CN103475538A - 一种基于多接口的自适应的云服务测试方法 - Google Patents

Abstract

本发明是一种基于多接口的自适应的云服务测试方法，其中云平台提供的软件测试是一种新型的测试模式，它不同于一般的软件测试，主要区别是在云平台提供一种在线环境，能够并发地同时处理大量的任务集，并把测试的结果通过网络返回到客户端。主要目的是：在整个过程中主要是完成用户任务分类上传，以节约云平台按客户要求聚类的时间，以及对聚类任务进行小粒度的划分和任务的合理调度，使得云平台能够合理分配资源，实现负载均衡，从而达到在最大程度上提高云测试的效率的目标。

Description

一种基于多接口的自适应的云服务测试方法

技术领域

    本发明涉及当前云计算平台上面部署一种多接口自适应的云服务软件测试方法，主要是利用云计算强大的计算能力，设计一种新的软件测试方法，提高传统的软件测试方法的效率。属于软件测试和云计算的交叉领域。

 

背景技术

    测试在软件开发中占据着重要的地位，一种软件能不能够发布，它首先必须通过可行性、功能性测试，然而由于软件的复杂度越来越高，软件的规模越来越大，传统的软件测试方法很难能够满足软件测试的需求，尤其对于一些人力、财力有限的中小型企业，由于他们缺乏各种条件无法构建自己的软件测试平台，所以是否存在一种服务能够解决当前的软件测试问题则显得极为重要。

    在国内，传统的软件测试方法一直占据着主导地位，软件测试平台还是企业和个人自己构建，或者托管给相关的公司和企业来进行测试，然而，软件的复杂性使得其对软件测试环境的要求越来越高，软件的规模之大也造成测试时间的大大增长，那么，就有人提出把软件测试部署到云平台上进行测试，借助云计算强大的计算能力和存储能力完成软件测试的需要。总之，国内的云服务测试的研究还处于起步阶段。

    在国外，Hexaware与SOASTA合作提出将提供云测试服务，这使得很多租户可以把它们的软件交给云测试公司来处理，而且，由于云平台强大的计算能力，使得这些测试执行时间短，可靠性高。云测试服务的优点是：1、节约成本。在建设测试用基础设施方面，云测试可实现巨大节省，无需担心大量的前期硬件、软件和人力资源成本。2、覆盖面广。网络应用程序在日常条件下能够准确工作并能够应对意料之外的流量高峰，使客户获得巨大的性能改善。3、浏览器按需付费。不会造成不必要的浪费，使资源得到最合理的利用。4、高效、高保障。云计算提供强大的计算能力和容错机制，确保软件测试顺利高效的运行。因此，研究云服务测试的意义是深远的。

在学术界，目前，基于云测试的研究主要集中在对大量任务的有效聚类和调度上，并根据云计算各个节点的使用情况能够实现动态迁移、负载均衡。首先对于大量任务，由于他们的属性不同，对云平台的资源请求不同，如果对任务不加以处理，只是让这些测试任务按照FCFS的方式来处理，那么大量的任务将会因为一些资源不能满足任务的要求而无法处理任务，或者导致处理的效率低下。因而，如果能找到一种合理的策略对测试任务进行分类、调度，那么将会大大提高软件测试的效率，同时也能充分利用云平台所提供的资源。

    云计算环境是基于互联网的极其复杂的实时在线***，用户在任何时间都可以提交不同量的测试任务，如果能够在用户提交的过程中先基于客户的任务中的粗粒度的要求进行有效地分类，这无疑会让云平台省去大量聚类时间，所以本文提出一种多接口上传测试任务的方案，希望能够在任务提交给云平台之前先完成粗粒度的划分。另外在小粒度任务的调度上，当前的研究主要是对测试任务进行优先级的划分，针对不同的测试任务的属性不同，采用不同的算法给任务分配一定的优先级，不同算法处理的结果势必会影响到测试的结果，传统的做法就是通过不同算法对测试任务调度，以对比它们的测试结果。其实，更为合理的做法应该是根据不同的测试任务采用不同的算法，以一种自适应的方式处理测试任务。本方案将提出自适应的算法在云测试中的应用。

 

