CN109389329A - 测试***的测试性能预测方法、装置、介质及电子设备 - Google Patents
测试***的测试性能预测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN109389329A CN109389329A CN201811347489.4A CN201811347489A CN109389329A CN 109389329 A CN109389329 A CN 109389329A CN 201811347489 A CN201811347489 A CN 201811347489A CN 109389329 A CN109389329 A CN 109389329A
- Authority
- CN
- China
- Prior art keywords
- test
- test result
- point
- machine learning
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 357
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000007405 data analysis Methods 0.000 claims abstract description 30
- 230000009193 crawling Effects 0.000 claims abstract description 13
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 241000083513 Punctum Species 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开是关于一种测试***的测试性能预测方法、装置、介质及电子设备,属于机器学习应用技术领域,该方法包括:依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果;将所述依次输出的测试结果串联,得到测试结果序列;将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线;根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果。本公开利用测试结果序列样本迭代训练预测机器学习模型,准确的、高效的实现了测试***的测试性能预测。
Description
技术领域
本公开涉及机器学习应用技术领域,具体而言,涉及一种测试***的测试性能预测方法、装置、介质及电子设备。
背景技术
数据分析***是对各种指标的数据信息进行加工、整理,计算得到各种分析指标,转变为易于被人们所接受的信息形式,并可以将处理后的信息进行贮存的***。而针对数据分析***的测试***,是需要根据数据分析***的各个过程的需求,对数据分析***进行测试,进而得到不同的测试时间点的测试结果。然而,由于测试***的初始的固定的开发环境,通常测试***在一定时间内测试性能有限,会出现性能瓶颈,不能够满足后续的测试需求。目前没有能够对测试***的某个测试时间点之后的其它时间点的测试性能进行预测的方法,导致不能够及时的调整测试***,导致软件***开发、使用等各种环节的延误。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种测试***的测试性能预测方案,进而至少在一定程度上实现自动、准确的和高效的实现测试***的测试性能预测。
根据本公开的一个方面,提供一种测试***的测试性能预测方法,包括:
依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果;
将所述依次输出的测试结果串联,得到测试结果序列;
将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线;
根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果。
在本公开的一种示例性实施例中,所述依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,包括:
根据时刻点的先后顺序,按照时刻点从前到后和时刻点之间的预定间隔,依次爬取所述若干个时刻点的目标指标的数据。
在本公开的一种示例性实施例中,所述将所述依次输出的测试结果串联,得到测试结果序列,包括:
按照每个测试结果来源的数据的时刻点的先后顺序及时刻点之间的间隔串联所述测试结果,所述时刻点的先后顺序是从前到后的顺序,所述时刻点之间的间隔用空位符表示。
在本公开的一种示例性实施例中,所述机器学习模型的训练方法包括:
按照预定规则串联得到的测试结果样本序列集,其中,所述按照预定规则串联是指按照对应于每个测试结果样本的时刻点的先后顺序和时刻点之间的间隔串联所述测试结果样本,得到所述测试结果样本序列;
将所述每个测试结果样本序列中前两个时刻点的测试结果样本输入机器学习模型,控制机器学习模型输出预测的第三个时刻点的测试结果;
如果所述输出的预测的第三个时刻点的测试结果与第三个时刻点的测试结果样本不一致,则调整机器学习模型的系数,使得一致;
然后将前三个时刻点的测试结果样本序列输入机器学习模型,机器学习模型输出预测的第四个时刻点的测试结果,如果不一致则调整机器学习模型的系数,使得输出一致;然后依次类推,直到机器学习模型预测的最后一个时刻点的测试结果与最后一个时刻点的测试结果样本输出一致,训练结束。
在本公开的一种示例性实施例中,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中的波峰的数目;
