验证。
[权利要求 11] 如权利要求 8所述的装置， 其中， 所述测试结果表包括不相同的数据 量和主键， 在对比第一查询结果表和第二查询结果表中的数据量和主 键， 并生成测试结果之后， 所述装置还被配置为： 将所述测试结果发送至上游数据库， 以便所述上游数据库根据所述测 试结果将所述不相同的数据量和主键重新发送至大数据中心。
[权利要求 12] 如权利要求 8所述的装置， 其中， 所述上游数据库和大数据中心各节 点所需要检查的表的量是所需要检查的表的数量。
[权利要求 13] 如权利要求 8所述的装置， 其中， 所述上游数据库和大数据中心各节 点所需要检查的表的量是所需要检查的表所占用存储空间的大小。
[权利要求 14] 如权利要求 8所述的装置， 其中， 所述上游数据库和大数据中心各节 点所需要检查的表的量是所需要检查的表的数量和需要检查的表所占 用存储空间的大小的加权和。
[权利要求 15] 一种测试中心服务器， 包括处理器及存储器， 所述存储器上存储有计 算机可读指令， 所述计算机可读指令被所述处理器执行时， 所述处理
器用于执行如下处理：
将待检查的表的表名写入配置文件， 并根据所述表名确定上游数据库 和大数据中心各节点所需要检查的表的数量， 并将所述数量与节点进 行关联后， 写入配置文件；
根据所述上游数据库和大数据中心各节点所需要检查的表的量分配去 各节点查询时所占用的线程数， 并将所述线程数和节点关联后， 写入 配置文件；
向上游数据库发送配置文件， 以便所述上游数据库的主服务器根据所 述配置文件中所分配的去各节点查询时所占用的线程数以及配置文件 中的表名， 分别在上游数据库各节点的源表对所述需要检查的表的数 据量和主键进行查询， 并将所述上游数据库对应的数据量和主键的结 果， 写入第一查询结果表， 所述主键是表中的一个或多个字段， 每一 个主键的值用于唯一地标识表中的一条记录；
向大数据中心发送所述配置文件， 以便所述大数据中心的主服务器根 据所述配置文件中线程数和节点、 所分配的去各节点查询时所占用的 线程数以及配置文件中的表名， 分别在大数据中心各节点的目标表对 所述需要检查的表的数据量和主键进行查询， 并将所述大数据中心对 应的数据量和主键的结果写入第二查询结果表； 接收所述上游数据库发送的第一查询结果表和所述大数据中心发送的 第二查询结果表；
基于第一查询结果表和第二查询结果表中的数据量和主键生成测试结 果。
[权利要求 16] 如权利要求 15所述的测试中心服务器， 其中， 所述基于第一查询结果 表和第二查询结果表中的数据量和主键生成测试结果的步骤包括： 将所述第一查询结果表中的数据量和主键和第二查询结果表中对应的 数据量和主键输入机器学习模型， 获得每一对数据和主键的测试结果 将所述测试结果写入测试结果表；
其中， 所述机器学习模型的训练过程为：
将正查询结果样本对输入机器学习模型， 所述正查询结果样本对是两 个数据量样本或者两个主键样本， 其中一个数据量样本是另一个数据 量样本的相同对象， 或者其中一个主键样本是另一个主键样本的相同 对象， 若输出的判定结果不相同， 则调整所述机器学习模型的系数； 将负查询结果样本输入机器学习模型， 所述负查询结果样本对是两个 数据量样本或者两个主键样本， 其中一个数据量样本是另一个数据量 样本的不同对象， 或者其中一个主键样本是另一个主键样本的不同对 象， 若输出的判定结果为相同， 则调整所述机器学习模型的系数。
[权利要求 17] 如权利要求 15所述的测试中心服务器， 其中， 所述测试结果表包括不 相同的数据量和主键， 所述计算机可读指令被所述处理器执行时， 所 述处理器还用于执行以下处理： 在对比第一查询结果表和第二查询结 果表中的数据量和主键， 并生成测试结果之后， 将所述测试结果发送给用户， 以便用户根据所述测试结果对所述不相 同的数据量和主键进行人工验证。
[权利要求 18] 如权利要求 15所述的测试中心服务器， 其中， 所述测试结果表包括不 相同的数据量和主键， 所述计算机可读指令被所述处理器执行时， 所 述处理器还用于执行以下处理： 在对比第一查询结果表和第二查询结 果表中的数据量和主键， 并生成测试结果之后， 将所述测试结果发送至上游数据库， 以便所述上游数据库根据所述测 试结果将所述不相同的数据量和主键重新发送至大数据中心。
[权利要求 19] 如权利要求 15所述的测试中心服务器， 其中， 所述上游数据库和大数 据中心各节点所需要检查的表的量是所需要检查的表的数量。
[权利要求 20] 如权利要求 15所述的测试中心服务器， 其中， 所述上游数据库和大数 据中心各节点所需要检查的表的量是所需要检查的表所占用存储空间 的大小。
[权利要求 21] 如权利要求 15所述的测试中心服务器， 其中， 所述上游数据库和大数 据中心各节点所需要检查的表的量是所需要检查的表的数量和需要检
查的表所占用存储空间的大小的加权和。
[权利要求 22] 一种计算机可读存储介质， 其上存储有计算机程序， 其中， 所述计算 机程序被处理器执行时， 所述处理器用于执行如权利要求 1至 7所述的 方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910279738.9 | 2019-04-09 | ||
| CN201910279738.9A CN110109824B (zh) | 2019-04-09 | 2019-04-09 | 大数据自动回归测试方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020207014A1 true WO2020207014A1 (zh) | 2020-10-15 |