发明内容

技术问题： 本发明的目的是在云计算平台上提供一种基于多接口的自适应的云服务测试方法。首先，通过多接口上传的功能，可以为云平台减少测试任务的聚类时间，再加上基于用户的统计分析可以动态扩展接口，从而增强了测试任务的多样性和高效性；其次，根据上传的任务集的属性并结合云平台资源的使用和负载情况，采用自适应的算法动态的调度测试任务到虚拟机集群；最后，再将获得测试结果返回到客户端。这样的设计会使软件测试通过互联网高效的执行，从而极大地提高了测试效率。

技术方案：本发明方法的主要思想是：首先提供一种多接口的待测软件上传方式对软件进行预处理，从而避免给云平台聚类任务带来巨大压力；再根据任务集的属性对每一个任务划分优先级，同时考虑云平台上每个虚拟机集群负载情况，并通过自适应的调度算法合理处理任务；最终达到节省云服务测试时间，提高软件测试效率的目的。

    本发明在云计算平台上提供一种基于多接口的自适应的云服务测试方法，所

包含的步骤为： 

步骤1) 在多个接口上，开发上传界面的应用：

步骤1.1) 获取当前云服务平台所能提供的虚拟机的数量；

步骤1.2) 选取虚拟机资源作为云服务中心控制平台；

步骤1.3) 标签已经被选取的虚拟机资源：“已分类”；

步骤1.4) 标签没有被选取的虚拟机资源：“未分类”；

步骤1.5) 获取标签为“未分类”的虚拟机资源信息；

步骤1.6) 分类虚拟机资源；其中，虚拟机资源内容包含操作***的类型、互联网服务器的类型、数据库的类型和虚拟机资源标签：

步骤1.6.1) 获取操作***类型的种类n1类；

步骤1.6.2) 根据操作***类型的种类，分类虚拟机资源为n1类；

步骤1.6.3) 获取互联网服务器类型的种类n2类；

步骤1.6.4) 根据互联网服务器类型的种类，划分步骤1.6.2)中生成的虚拟机资源为n1×n2类；

步骤1.6.5) 获取数据库类型的种类n3类；

步骤1.6.6) 根据数据库类型的种类，划分步骤1.6.4)中生成的虚拟机资源为n1×n2×n3类；

步骤1.6.7) 更新步骤1.6.6)中 n1×n2×n3类虚拟机资源的标签为“已分类”；

步骤1.6.8) 输出生成的n1×n2×n3类虚拟机资源信息；

步骤1.7) 映射步骤1.6)中虚拟机资源为客户端的n1×n2×n3个接口；

步骤1.8) 获取“未分类”的虚拟机资源信息；

步骤1.9) 定义“未分类”的虚拟机资源信息为模糊虚拟机资源；

步骤1.10) 映射模糊虚拟机资源为客户端的一个接口；

步骤1.11) 根据用户使用客户端所有接口的情况，获取用户选择资源的偏好性的值；

步骤1.12) 判断偏好性的值是否大于预先规定的阈值，如果大于，转步骤1.13)，否则，转步骤1.8)；

步骤1.13) 判断是否存在“未分类”的虚拟机资源，如果存在，转步骤1.14)，否则，转步骤1.15)；

步骤1.14) 在客户端增加一个新的接口，转步骤1.11)；

步骤1.15) 结束：在多个接口上，开发上传界面的应用；

步骤2) 动态划分所有接口的任务集：

步骤2.1) 获取任务集列表；

步骤2.2) 计算该列表的长度，即该长度为任务的个数；

步骤2.3) 获取该列表中的所有任务；

步骤2.4) 获取该列表中所有任务的大小；

步骤2.5) 计算该列表中所有任务的平均值avg：

其中，L表示任务的个数；l[i]表示第i个任务的大小；

步骤2.6) 设置阈值，其值为步骤2.5)中的所有任务的平均值；

步骤2.7) 统计列表中任务的大小大于阈值的任务数量；

步骤2.8) 统计列表中任务的大小小于阈值的任务数量；

步骤2.9) 判断步骤2.7)中的任务数量是否大于步骤2.8)中的任务数量，如果大于，采用最大最小算法设置任务优先级，否则，采用最小最小算法设置任务优先级；

步骤2.10) 计算并调度当前任务接口中资源池的每个集群的负载值：

步骤2.10.1) 获取当前任务接口中资源池的每个集群的信息；

