CN110347583A - 一种数据分析***会诊方法及相关装置 - Google Patents
一种数据分析***会诊方法及相关装置 Download PDFInfo
- Publication number
- CN110347583A CN110347583A CN201910436034.8A CN201910436034A CN110347583A CN 110347583 A CN110347583 A CN 110347583A CN 201910436034 A CN201910436034 A CN 201910436034A CN 110347583 A CN110347583 A CN 110347583A
- Authority
- CN
- China
- Prior art keywords
- test result
- target
- limit value
- machine learning
- learning model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开是关于一种数据分析***会诊方法及相关装置,属于机器学习应用技术领域,该方法包括:当接收到数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果;判断所述测试结果是否通过;若所述测试结果为未通过,获取所述测试结果未通过对应的所述预定上限值及所述上限值中的目标限值,以及所述测试结果超出所述目标限值的差值;将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案。本公开通过训练机器学习模型,根据会诊要素自动、准确、快速的进行会诊得到会诊方案,进而有效提高***的调整效率。
Description
技术领域
本公开涉及机器学习应用技术领域,具体而言,涉及一种数据分析***会诊方法及装置。
背景技术
数据分析***是通过数据分析***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***。数据分析***在从开发到投入使用,或者升级等过程都需要进行测试,发现这些***中存在的问题;这个测试过程一般是通过测试***进行的,测试***在对软件***测试时会得到相应的测试结果。然后,如果测试***的测试结果通过,则不需要测试人员进行调整数据分析***;但是如果测试***的测试结果没有通过,则需要测试人员进行通过不断的修改、检索、查找如何调整使得测试结果通过的方案,调整的效率非常低。
所以需要一种可以自动根据测试***的测试结果进行会诊,得到如何调整使得测试结果通过的方案的方法;可以准确、快速预测输出调整方案,进而有效提高调整效率。
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数据分析***会诊方案,进而至少在一定程度上在实现自动、准确、快速的对测试***的测试结果进行会诊得到会诊方案,进而有效提高***的调整效率。
根据本公开的一个方面,提供一种数据分析***会诊方法,包括:
当接收到用于对目标指标的数据进行分析的数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果;
判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过;
若所述测试结果为未通过,获取所述测试结果为未通过时对应的所述预定上限值及所述预定下限值中的目标限值,计算所述测试结果超出所述目标限值的差值;
将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,所述测试调整方案用于指示如何调整使得测试结果为通过。
本公开的一种示例性实施例中,按照不同类型的目标指标分别训练有对应于不同类型的目标指标的机器学习模型,则所述将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型进行训练,输出测试调整方案,包括:
获取所述目标指标的类型对应的预先训练好的机器学习模型;
将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入所述目标指标的类型对应的预先训练好的机器学习模型,输出测试调整方案。
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:
收集事先标记了如何调整使得测试结果为通过的测试调整方案的包括目标指标的数据、所述测试结果、所述差值以及所述目标限值的样本的集合;
将所述样本的集合中每个样本分别输入机器学习模型,调整机器学习模型输出每个所述样本对应的测试调整方案;
如果存在有所述样本输入机器学习模型后,机器学习模型的输出与所述样本对应的测试调整方案不一致,则调整机器学习模型的系数直到一致;
当所有的所述样本输入机器学习模型后,机器学习模型的输出与所述样本对应的测试调整方案一致,机器学习模型的训练结束。
本公开的一种示例性实施例中,所述判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外则测试结果为未通过,包括:
从预设限值表中,获取所述测试结果对应的所述目标指标的数据对应的所述预定上限值和所述预定下限值;
根据所述预定上限值和所述预定下限值,判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外则测试结果为未通过。
本公开的一种示例性实施例中,所述方法还包括:
从调整方案记录表中,获取机器学习模型输出的测试调整方案中每个可能的子调整方案的历史选择率;