当所述波峰的数目超过第一预定阈值,则所述测试***的性能为不稳定。
在本公开的一种示例性实施例中,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中的波峰的数目和波谷的数目的总和;
当所述总和超过第二预定阈值,则所述测试***的测试性能为不稳定。
在本公开的一种示例性实施例中,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中最高点的数值与最低点的数值的差值的绝对值;
当所述绝对值超过第三预定阈值,则所述测试***的测试性能为不稳定。
根据本公开的一个方面,提供一种测试***的测试性能预测装置,其特征在于,包括:
测试模块,依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果;
串联模块,用于将所述依次输出的测试结果串联,得到测试结果序列;
预测模块,用于将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线;
判断模块,用于根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有测试***的测试性能预测程序,其特征在于,所述测试***的测试性能预测程序被处理器执行时实现权利要求1-7任一项所述的方法。
根据本公开的一个方面,提供一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的测试***的测试性能预测程序;其中,所述处理器配置为经由执行所述测试***的测试性能预测程序来执行权利要求1-7任一项所述的方法。
本公开一种测试***的测试性能预测方法及装置,首先,依依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果;按照时刻点对应存储的若干个时刻点的一种指标的数据是根据时间的推移下积累的一种指标的稳定数据,用数据分析***分析时可以准确的反映真实准确的分析情况,进而使得测试***的测试过程也是真实和准确的。然后,将所述依次输出的测试结果串联,得到测试结果序列;通过将测试结果按照预定规则串联,可以保证测试结果与数据存储的时刻点的规律对应,有效保证后续步骤中预测的准确性和规律性。将所述测试结果序列输入预先训练好的机器学***上的,通过这些预测测试结果是否在一定程度上维持在一个稳定的水平上就可以准确判断测试***的测试性能是否稳定。
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,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出一种测试***的测试性能预测方法的流程图。
图2示意性示出一种测试***的测试性能预测方法的应用场景示例图。
图3示意性示出一种判断判断测试***的测试性能的方法流程图。
图4示意性示出一种测试***的测试性能预测装置的方框图。
图5示意性示出一种用于实现上述测试***的测试性能预测方法的电子设备示例框图。
图6示意性示出一种用于实现上述测试***的测试性能预测方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了测试***的测试性能预测方法,该测试***的测试性能预测方法可以运行于服务器,也可以运行于服务器集群或云服务器等,当然,本领域技术人员也可以根据需求在其他平台运行本发明的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该测试***的测试性能预测方法可以包括以下步骤:
步骤S110.依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果。
步骤S120.将所述依次输出的测试结果串联,得到测试结果序列。
步骤S130.将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线。
步骤S140.根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,
上述数据分析***的测试***的性能预测方法中,首先,依次爬取预定时刻点之前的若干个时刻点的目标指标的数据输入数据分析***,对数据分析***进行实时测试,依次输出测试结果;按照时刻点对应存储的若干个时刻点的一种指标的数据是根据时间的推移下积累的一种指标的稳定数据,用数据分析***分析时可以准确的反映真实准确的分析情况,进而使得测试***的测试过程也是真实和准确的。然后,将所述依次输出的测试结果串联,得到测试结果序列;通过将测试结果按照预定规则串联,可以保证测试结果与数据存储的时刻点的规律对应,有效保证后续步骤中预测的准确性和规律性。将所述测试结果序列输入预先训练好的机器学***上的,通过这些预测测试结果是否在一定程度上维持在一个稳定的水平上就可以准确判断测试***的测试性能是否稳定。
下面,将结合附图对本示例实施方式中上述测试***的测试性能预测方法中的各步骤进行详细的解释以及说明。
在步骤S110中.依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果。
在本示例的实施方式中,参考图2所示,服务器201依次爬取预定时刻点之前的按照时刻点对应存储在服务器202的若干个时刻点的一种指标的数据输入数据分析***,通过测试***对数据分析***进行实时测试,依次输出测试结果。也可以是,服务器201爬取存储在本地的预定时刻点之前的按照时刻点对应存储的若干个时刻点的一种指标的数据输入数据分析***,在此不做特殊限定,服务器201和服务器202可以是任何具有存储和处理能力的设备,例如电脑、微处理器等,在此不做特殊限定。