步骤2.10.2) 获取集群的个数；

步骤2.10.3) 获取每个集群的负载值；

步骤2.10.4) 计算所有集群的平均值avgc：

其中，n表示集群的个数；usedc[i]表示第i个集群的负载值；

步骤2.10.5) 获取负载值小于集群平均值的所有集群信息；

步骤2.10.6) 更新当前任务接口中资源池的集群信息；

步骤2.10.7) 按照负载值，升序排列集群信息；

步骤2.10.8) 获取步骤2.9)中已设置优先级的任务；

步骤2.10.9) 分配到步骤2.10.7)的集群信息中；

步骤2.10.10) 按照负载值，升序排列集群信息；

步骤2.11) 定期计算集群的负载平均值；

步骤2.12) 判断负载平均值是否大于集群的最大负载，如果大于，转步骤2.13)，否则，转步骤2.10.5)；

步骤2.13) 结束该过程；

步骤3) 集群节点动态执行测试任务：

步骤 3.1) 获取步骤2)中集群的任务集；

步骤 3.2) 判断任务集是否为空，如果是，转步骤3.9)，否则，转步骤3.3)；

步骤 3.3) 遍历集群下每一个节点的空闲资源；

步骤 3.4) 计算集群下所有节点资源的平均空闲值avgr：

其中，r表示资源个数；res[i]表示第i+1个资源的空闲值；avgr表示所有节点的空闲资源均值；

步骤3.5) 选取资源空闲值大于平均空闲值的节点；

步骤3.6) 获取步骤2.10.9)任务集群中每个任务的优先级；

步骤3.7) 按照降序原则，将每个任务的优先级调度到步骤3.5)中选取的节点上；

步骤3.8) 判断每个节点的空闲情况是否达到平均值，如果达到，转步骤3.2)；否则，转步骤3.7)；

步骤3.9) 结束该过程。

步骤4) 收集测试结果，返回客户端。

有益效果： 本发明对比已有技术具有以下创新点：

  本发明把传统的软件测试工作交给云平台来处理，云平台按照客户的请求提供弹性的云测试服务。首先，根据云平台的资源池情况从粗粒度上对资源进行分类，并映射成相应的接口呈现到客户端让用户进行选择；再从测试任务的细粒度出发，根据任务的大小采用不同的算法进行优先级的划分以及任务的调度；最后将测试的结果返回给客户。

总之，这种分层的动态的自适应方法不仅有效的提高了测试任务的效率，而且解决了云平台处理大任务的问题。

本发明对比已有技术具有以下显著优点：

1）  多接口以及动态接口的开发一方面能够让用户选择自己所需的资源，满足个性化的需求；另一方面可以为云平台有效聚类资源节省大量的时间，从而加快任务执行的速度；

2）  自适应算法的切换能够根据任务的真实情况来选择当前较好的算法来进行优先级的划分，有利于提高资源的使用率以及任务的执行效率。

 

附图说明

图1：总体架构图；

图2：多接口开发的流程图；

图3：接口任务集的划分流程图；

图4：集群节点动态执行测试任务流程图。

 

具体实施方式

本发明是一种基于多接口的自适应的云服务测试方法，首先是多接口上传界面的开发，其次是接口任务集的划分，最后实现集群节点动态执行测试任务。具体步骤如下：

步骤1) 多接口上传界面的开发，具体流程如图2所示：

步骤 1.1) 对于具体的云平台，获取当前云服务平台所能提供的所有的虚拟机的信息；

步骤1.2) 筛选云平台信息，这里根据测试的需要从云平台提供的虚拟机的操作***（OS）的类型、互联网（WEB）服务器的类型和数据库的类型将云平台资源组合成多种资源，假设OS的类型、WEB服务器的类型和数据库的类型分别有n1，n2，n3种，那么经过组合后将会形成n1×n2×n3种类型的资源；另外，云平台还存在不包含以上三种类型的虚拟机资源，把这些资源当作模糊类型资源；

步骤 1.3) 把所有类型资源映射成客户端相应的接口，这里根据步骤1.2)中生成的资源类型生成相应的接口，对于模糊资源来说，它作为一个模糊接口，当用户不确定自己的上传的任务需要怎样的配置环境时可以选择这个接口，用户只需要把测试需求提交给云测试平台；