Family
ID=67483727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/118587 Ceased WO2020207014A1 (zh) | 2019-04-09 | 2019-11-14 | 大数据自动回归测试方法、装置、测试中心服务器和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110109824B (zh) |
| WO (1) | WO2020207014A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112422635A (zh) * | 2020-10-27 | 2021-02-26 | 中国银联股份有限公司 | 数据核对方法、装置、设备、系统及存储介质 |
| CN113342791A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 一种数据质量监测方法及装置 |
| CN114356752A (zh) * | 2021-12-10 | 2022-04-15 | 北京镁伽科技有限公司 | 测试要素文件配置方法及装置、pg装置及存储介质 |
| CN115391605A (zh) * | 2022-07-26 | 2022-11-25 | 北京京东乾石科技有限公司 | 数据查询方法、装置、设备、计算机可读介质和程序产品 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110109824B (zh) * | 2019-04-09 | 2022-05-17 | 平安科技（深圳）有限公司 | 大数据自动回归测试方法、装置、计算机设备和存储介质 |
| CN111125101B (zh) * | 2019-12-16 | 2023-10-13 | 杭州涂鸦信息技术有限公司 | 一种数据中心表结构一致性监控方法及系统 |
| CN113342674A (zh) * | 2021-06-28 | 2021-09-03 | 平安普惠企业管理有限公司 | 基于学习的性能基线回归测试方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140006366A1 (en) * | 2009-10-22 | 2014-01-02 | International Business Machines Corporation | Data alignment technology |
| CN105760291A (zh) * | 2014-12-17 | 2016-07-13 | 阿里巴巴集团控股有限公司 | 一种回归测试方法和系统 |
| CN107679054A (zh) * | 2017-06-12 | 2018-02-09 | 平安科技（深圳）有限公司 | 数据比对方法、装置及可读存储介质 |
| CN110109824A (zh) * | 2019-04-09 | 2019-08-09 | 平安科技（深圳）有限公司 | 大数据自动回归测试方法、装置、计算机设备和存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095325A (zh) * | 2014-05-23 | 2015-11-25 | 中兴通讯股份有限公司 | 一种测试数据的生成方法及装置 |
| CN105786695B (zh) * | 2014-12-26 | 2019-09-17 | 北大医疗信息技术有限公司 | 数据测试方法及系统 |
| US10467220B2 (en) * | 2015-02-19 | 2019-11-05 | Medidata Solutions, Inc. | System and method for generating an effective test data set for testing big data applications |
| CN107544895A (zh) * | 2016-06-28 | 2018-01-05 | 中兴通讯股份有限公司 | Hadoop大数据平台测试系统及方法 |
| CN107665171B (zh) * | 2017-10-11 | 2020-08-04 | 中国民生银行股份有限公司 | 自动回归测试方法及装置 |
| CN109189675A (zh) * | 2018-08-20 | 2019-01-11 | 中国平安人寿保险股份有限公司 | 大数据架构软件测试方法、装置、计算机设备和存储介质 |
| CN109117375A (zh) * | 2018-08-30 | 2019-01-01 | 上海携程金融信息服务有限公司 | 数据库接口测试方法、系统、设备和存储介质 |
-
2019
- 2019-04-09 CN CN201910279738.9A patent/CN110109824B/zh active Active
- 2019-11-14 WO PCT/CN2019/118587 patent/WO2020207014A1/zh not_active Ceased