数据库表中的数据是按照时刻点对应存储的,例如1h-45,2h-46,3h-44,4h-45,5h-46,6h-43......20h-47;依次爬取所述预定时刻点之前的按照时刻点对应存储的若干个时刻点的一种指标的数据,就可以是例如,依次爬取5h之前的时刻点1h、2h、3h、4h的数据;同时每次爬取一个数据后输入数据分析***,通过测试***进行实施测试得到对应每次的,也就是每个爬取的时刻点的测试结果;这样就可以得到每个时刻点的一种指标的数据相对应的测试结果。
在本示例的一种实施方式中,所述依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,包括:
根据时刻点的先后顺序,按照时刻点从前到后和时刻点之间的预定间隔,依次爬取所述若干个时刻点的目标指标的数据。
从数据库表中,或者其它具有储存功能的服务器中,储存的一种指标的数据中,爬取预定时刻点之前的若干个时刻点的数据;数据库表中的数据是按照时刻点对应存储的,例如,1h-45,2h-46,3h-44,4h-45,5h-46,6h-43......20h-47;爬取数据时就可以是例如:爬取1h、3h、5h......17h、19h时刻点的数据,其中,每个时刻点由先到后,时刻点之间相隔2h;进一步也可是其它规则;这样测试***也会得到对应1h、3h、5h......17h、19h时刻点的数据的测试结果,这样可以保证数据采集的规律性,提高测试的准确率。
在本示例的一种实施方式中,根据时刻点的先后顺序,按照时刻点从前到后和时刻点之间的预定间隔,依次爬取所述若干个时刻点的目标指标的数据,包括:
所述所有的预定时刻点之间的间隔相等。
爬取数据时就可以是例如:爬取1h、3h、5h......17h、19h时刻点的数据,其中,每个时刻点由先到后,时刻点之间相隔2h;这样测试***也会得到对应1h、3h、5h......17h、19h时刻点的数据的测试结果,这样可以在后续步骤中按照所述所有的预定时刻点之间的间隔相等的规律进行预测。
在本示例的一种实施方式中,根据时刻点的先后顺序,按照时刻点从前到后和时刻点之间的预定间隔,依次爬取所述若干个时刻点的目标指标的数据,包括:
所述预定时刻点之间的间隔可以是第一预定时刻点和第二预定时刻点之间的第一间隔,第二预定时刻点与第三预定时刻点之间的第二间隔,第三预定时刻点与第四预定时刻点之间的第三间隔,以此类推到第N间隔,其中,第一间隔到第二间隔再到第三间隔依次等比扩大,以此类推到第N间隔。
爬取数据时就可以是例如:爬取例如,1h、3h、7h、13h、21h、31h......时刻点的数据,其中,每个时刻点由先到后,时刻点之间相隔按照比例为2扩大;这样测试***也会得到对应1h、3h、7h、13h、21h、31h......时刻点的数据的测试结果,这样可以在后续步骤中按照所述所有的预定时刻点之间的间隔等比例扩大的规律进行预测。
在步骤S120中.将所述依次输出的测试结果串联,得到测试结果序列。
在本示例的实施方式中,将测试结果串联起来成为测试结果序列后,得到测试结果序列,就可以将测试结果序列一次性输入机器学习模型,避免多次输入,实现高效率。其次,将测试结果按照爬取的时刻点规则串联,可以保证测试结果与时刻点对应,保证后续步骤预测的结果与爬取时刻点的具有一致的规则,提高预测结果的真实性、可对照性。
在本示例的一种实施方式中,所述将所述依次输出的测试结果串联,得到测试结果序列,包括:
按照每个测试结果来源的数据的时刻点的先后顺序和时刻点之间的间隔串联所述测试结果,所述时刻点的先后顺序是从前到后的顺序,所述时刻点之间的间隔用空位符表示。
测试***得到对应1h、3h、5h......17h、19h时刻点的数据的测试结果,与所述第一预定规则相同的规则串联就可以是将每个测试结果由先到后,且相互间隔2个时刻点串联起来,其中间隔的两个时刻点用空位符表示。这样串联得到的测试结果序列是和时刻点的数据相对应的,在后面输入机器学习模型,就可以准确预测到预定时刻点之后的时刻点的测试结果。
在步骤S130中.将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线。
在本示例的实施方式中,将串联得到的测试结果序列输入训练好的机器学习模型,测试结果序列是和时刻点的数据相对应的,这样就可以准确预测到预定时刻点之后的时刻点的测试结果。同时预定时刻点之后的若干个时刻点的预测测试结果可以和输入的测试结果序列具有相同的规律,使得预测测试结果更加可靠;最后使得预测测试结果是以时刻点作为横坐标,测试结果作为纵坐标的直角坐标系中的波动曲线,这样可以清楚的输出测试结果的变化情况,使得测试***的测试来性能的判断易于进行。
在本示例的一种实施方式中,所述机器学习模型的训练方法包括:
按照预定规则串联得到的测试结果样本序列集,其中,所述按照预定规则串联是指按照对应于每个测试结果样本的时刻点的先后顺序和时刻点之间的间隔串联所述测试结果样本,得到所述测试结果样本序列;
将所述每个测试结果样本序列中前两个时刻点的测试结果样本输入机器学习模型,控制机器学习模型输出预测的第三个时刻点的测试结果;
如果所述输出的预测的第三个时刻点的测试结果与第三个时刻点的测试结果样本不一致,则调整机器学习模型的系数,使得一致;
然后将前三个时刻点的测试结果样本序列输入机器学习模型,机器学习模型输出预测的第四个时刻点的测试结果,如果不一致则调整机器学习模型的系数,使得输出一致;然后依次类推,直到机器学习模型预测的最后一个时刻点的测试结果与最后一个时刻点的测试结果样本输出一致,训练结束。
机器学习模型的训练可以是,例如,测试结果样本序列(a1、a2、a3、a4...an)其中a为对应一种指标的测试结果,n为各个测试结果的序号,其中,a1、a2、a3、a4...an是按照与它们各自对应的时刻点的顺序由先到后,且测试结果样本之间具有用空位符代替的预定间隔