步骤1.4）统计每个接口下使用资源的情况，如果某类资源的偏好值达到一定值，把这类资源的信息发送到云控制中心，由云控制中心来判断当前云平台是否存在未分类的虚拟机资源，如果存在转到步骤1.5)，否则，结束动态接口的增加；如果没有达到一定值，则不断统计资源使用情况。

步骤1.5) 云控制中心根据收到的信息从模糊类资源获取相应的资源信息并实例化新的接口；

步骤2) 每一个接口任务集的动态划分，具体过程见图3所述：

步骤 2.1) 从每个接口获取任务集列表，每个接口的任务都是从客户端获取的，要使得每一个接口上传的任务都能找到相应的资源来处理；

步骤 2.2) 计算任务列表中每个任务的大小；

步骤2.3) 统计每个任务的大小，计算所有任务的大小之和，再根据任务的数量计算所有任务的平均值avg：

其中，L表示任务的个数；l[i]表示第i个任务的大小；

步骤2.4) 把所有任务的平均值avg作为判断大小任务的阈值threshold，即threshold=avg；

步骤2.5) 统计任务集中测试任务大于阈值和小于阈值的任务数量，分别记为Ma和Mi；

步骤 2.6) 当Mi大于Ma时，采用最大最小（Max-min）算法进行优先级划分，否则，采用最小最小（Min-min）算法进行划分；这种算法的切换能够使得任务执行的更加合理，从而可以节约时间，提高测试的效率；

步骤2.7) 计算当前任务接口下资源池每个集群的负载情况，计算所有集群的负载平均值avgc：

其中，n表示集群的个数；usedc[i]表示第i个集群的负载值；

步骤2.8) 筛选出负载小于平均值的所有集群，并按照负载的大小进行升序排列，然后把步骤2.6)已划分优先级的任务降序调度到已排列的集群上的并合理调度；

步骤2.9) 定期t计算集群的负载平均值，即每隔时间t计算一下当前集群的负载平均值，如果负载平均值大于该集群的最大负载值，结束该过程，否则，转步骤2.7)；

步骤3) 集群节点动态执行测试任务，具体流程如图4所述：

步骤 3.1) 获取步骤2)中集群的任务集；

步骤3.2) 首先判断任务集是否为空，如果为空，则结束任务的执行，否则执行步骤3.3)；

步骤3.3) 遍历集群下资源池中每一个节点的空闲资源，统计每个节点资源未使用情况，也即节点的空闲值；

步骤 3.4) 计算集群下所有节点资源的平均空闲值avgr：

其中，r表示资源个数；res[i]表示第i+1个资源的空闲值；avgr表示所有节点的空闲资源均值；

步骤 3.5) 选取资源空闲值大于平均空闲值的所有节点；

步骤 3.6) 统计任务集群中每个任务的优先级，按照降序调度到步骤3.5)中选取的节点上；

步骤 3.7) 直到每个节点的空闲情况达到平均值，转到步骤3.3)，如果没有达到平均值，将继续调度任务到相应的节点上，也即回到步骤3.6)；

步骤4) 收集测试结果，并返回到客户端。

Claims (1)