向用户输出历史选择率超过预定阈值的多个所述子调整方案。
本公开的一种示例性实施例中,所述方法还包括:
获取所述数据分析***的当前版本对于所述当前版本之前的上一版本的第一调整目标;
获取所述测试调整方案的第二调整目标;
根据所述第一调整目标及所述第二调整目标获取所述测试调整方案的正确性概率。
本公开的一种示例性实施例中,所述根据所述第一调整目标及所述第二调整目标获取所述测试调整方案的正确性概率,包括:
获取所述第一调整目标对应的调整影响函数;
根据所述第二调整目标获取所述调整函数中每个调整变量的调整系数;
根据所述调整系数及所述调整影响函数,获取所述测试调整方案的正确性概率。
根据本公开的一个方面,提供一种数据分析***会诊装置,其特征在于,包括:
测试模块,用于当接收到用于对目标指标的数据进行分析的数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果;
判断模块,用于判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过;
获取模块,用于若所述测试结果为未通过,获取所述测试结果为未通过时对应的所述预定上限值及所述预定下限值中的目标限值,计算所述测试结果超出所述目标限值的差值;
输出模块,用于将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,所述测试调整方案用于指示如何调整使得测试结果为通过。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有数据分析***会诊程序,其特征在于,所述数据分析***会诊程序被处理器执行时实现上述任一项所述的方法。
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数据分析***会诊程序;其中,所述处理器配置为经由执行所述数据分析***会诊程序来执行上述任一项所述的方法。
本公开一种数据分析***会诊方法及装置,首先,当接收到在对目标指标的数据进行分析的数据分析***的测试指令,对所述数据分析***进行实时测试,并输出测试结果;数据分析***对一种类型的指标的数据进行分析得到处理结果,测试***在处理过程实时测试,根据处理结果和预定的基准结果的计算差值得到测试结果,实现实时测试。判断测试结果是否通过,其中,若测试结果在预定上限值和预定下限值之外则测试结果为未通过;测试结果如果超出预先给定的合理的预定阈值范围这样说明数据分析***内部出现了问题,正常的处理是不会得到超出该预定范围的指标值。若测试结果为未通过,获取测试结果未通过对应的预定上限值及预定下限值中的目标限值,以及测试结果超出目标限值的差值;测试结果未通过说明数据分析***内部存在错误,需要对测试结果进行会诊,测试结果超出预定阈值范围的情况可以准确指引不同的内部错误,通过超过所述包括预定上限值和预定下限值的预定限值范围的预定上限值或者预定下限值的差值,可以结合其它数据准确的针对该指标进行分析,提高会诊的准确率。将目标指标的数据、测试结果、差值以及目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,测试调整方案用于指示如何调整使得测试结果为通过;通过将上述用于会诊的因素输入根据会诊因素样本训练好的机器学习模型,可以自动、准确和高效的得到如何调整使得测试结果通过的方案,有效提高解决问题的效率。
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示意性示出一种数据分析***会诊方法的流程图。
图2示意性示出一种数据分析***会诊方法的应用场景示例图。
图3示意性示出一种测试调整方案正确率获取方法流程图。
图4示意性示出一种数据分析***会诊装置的方框图。
图5示意性示出一种用于实现上述数据分析***会诊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数据分析***会诊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数据分析***会诊方法,该数据分析***会诊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,该数据分析***会诊方法可以包括以下步骤:
步骤S110,当接收到用于对目标指标的数据进行分析的数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果;
步骤S120,判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过;
步骤S130,若所述测试结果为未通过,获取所述测试结果为未通过时对应的所述预定上限值及所述预定下限值中的目标限值,计算所述测试结果超出所述目标限值的差值。
步骤S140.将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,所述测试调整方案用于指示如何调整使得测试结果为通过。