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140006366A1 (en) * | 2009-10-22 | 2014-01-02 | International Business Machines Corporation | Data alignment technology |
| CN105760291A (zh) * | 2014-12-17 | 2016-07-13 | 阿里巴巴集团控股有限公司 | 一种回归测试方法和系统 |
| CN107679054A (zh) * | 2017-06-12 | 2018-02-09 | 平安科技（深圳）有限公司 | 数据比对方法、装置及可读存储介质 |
| CN110109824A (zh) * | 2019-04-09 | 2019-08-09 | 平安科技（深圳）有限公司 | 大数据自动回归测试方法、装置、计算机设备和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112422635A (zh) * | 2020-10-27 | 2021-02-26 | 中国银联股份有限公司 | 数据核对方法、装置、设备、系统及存储介质 |
| CN112422635B (zh) * | 2020-10-27 | 2023-05-23 | 中国银联股份有限公司 | 数据核对方法、装置、设备、系统及存储介质 |
| CN113342791A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 一种数据质量监测方法及装置 |
| CN114356752A (zh) * | 2021-12-10 | 2022-04-15 | 北京镁伽科技有限公司 | 测试要素文件配置方法及装置、pg装置及存储介质 |
| CN115391605A (zh) * | 2022-07-26 | 2022-11-25 | 北京京东乾石科技有限公司 | 数据查询方法、装置、设备、计算机可读介质和程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110109824B (zh) | 2022-05-17 |
| CN110109824A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020207014A1 (zh) | 大数据自动回归测试方法、装置、测试中心服务器和存储介质 | |
| CN107341098B (zh) | 软件性能测试方法、平台、设备及存储介质 | |
| CN106940695B (zh) | 数据源信息的校验方法及装置 | |
| CN112579632B (zh) | 一种数据核验方法、装置、设备和介质 | |
| CN113127356A (zh) | 压测方法、装置、电子设备及存储介质 | |
| WO2021121296A1 (zh) | 习题测试数据生成方法以及装置 | |
| CN110806958A (zh) | 一种监控方法、监控装置、存储介质及电子设备 | |
| CN110716960B (zh) | 一种数据库查询方法、装置、设备及存储介质 | |
| CN110019257A (zh) | 主备数据库延迟时间处理方法、装置、介质和电子设备 | |
| CN112035159B (zh) | 一种稽核模型的配置方法、装置、设备及存储介质 | |
| WO2021051567A1 (zh) | 获取服务器维护脚本的方法、装置、电子设备及计算机非易失性可读存储介质 | |
| WO2021051879A1 (zh) | 反向代理评价模型中目标参数选取方法及相关装置 | |
| WO2021155683A1 (zh) | 日志打印方法、装置、电子设备和存储介质 | |
| CN111752916A (zh) | 数据采集方法及装置、计算机可读存储介质、电子设备 | |
| CN107885609A (zh) | 业务冲突处理方法及装置、存储介质和电子设备 | |
| CN110457179A (zh) | 系统检测方法、内存监控方法、装置、介质与电子设备 | |
| CN114996288A (zh) | 数据比对方法及装置、计算机存储介质、电子设备 | |
| CN110471665A (zh) | 脚本文件校验方法、装置、服务器及存储介质 | |
| CN107566480B (zh) | 移动终端应用的用户活动信息采集方法及装置、存储介质 | |
| CN110688305A (zh) | 测试环境同步方法、装置、介质、电子设备 | |
| CN116701362A (zh) | 一种数据自动迁移方法、系统、设备和存储介质 | |
| CN115687339A (zh) | 数据表分组方法及装置、可读存储介质、电子设备 | |
| CN110716843B (zh) | 系统故障分析处理方法、装置、存储介质及电子设备 | |
| WO2021217915A1 (zh) | 人机对话方法、装置、计算机设备和存储介质 | |
| CN112069071B (zh) | 用于确定程序适配性的方法、装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19924350 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19924350 Country of ref document: EP Kind code of ref document: A1 |