串联后得到的;首先,将a1、a2输入机器学习模型,控制机器学习模型输出a3,如果不一致则调整机器学习模型的系数,直到一致;然后,将a1、a2、a3输入机器学习模型,控制机器学习模型输出a4,如果不一致则调整机器学习模型的系数,直到一致;以此类推,直到输出an,训练结束。
在步骤S140中.根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果。
在本示例的实施方式中,通常一种指标的数据对应的测试结果在一个时期内是维持在一定水平上的。根据训练好的机器学***上,从而准确判断出测试***的测试性能。
在本示例的一种实施方式中,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括步骤S310及步骤S320:
在步骤S310中,获取所述波动曲线中的波峰的数目;
在步骤S320中,当所述波峰的数目超过第一预定阈值,则所述测试***的测试性能为不稳定。
通过统计根据各个时刻点的预测测试结果输出的波动曲线中:波峰的数目是否超过预定阈值,如果超过预定阈值说明这个测试***的未来输出的结果波动很大,从而说明测试***的测试性能不稳定,通过***就可以对测试***及时进行调整。
在本示例的一种实施方式中,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中的波峰的数目和波谷的数目的总和;
当所述总和超过第二预定阈值,则所述测试***的测试性能为不稳定。
通过统计根据各个时刻点的预测测试结果输出的波动曲线中:波峰的数目和波谷的数目的总和是否超过预定阈值,如果超过预定阈值说明这个测试***的未来输出的结果波动很大,从而说明测试***的测试性能不稳定,通过***就可以对测试***及时进行调整。
在本示例的一种实施方式中,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中最高点的数值与最低点的数值的差值的绝对值;
当所述绝对值超过第三预定阈值,则所述测试***的测试性能为不稳定。
通过统计根据各个时刻点的预测测试结果输出的波动曲线中:最高点的数值与最低点的数值的差值的绝对值是否超过预定阈值,如果差值的绝对值很大,也就是超过预定阈值,说明测试***的未来输出的结果波动很大,而说明测试***的测试性能不稳定,通过***就可以对测试***及时进行调整。
在本示例的一种实施方式中,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中的波谷的数目;
当所述波谷的数目超过预定阈值,则所述测试***的测试性能为不稳定。
通过统计根据各个时刻点的预测测试结果输出的波动曲线中:波谷的数目是否超过预定阈值,如果超过预定阈值说明这个测试***的未来输出的结果波动很大,从而说明测试***的测试性能不稳定,通过***就可以对测试***及时进行调整。
在本示例的一种实施方式中,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
根据所述波峰与波谷的总数与波动曲线的总时间的比值确定所述波峰与波谷出现的频率;
当所述频率超过预定阈值,则所述测试***的测试性能为不稳定。
通过波峰与波谷的总数与波动曲线的总时间的比值确定所述波峰与波谷出现的频率,可以准确的判断出测试***不稳定的可能性,频率足够大时说明测试***的测试性能很不稳定。
本公开还提供了一种测试***的测试性能预测装置。参考图4所示,该测试***的测试性能预测装置可以包括测试模块410、串联模块420、预测模块430以及判断模块440。其中:
测试模块410可以用于依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果;
串联模块420可以用于将所述依次输出的测试结果串联,得到测试结果序列;
预测模块430可以用于将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线;
判断模块440可以用于根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果。
上述测试***的测试性能预测装置中各模块的具体细节已经在对应的测试***的测试性能预测方法中进行了详细的描述,因此此处不再赘述。
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,根据本公开的实施方式,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公开中方法的各个步骤,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,根据本公开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)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明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“***”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备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***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发明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1中所示的步骤S110:依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果;S120:将所述依次输出的测试结果串联,得到测试结果序列;步骤S130:将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线;步骤S140:根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果。