上述数据分析***会诊方法中,首先,当接收到在对目标指标的数据进行分析的数据分析***的测试指令,对所述数据分析***进行实时测试,并输出测试结果;数据分析***对一种类型的指标的数据进行分析得到处理结果,测试***在处理过程实时测试,根据处理结果和预定的基准结果的计算差值得到测试结果,实现实时测试。判断测试结果是否通过,其中,若测试结果在预定上限值和预定下限值之外则测试结果为未通过;测试结果如果超出预先给定的合理的预定阈值范围这样说明数据分析***内部出现了问题,正常的处理是不会得到超出该预定范围的指标值。若测试结果为未通过,获取测试结果未通过对应的预定上限值及预定下限值中的目标限值,以及测试结果超出目标限值的差值;测试结果未通过说明数据分析***内部存在错误,需要对测试结果进行会诊,测试结果超出预定阈值范围的情况可以准确指引不同的内部错误,通过超过所述包括预定上限值和预定下限值的预定限值范围的预定上限值或者预定下限值的差值,可以结合其它数据准确的针对该指标进行分析,提高会诊的准确率。将目标指标的数据、测试结果、差值以及目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,测试调整方案用于指示如何调整使得测试结果为通过;通过将上述用于会诊的因素输入根据会诊因素样本训练好的机器学习模型,可以自动、准确和高效的得到如何调整使得测试结果通过的方案,有效提高解决问题的效率。
下面,将结合附图对本示例实施方式中上述数据分析***会诊方法中的各步骤进行详细的解释以及说明。
在步骤S110中,当接收到用于对目标指标的数据进行分析的数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果。
本示例的实施方式中,参考图2所示,服务器201接收到服务器202发出的对目标指标的数据进行分析的数据分析***的测试指令,然后服务器201中的测试***对数据分析***进行实时测试,输出测试结果。其中,服务器201可以是任何具有处理能力的设备,例如,电脑、微处理器等,在此不做特殊限定,服务器202可以是任何具有发令能力的设备,例如手机、电脑等,在此不做特殊限定。
数据分析***对一种指标的数据进行分析处理,得到处理结果,就是整个数据分析的过程;利用测试***在整个处理过程中对数据分析***进行测试,会得到数据分析***对一种指标的数据在分析处理过程中的测试结果;测试结果通过测试***对数据分析***的处理结果和基准值求差得到差值确定,数据分析***对一种指标的数据的处理结果通常是存在一个可以表征这个结果变化情况的基准值,而且变化时维持在一定范围的,这样就可以利用该测试结果在后续步骤中进行数据分析***内部问题的会诊。
步骤S120,判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过。
本示例的实施方式中,利用测试结果的是否超过预定上限值和预定下限值判断测试结果是否通过;进行数据分析时通常会针对不同的指标,例如一个产品核心关注的是什么?又比如是销售增长率、市场占有率?销售增长率、市场占有率就是一种指标;数据分析时将其中一种的指标的指标的数据输入数据分析***,按照预定的算法进行分析处理得到一个结果,而这个结果正常情况下是在一定的范围内,也就是一定的阈值范围内,测试***通过实时测试,将测试***输出的结果与正常阈值按照预定的规则进行比较,例如求差等,如果输出的结果与所述一定的阈值范围相差较大,判断测试结果不通过,反之则通过,例如数据分析***对一种指标的数据分析后得到的结果为50,基准值60,差值为10,而给定的预定阈值范围为-2-5,则测试结果超过上限值5,超出范围为5,测试结果未通过说明数据分析******内部存在错误,导致处理结果超出预定范围。
在步骤S130中,若所述测试结果为未通过,获取所述测试结果为未通过时对应的所述预定上限值及所述预定下限值中的目标限值,计算所述测试结果超出所述目标限值的差值。
本示例的实施方式中,测试***对数据分析***的测试结果为未通过,说明数据分析***内部存在问题,导致测试结果为未通过,而通常情况下,一种指标的数据由数据分析***分析处理时,在数据分析***内部通过相应的模块或者相应的部分的程序来执行,所以不同的指标的测试结果不通过具有相应的解决方案,而具体的测试结果超过所述预定阈值范围的预定上限值或者预定下限值的差值的情况,可以反映出更进一步的函数或者公式内部的问题,例如,某个系数过大可能导致测试结果超过上限值,而系数过小有可能导致测试结果低于下限值;同时,测试结果超过所述限制的差值的大小可以准确的反映出问题的严重程度,例如,某个函数的系数超过一定阈值时就会导致所述差值超过对应的阈值。所以通过这一步获取具体的测试结果超过所述包括预定上限值和预定下限值的预定阈值范围的预定上限值或者预定下线值的差值可以准确的指引详细的解决方案,有效提高会诊的准确性。
在步骤S140中,将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,所述测试调整方案用于指示如何调整使得测试结果为通过。
本示例的实施方式中,通过事先训练一个机器学习模型,该机器学习模型是根据专家历史上已经根据目标指标的数据、测试结果、所述差值以及所述差值对应的预定限值(目标限值)查找到的如何调整使得测试结果通过的方案训练得到的;所以将目标指标的数据、所述测试结果、所述差值以及所述目标作为会诊因素一起输入机器学习模型,可以准确、高效预测出如何调整使得测试结果方案。这样可以避免人工查找带来的低效率、低准确率问题。
在本示例的一种实施方式中,按照不同类型的目标指标分别训练有对应于不同类型的目标指标的机器学习模型,则所述将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型进行训练,输出测试调整方案,包括:
获取所述目标指标的类型对应的预先训练好的机器学习模型;
将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入所述目标指标的类型对应的预先训练好的机器学习模型,输出测试调整方案。