1.  一种基于多接口的自适应的云服务测试方法，其特征在于该方法所包含的步骤为：

步骤1) 在多个接口上，开发上传界面的应用：

步骤1.1) 获取当前云服务平台所能提供的虚拟机的数量；

步骤1.2) 选取虚拟机资源作为云服务中心控制平台；

步骤1.3) 标签已经被选取的虚拟机资源：“已分类”；

步骤1.4) 标签没有被选取的虚拟机资源：“未分类”；

步骤1.5) 获取标签为“未分类”的虚拟机资源信息；

步骤1.6) 分类虚拟机资源；其中，虚拟机资源内容包含操作***的类型、互联网服务器的类型、数据库的类型和虚拟机资源标签：

步骤1.6.1) 获取操作***类型的种类n1类；

步骤1.6.2) 根据操作***类型的种类，分类虚拟机资源为n1类；

步骤1.6.3) 获取互联网服务器类型的种类n2类；

步骤1.6.4) 根据互联网服务器类型的种类，划分步骤1.6.2)中生成的虚拟机资源为n1×n2类；

步骤1.6.5) 获取数据库类型的种类n3类；

步骤1.6.6) 根据数据库类型的种类，划分步骤1.6.4)中生成的虚拟机资源为n1×n2×n3类；

步骤1.6.7) 更新步骤1.6.6)中 n1×n2×n3类虚拟机资源的标签为“已分类”；

步骤1.6.8) 输出生成的n1×n2×n3类虚拟机资源信息；

步骤1.7) 映射步骤1.6)中虚拟机资源为客户端的n1×n2×n3个接口；

步骤1.8) 获取“未分类”的虚拟机资源信息；

步骤1.9) 定义“未分类”的虚拟机资源信息为模糊虚拟机资源；

步骤1.10) 映射模糊虚拟机资源为客户端的一个接口；

步骤1.11) 根据用户使用客户端所有接口的情况，获取用户选择资源的偏好性的值；

步骤1.12) 判断偏好性的值是否大于预先规定的阈值，如果大于，转步骤1.13)，否则，转步骤1.8)；

步骤1.13) 判断是否存在“未分类”的虚拟机资源，如果存在，转步骤1.14)，否则，转步骤1.15)；

步骤1.14) 在客户端增加一个新的接口，转步骤1.11)；

步骤1.15) 结束：在多个接口上，开发上传界面的应用；

步骤2) 动态划分所有接口的任务集：

步骤2.1) 获取任务集列表；

步骤2.2) 计算该列表的长度，即该长度为任务的个数；

步骤2.3) 获取该列表中的所有任务；

步骤2.4) 获取该列表中所有任务的大小；

步骤2.5) 计算该列表中所有任务的平均值avg：

其中，L表示任务的个数；l[i]表示第i个任务的大小；

步骤2.6) 设置阈值，其值为步骤2.5)中的所有任务的平均值；

步骤2.7) 统计列表中任务的大小大于阈值的任务数量；

步骤2.8) 统计列表中任务的大小小于阈值的任务数量；

步骤2.9) 判断步骤2.7)中的任务数量是否大于步骤2.8)中的任务数量，如果大于，采用最大最小算法设置任务优先级，否则，采用最小最小算法设置任务优先级；

步骤2.10) 计算并调度当前任务接口中资源池的每个集群的负载值：

步骤2.10.1) 获取当前任务接口中资源池的每个集群的信息；

步骤2.10.2) 获取集群的个数；

步骤2.10.3) 获取每个集群的负载值；

步骤2.10.4) 计算所有集群的平均值avgc：

其中，n表示集群的个数；usedc[i]表示第i个集群的负载值；

步骤2.10.5) 获取负载值小于集群平均值的所有集群信息；

步骤2.10.6) 更新当前任务接口中资源池的集群信息；

步骤2.10.7) 按照负载值，升序排列集群信息；

步骤2.10.8) 获取步骤2.9)中已设置优先级的任务；

步骤2.10.9) 分配到步骤2.10.7)的集群信息中；

步骤2.10.10) 按照负载值，升序排列集群信息；

步骤2.11) 定期计算集群的负载平均值；

步骤2.12) 判断负载平均值是否大于集群的最大负载，如果大于，转步骤2.13)，否则，转步骤2.10.5)；

步骤2.13) 结束该过程；

步骤3) 集群节点动态执行测试任务：

步骤 3.1) 获取步骤2)中集群的任务集；

步骤 3.2) 判断任务集是否为空，如果是，转步骤3.9)，否则，转步骤3.3)；

步骤 3.3) 遍历集群下每一个节点的空闲资源；

步骤 3.4) 计算集群下所有节点资源的平均空闲值avgr：

其中，r表示资源个数；res[i]表示第i+1个资源的空闲值；avgr表示所有节点的空闲资源均值；

步骤3.5) 选取资源空闲值大于平均空闲值的节点；

步骤3.6) 获取步骤2.10.9)任务集群中每个任务的优先级；

步骤3.7) 按照降序原则，将每个任务的优先级调度到步骤3.5)中选取的节点上；

步骤3.8) 判断每个节点的空闲情况是否达到平均值，如果达到，转步骤3.2)；否则，转步骤3.7)；

步骤3.9) 结束该过程；

步骤4) 收集测试结果，返回客户端。

Images