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520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***、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、***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。
电子设备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客户能与该电子设备500交互的设备通信,和/或与使得该电子设备500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,电子设备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(LAN),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与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备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***、磁带驱动器以及数据备份存储***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,根据本公开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)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,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,本发明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发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品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,本发明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***、装置或者器件使用或者与其结合使用。
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***、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***、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发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—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客户计算设备上执行、部分地在客户设备上执行、作为一个独立的软件包执行、部分在客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),连接到客户计算设备,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发明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。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种测试***的测试性能预测方法,其特征在于,包括:
依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果;
将所述依次输出的测试结果串联,得到测试结果序列;
将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线;
根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果。
2.根据权利要求1所述的方法,其特征在于,所述依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,包括:
根据时刻点的先后顺序,按照时刻点从前到后和时刻点之间的预定间隔,依次爬取所述若干个时刻点的目标指标的数据。
3.根据权利要求1所述的方法,其特征在于,所述将所述依次输出的测试结果串联,得到测试结果序列,包括:
按照每个测试结果来源的数据的时刻点的先后顺序及时刻点之间的间隔串联所述测试结果,所述时刻点的先后顺序是从前到后的顺序,所述时刻点之间的间隔用空位符表示。
4.根据权利要求1所述的方法,其特征在于,所述机器学习模型的训练方法包括:
按照预定规则串联得到的测试结果样本序列集,其中,所述按照预定规则串联是指按照对应于每个测试结果样本的时刻点的先后顺序和时刻点之间的间隔串联所述测试结果样本,得到所述测试结果样本序列;
将所述每个测试结果样本序列中前两个时刻点的测试结果样本输入机器学习模型,控制机器学习模型输出预测的第三个时刻点的测试结果;
如果所述输出的预测的第三个时刻点的测试结果与第三个时刻点的测试结果样本不一致,则调整机器学习模型的系数,使得一致;
然后将前三个时刻点的测试结果样本序列输入机器学习模型,机器学习模型输出预测的第四个时刻点的测试结果,如果不一致则调整机器学习模型的系数,使得输出一致;然后依次类推,直到机器学习模型预测的最后一个时刻点的测试结果与最后一个时刻点的测试结果样本输出一致,训练结束。
5.根据权利要求1所述的方法,其特征在于,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中的波峰的数目;
当所述波峰的数目超过第一预定阈值,则所述测试***的性能为不稳定。
6.根据权利要求1所述的方法,其特征在于,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中的波峰的数目和波谷的数目的总和;
当所述总和超过第二预定阈值,则所述测试***的测试性能为不稳定。
7.根据权利要求1所述的方法,其特征在于,所述根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果,包括:
获取所述波动曲线中最高点的数值与最低点的数值的差值的绝对值;
当所述绝对值超过第三预定阈值,则所述测试***的测试性能为不稳定。
8.一种测试***的测试性能预测装置,其特征在于,包括:
测试模块,用于依次爬取预定时刻点之前的若干个时刻点的目标指标的数据,将所述数据输入数据分析***以对数据分析***进行实时测试,依次输出测试结果;
串联模块,用于将所述依次输出的测试结果串联,得到测试结果序列;
预测模块,用于将所述测试结果序列输入预先训练好的机器学习模型,由机器学习模型输出所述预定时刻点之后的以时刻点作为横坐标,预测测试结果数据作为纵坐标的波动曲线;
判断模块,用于根据预设性能分析方法对所述波动曲线进行分析,得到所述测试***的测试性能结果。
9.一种计算机可读存储介质,其上存储有测试***的测试性能预测程序,其特征在于,所述测试***的测试性能预测程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的测试***的测试性能预测程序;其中,所述处理器配置为经由执行所述测试***的测试性能预测程序来执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811347489.4A CN109389329A (zh) | 2018-11-13 | 2018-11-13 | 测试***的测试性能预测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811347489.4A CN109389329A (zh) | 2018-11-13 | 2018-11-13 | 测试***的测试性能预测方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109389329A true CN109389329A (zh) | 2019-02-26 |
Family
ID=65428676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811347489.4A Pending CN109389329A (zh) | 2018-11-13 | 2018-11-13 | 测试***的测试性能预测方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389329A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069401A (zh) * | 2019-03-18 | 2019-07-30 | 平安科技(深圳)有限公司 | 基于数据建模的***测试异常定位方法及*** |
CN110109800A (zh) * | 2019-04-10 | 2019-08-09 | 网宿科技股份有限公司 | 一种服务器集群***的管理方法及装置 |
WO2020232899A1 (zh) * | 2019-05-23 | 2020-11-26 | 平安科技(深圳)有限公司 | 数据分析***会诊方法及相关装置 |
CN113870995A (zh) * | 2021-09-18 | 2021-12-31 | 珠海格力电器股份有限公司 | 一种状态监测方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075971A (zh) * | 2010-12-29 | 2011-05-25 | 高天润 | 智能监测应用中数据接入过程的性能指标预测方法 |
CN102082433A (zh) * | 2010-11-29 | 2011-06-01 | 沈阳工业大学 | 一种风电并网***电压稳定预测装置及方法 |
CN103699947A (zh) * | 2014-01-16 | 2014-04-02 | 湖南大学 | 一种基于元学习的电力***时变非线性负荷组合预测方法 |
CN106886481A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | 一种***健康度静态分析预测方法及装置 |
US20170185902A1 (en) * | 2015-12-29 | 2017-06-29 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
CN107015900A (zh) * | 2016-01-27 | 2017-08-04 | 中国科学院声学研究所 | 一种视频网站的服务性能预测方法 |
-
2018
- 2018-11-13 CN CN201811347489.4A patent/CN109389329A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102082433A (zh) * | 2010-11-29 | 2011-06-01 | 沈阳工业大学 | 一种风电并网***电压稳定预测装置及方法 |
CN102075971A (zh) * | 2010-12-29 | 2011-05-25 | 高天润 | 智能监测应用中数据接入过程的性能指标预测方法 |
CN103699947A (zh) * | 2014-01-16 | 2014-04-02 | 湖南大学 | 一种基于元学习的电力***时变非线性负荷组合预测方法 |
US20170185902A1 (en) * | 2015-12-29 | 2017-06-29 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
CN107015900A (zh) * | 2016-01-27 | 2017-08-04 | 中国科学院声学研究所 | 一种视频网站的服务性能预测方法 |
CN106886481A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | 一种***健康度静态分析预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
郭南主编: "《火电厂热工过程控制***》", 30 April 2017, 东北大学出版社, pages: 9 - 10 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069401A (zh) * | 2019-03-18 | 2019-07-30 | 平安科技(深圳)有限公司 | 基于数据建模的***测试异常定位方法及*** |
CN110069401B (zh) * | 2019-03-18 | 2023-09-12 | 平安科技(深圳)有限公司 | 基于数据建模的***测试异常定位方法及*** |
CN110109800A (zh) * | 2019-04-10 | 2019-08-09 | 网宿科技股份有限公司 | 一种服务器集群***的管理方法及装置 |
WO2020232899A1 (zh) * | 2019-05-23 | 2020-11-26 | 平安科技(深圳)有限公司 | 数据分析***会诊方法及相关装置 |
CN113870995A (zh) * | 2021-09-18 | 2021-12-31 | 珠海格力电器股份有限公司 | 一种状态监测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389329A (zh) | 测试***的测试性能预测方法、装置、介质及电子设备 | |
CN110378463B (zh) | 一种人工智能模型标准化训练平台及自动化*** | |
CN111626350A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
EP3333851A1 (en) | Automated object and activity tracking in a live video feed | |
US11115295B2 (en) | Methods and systems for online monitoring using a variable data | |
CN109818839A (zh) | 应用于智能家居的个性化行为预测方法、装置和*** | |
CN109871311A (zh) | 一种推荐测试用例的方法和装置 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN109871317A (zh) | 代码质量分析方法及装置、存储介质及电子设备 | |
Bode et al. | Statistical model fitting and model selection in pedestrian dynamics research | |
CN108536684A (zh) | 自动生成英语选择题答案选项的方法以及装置 | |
CN115269786B (zh) | 可解释的虚假文本检测方法、装置、存储介质以及终端 | |
CN108564495A (zh) | 网络教学关注度评估方法以及装置 | |
EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN108876009A (zh) | 煤矿事故预测模型确定及监测方法、存储介质和电子设备 | |
US20210389156A1 (en) | Map rendering method and apparatus, device, and storage medium | |
CN115130232A (zh) | 零件的寿命预测方法、装置、设备、存储介质及程序产品 | |
CN109471787A (zh) | 软件质量评价方法及装置、存储介质、电子设备 | |
CN117435999A (zh) | 一种风险评估方法、装置、设备以及介质 | |
CN116346640A (zh) | 网络指标预测方法和装置、电子设备及存储介质 | |
CN116624226A (zh) | 一种煤矿灾害数据采集、分析及可视化展现*** | |
CN115641470A (zh) | 分类模型及车辆图像分类模型的训练方法、装置及设备 | |
CN109684207A (zh) | 操作序列封装的方法、装置、电子设备及存储介质 | |
CN115545638A (zh) | 一种知识动态掌握程度确定方法、试题推荐方法及装置 | |
CN109766260A (zh) | 配置测试动作的方法、装置、电子设备和存储介质 |
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 |