按照不同类型的目标指标,训练多个对应于不同的类型的目标指标的机器学习模型,这样训练可以使得机器学习模型具有针对性,输出的如何调整使得测试结果通过的方案更加准确,训练机器学习模型的效率更高。
在本示例的一种实施方式中,按照所有类型的目标指标训练有对应于所有类型的目标指标的机器学习模型,则所述将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型进行训练,输出测试调整方案,包括:
获取所述对应于所有类型的目标指标的机器学习模型;
将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入所述目标指标的类型对应的预先训练好的机器学习模型,输出测试调整方案。
通过训练适用于所有类型的目标指标的机器学习模型,当测试结果不通过时,可以直接将目标指标的数据、所述指标值、所述差值以及所述差值对应的预定上限值或者下限值输入机器学习模型,输出如何调整使得测试结果通过的方案,这样可以有效节省成本,只用一个机器学习模型。
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:
收集事先标记了如何调整使得测试结果为通过的测试调整方案的包括目标指标的数据、所述测试结果、所述差值以及所述目标限值的样本的集合;
将所述样本的集合中每个样本分别输入机器学习模型,调整机器学习模型输出每个所述样本对应的测试调整方案;
如果存在有所述样本输入机器学习模型后,机器学习模型的输出与所述样本对应的测试调整方案不一致,则调整机器学习模型的系数直到一致;
当所有的所述样本输入机器学习模型后,机器学习模型的输出与所述样本对应的测试调整方案一致,机器学习模型的训练结束。
目标指标的数据、所述测试结果、所述差值以及目标限值作为会诊要素可以准确的指引***内部数据处理出现的问题,通过历史上已经根据这些会诊要素作为输入样本,对应的解决的方案作为样本标记,训练机器学习模型根据输入的样本准确输出样本标记,可以有效保证机器模型的准确度。
在本示例的一种实施方式中,所述判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外则测试结果为未通过,包括:
从预设限值表中,获取所述测试结果对应的所述目标指标的数据对应的所述预定上限值和所述预定下限值;
根据所述预定上限值和所述预定下限值,判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外则测试结果为未通过。
预设限值表中记录了所有的指标的数据的数据范围及与数据范围对应的预定上限值和预定下限值。这样根据测试结果对应的目标指标的数据的大小所在的数据范围可以准确的从预设限值表中查找到目标指标的数据对应的预定上限值和预定下限值。然后,根据预定上限值和所述预定下限值,判断测试结果是否位于预定上限值和所述预定下限值的范围之外,进而当测试结果在预定上限值和预定下限值之外则可以准确判断到测试结果为未通过。通过预设限值表可以根据具体情况,便捷、准确地调整限值表中预定上限值和预定下限值等数据的大小。
在本示例的一种实施方式中,所述方法还包括:
从调整方案记录表中,获取机器学习模型输出的测试调整方案中每个可能的子调整方案的历史选择率;
向用户输出历史选择率超过预定阈值的多个所述子调整方案。
调整方案记录表中记录了每个测试调整方案被用户选择的次数等数据。机器学习模型输出的测试调整方案可以为至少一个,例如输出包含5个可能的子调整方案的测试调整方案。然后,通过每个可能的子调整方案被选择的次数除以所有可能的子调整方案被选择的次数得到每个子调整方案的历史选择率。选择率高说明该解决方案被采纳的频率高,也就是用户认可率高的解决方案,将选择率高的方案输出,可以有效帮助用户快速定位问题,提高测试效率。
在本示例的一种实施方式中,参考图3所示,所述方法还包括:
步骤310,获取所述数据分析***的当前版本对于所述当前版本之前的上一版本的第一调整目标;
步骤320,获取所述测试调整方案的第二调整目标;
步骤330,根据所述第一调整目标及所述第二调整目标获取所述测试调整方案的正确性概率。
当前版本对于当前版本之前的上一版本的第一调整目标,就是当前版本的数据分析***相对于上一版本需要在改进后获得的提升或者改变的效果。该效果一般是由多个子改动共同组成的,所以第一调整目标可以包括多个第一子调整目标。同时,测试调整方案也是对数据分析***进行改进的方案,也会获得改进后的效果,也就是第二调整目标。这样,根据第一调整目标及第二调整目标之间向背离或者促进的程度,可以反映出测试调整方案的正确性概率。一种示例中,可以通过事先为第一调整目标标定可以代表调整目标的第一目标分数,同时事先为第二调整目标标定可以代表调整目标的第二目标分数,然后通过第一目标分数与第二目标分数之间的差值与第一目标分数与第二目标分数之和的比值,进行归一化到1到10之间的数值,获得测试调整方案的正确性概率。输出所有如何调整使得测试结果通过的方案的同时输出如何调整使得测试结果通过的方案的正确性概率,这样可以清楚的帮助测试人员了解所有的方案及方案的正确率情况,用户可以根据正确率结合经验进行选择解决方案。
在本示例的一种实施方式中,所述根据所述第一调整目标及所述第二调整目标获取所述测试调整方案的正确性概率,包括:
获取所述第一调整目标对应的调整影响函数;
根据所述第二调整目标获取所述调整函数中每个调整变量的调整系数;
根据所述调整系数及所述调整影响函数,获取所述测试调整方案的正确性概率。
第一调整目标对应的调整影响函数就是当前版本的数据分析***相对于上一版本需要在改进时,代表每个改进或者变动的调整变量和每个变量的未知系数组成的调整影响函数。代表每个改进或者变动的调整变量可以根据预设的存储有数据分析***的每个改动的影响对应的调整变量表中获取。每个变量的未知系数则可以根据第二调整目标,从存储有对第一调整目标中的部分进行变动得到第二调整目标时,发生的二次变动对第一次变动的影响系数表中获取,也就是对部分变量的调整系数。然后,通过将调整系数赋值到调整影响函数中对应的变量部分,可以准确地获取到测试调整方案的正确性概率。
本公开还提供了一种数据分析***会诊装置。参考图4所示,该数据分析***会诊装置可以包括测试模块410、判断模块420、获取模块430以及输出模块440。其中:
测试模块410可以用于当接收到用于对目标指标的数据进行分析的数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果;
判断模块420可以用于判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过;
获取模块430可以用于若所述测试结果为未通过,获取所述测试结果为未通过时对应的所述预定上限值及所述预定下限值中的目标限值,计算所述测试结果超出所述目标限值的差值;
输出模块440可以用于将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,所述测试调整方案用于指示如何调整使得测试结果为通过。
上述数据分析***会诊装置中各模块的具体细节已经在对应的数据分析***会诊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:当接收到用于对目标指标的数据进行分析的数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果;S120:判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过;步骤S130:若所述测试结果为未通过,获取所述测试结果为未通过时对应的所述预定上限值及所述预定下限值中的目标限值,计算所述测试结果超出所述目标限值的差值;步骤S140:将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,所述测试调整方案用于指示如何调整使得测试结果为通过。
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)
1.一种数据分析***会诊方法,其特征在于,包括:
当接收到用于对目标指标的数据进行分析的数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果;
判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过;
若所述测试结果为未通过,获取所述测试结果为未通过时对应的所述预定上限值及所述预定下限值中的目标限值,计算所述测试结果超出所述目标限值的差值;
将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,所述测试调整方案用于指示如何调整使得测试结果为通过。
2.根据权利要求1所述的方法,其特征在于,按照不同类型的目标指标分别训练有对应于不同类型的目标指标的机器学习模型,则所述将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型进行训练,输出测试调整方案,包括:
获取所述目标指标的类型对应的预先训练好的机器学习模型;
将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入所述目标指标的类型对应的预先训练好的机器学习模型,输出测试调整方案。
3.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:
收集事先标记了如何调整使得测试结果为通过的测试调整方案的包括目标指标的数据、所述测试结果、所述差值以及所述目标限值的样本的集合;
将所述样本的集合中每个样本分别输入机器学习模型,调整机器学习模型输出每个所述样本对应的测试调整方案;
如果存在有所述样本输入机器学习模型后,机器学习模型的输出与所述样本对应的测试调整方案不一致,则调整机器学习模型的系数直到一致;
当所有的所述样本输入机器学习模型后,机器学习模型的输出与所述样本对应的测试调整方案一致,机器学习模型的训练结束。
4.根据权利要求1所述的方法,其特征在于,所述判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过,包括:
从预设限值表中,获取所述测试结果对应的所述目标指标的数据对应的所述预定上限值和所述预定下限值;
根据所述预定上限值和所述预定下限值,判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外,则测试结果为未通过。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从调整方案记录表中,获取机器学习模型输出的测试调整方案中每个子调整方案的历史选择率;
向用户输出历史选择率超过预定阈值的多个所述子调整方案。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述数据分析***的当前版本对于所述当前版本之前的上一版本的第一调整目标;
获取所述测试调整方案的第二调整目标;
根据所述第一调整目标及所述第二调整目标获取所述测试调整方案的正确性概率。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一调整目标及所述第二调整目标获取所述测试调整方案的正确性概率,包括:
获取所述第一调整目标对应的调整影响函数;
根据所述第二调整目标获取所述调整函数中每个调整变量的调整系数;
根据所述调整系数及所述调整影响函数,获取所述测试调整方案的正确性概率。
8.一种数据分析***会诊装置,其特征在于,包括:
测试模块,用于当接收到用于对目标指标的数据进行分析的数据分析***的测试指令时,对所述数据分析***进行实时测试,并输出测试结果;
判断模块,用于判断所述测试结果是否通过,其中,若所述测试结果在预定上限值和预定下限值之外则测试结果为未通过;
获取模块,用于若所述测试结果为未通过,获取所述测试结果未通过对应的所述预定上限值及所述预定下限值中的目标限值,以及所述测试结果超出所述目标限值的差值;
输出模块,用于将所述目标指标的数据、所述测试结果、所述差值以及所述目标限值一起输入预先训练好的机器学习模型,输出测试调整方案,其中,所述测试调整方案用于指示如何调整使得测试结果为通过。
9.一种计算机可读存储介质,其上存储有数据分析***会诊程序,其特征在于,所述数据分析***会诊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数据分析***会诊程序;其中,所述处理器配置为经由执行所述数据分析***会诊程序来执行权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436034.8A CN110347583A (zh) | 2019-05-23 | 2019-05-23 | 一种数据分析***会诊方法及相关装置 |
PCT/CN2019/103442 WO2020232899A1 (zh) | 2019-05-23 | 2019-08-29 | 数据分析***会诊方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436034.8A CN110347583A (zh) | 2019-05-23 | 2019-05-23 | 一种数据分析***会诊方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110347583A true CN110347583A (zh) | 2019-10-18 |
Family
ID=68174261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910436034.8A Pending CN110347583A (zh) | 2019-05-23 | 2019-05-23 | 一种数据分析***会诊方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110347583A (zh) |
WO (1) | WO2020232899A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817064B (zh) * | 2022-05-20 | 2024-07-05 | 国网数字科技控股有限公司 | 一种安全测试结果的自动化判定方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893256A (zh) * | 2016-03-30 | 2016-08-24 | 西北工业大学 | 基于机器学习算法的软件故障定位方法 |
CN107195186A (zh) * | 2017-06-07 | 2017-09-22 | 千寻位置网络有限公司 | 自动优化路口车辆通行速度的方法和*** |
CN107822617A (zh) * | 2017-10-23 | 2018-03-23 | 上海百芝龙网络科技有限公司 | 一种基于WiFi信号的心率异常检测方法 |
CN107885503A (zh) * | 2017-11-11 | 2018-04-06 | 湖南大学 | 一种基于程序特征分析的迭代编译优化方法 |
US20180150742A1 (en) * | 2016-11-28 | 2018-05-31 | Microsoft Technology Licensing, Llc. | Source code bug prediction |
CN108494602A (zh) * | 2018-04-08 | 2018-09-04 | 上海鸿洛通信电子有限公司 | Ota参数的调整方法、装置及智能终端 |
CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7533369B2 (en) * | 2004-03-15 | 2009-05-12 | Ramco Systems Limited | Method and system for providing documentation and training in a software development activity |
CN102841835B (zh) * | 2012-06-07 | 2015-09-30 | 腾讯科技(深圳)有限公司 | 硬件性能评测的方法及*** |
CN105045713B (zh) * | 2015-07-14 | 2018-02-13 | 腾讯科技(深圳)有限公司 | 数据处理方法及移动终端 |
CN109426700B (zh) * | 2017-08-28 | 2023-04-25 | 腾讯科技(北京)有限公司 | 数据处理方法、装置、存储介质和电子装置 |
CN107766299B (zh) * | 2017-10-24 | 2021-05-18 | 携程旅游信息技术(上海)有限公司 | 数据指标异常的监控方法及其***、存储介质、电子设备 |
CN109389329A (zh) * | 2018-11-13 | 2019-02-26 | 平安科技(深圳)有限公司 | 测试***的测试性能预测方法、装置、介质及电子设备 |
CN109783332B (zh) * | 2018-12-12 | 2022-05-17 | 平安科技(深圳)有限公司 | 基于数据建模的服务器告警方法及*** |
CN110083452A (zh) * | 2019-04-26 | 2019-08-02 | 深信服科技股份有限公司 | 一种资源管理方法、***及电子设备和存储介质 |
-
2019
- 2019-05-23 CN CN201910436034.8A patent/CN110347583A/zh active Pending
- 2019-08-29 WO PCT/CN2019/103442 patent/WO2020232899A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893256A (zh) * | 2016-03-30 | 2016-08-24 | 西北工业大学 | 基于机器学习算法的软件故障定位方法 |
US20180150742A1 (en) * | 2016-11-28 | 2018-05-31 | Microsoft Technology Licensing, Llc. | Source code bug prediction |
CN107195186A (zh) * | 2017-06-07 | 2017-09-22 | 千寻位置网络有限公司 | 自动优化路口车辆通行速度的方法和*** |
CN107822617A (zh) * | 2017-10-23 | 2018-03-23 | 上海百芝龙网络科技有限公司 | 一种基于WiFi信号的心率异常检测方法 |
CN107885503A (zh) * | 2017-11-11 | 2018-04-06 | 湖南大学 | 一种基于程序特征分析的迭代编译优化方法 |
CN108494602A (zh) * | 2018-04-08 | 2018-09-04 | 上海鸿洛通信电子有限公司 | Ota参数的调整方法、装置及智能终端 |
CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2020232899A1 (zh) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409533B (zh) | 一种机器学习模型的生成方法、装置、设备及存储介质 | |
CN109241418A (zh) | 基于随机森林的异常用户识别方法及装置、设备、介质 | |
CN109669853A (zh) | 测试报告生成方法及装置、存储介质、电子终端 | |
CN109684047A (zh) | 事件处理方法、装置、设备和计算机存储介质 | |
EP3441891A1 (en) | Data source-based service customisation apparatus, method, system, and storage medium | |
CN109871315A (zh) | 基于机器学习的***升级失败的诊断方法及装置 | |
CN103309793B (zh) | 排名分析工具的方法和*** | |
CN109523752A (zh) | 一种设备故障预警方法、装置、电子设备和介质 | |
CN110147317A (zh) | 代码测试方法及装置、电子设备和存储介质 | |
CN111383100A (zh) | 基于风险模型的全生命周期管控方法和装置 | |
KR102500782B1 (ko) | 학생의 학습 수준에 기반한 난이도 별 맞춤형 문항을 추출하는 방법, 장치 및 컴퓨터-판독 가능 기록 매체 | |
CN109857431A (zh) | 代码修改方法及装置、计算机可读介质及电子设备 | |
CN110109824A (zh) | 大数据自动回归测试方法、装置、计算机设备和存储介质 | |
CN114360581A (zh) | 识别设备故障的方法、装置及电子设备 | |
CN109389329A (zh) | 测试***的测试性能预测方法、装置、介质及电子设备 | |
CN110473098A (zh) | 公司股权数据处理方法以及装置 | |
CN115086148A (zh) | 光网络告警处理方法、***、设备及存储介质 | |
CN109684172A (zh) | 基于访问频率的日志推送方法、***、设备及存储介质 | |
CN114638442A (zh) | 面向个体差异的飞行训练方案生成***、方法及设备 | |
CN110347583A (zh) | 一种数据分析***会诊方法及相关装置 | |
CN112785111A (zh) | 生产效率预测方法、装置、存储介质与电子设备 | |
CN108629355A (zh) | 用于生成工作量信息的方法和装置 | |
CN112036697B (zh) | 一种任务分配的方法、装置、可读存储介质和电子设备 | |
CN110717315B (zh) | ***数据批量修改方法、装置、存储介质及电子设备 | |
CN109471787A (zh) | 软件质量评价方法及装置、存储介质、电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |