CN111813593A - 一种数据处理方法、设备、服务器及存储介质 - Google Patents
一种数据处理方法、设备、服务器及存储介质 Download PDFInfo
- Publication number
- CN111813593A CN111813593A CN202010720962.XA CN202010720962A CN111813593A CN 111813593 A CN111813593 A CN 111813593A CN 202010720962 A CN202010720962 A CN 202010720962A CN 111813593 A CN111813593 A CN 111813593A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- rule
- representation
- actual
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例公开了一种数据处理方法、设备、服务器及存储介质,该方法包括:获取在对接口进行测试时生成的异常测试数据;通过接口测试程序对异常测试数据进行测试,得到异常字段数据;根据异常识别算法对异常字段数据进行识别,以确定异常字段数据对应的实际结果特征表示;将实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示;将实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为实际异常业务规则表示与预期异常业务规则表示不匹配,则对规则识别模型进行改进,直至比对结果中实际异常业务规则表示与预期异常业务规则表示相匹配。通过这种实施方式,提高了模型自主学习性,以及自动化案例的维护效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据处理方法、设备、服务器及存储介质。
背景技术
一个产品在投入使用之前,为了减少其在使用过程中出现故障的频率,往往需要对各个接口进行测试,随着自动化测试技术的不断发展,越来越多的自动化测试工具层出不穷,比如接口自动化的实用工具Jmeter,以及其他基于此工具的二次开发等。这些工具可以进行大量重复劳动,可以取代人力实现自动化案例的定时回归与维护工作。但是在很多方面表现出来极大的不足,比如当需求更改时原来的测试案例将不能使用,大量的存量案例使得维护成本居高不下。因此,如何提高案例的编写和维护效率成为亟需解决的问题。
发明内容
本发明实施例提供了一种数据处理方法、设备、服务器及存储介质,根据测试结果实时改进规则学习模型,使得模型自主学习性大大提高,实现了自主完成基本业务规则的生成、存储与维护工作,提高了自动化案例的维护效率。
第一方面,本发明实施例提供了一种数据处理方法,包括:
获取在对接口进行测试时生成的异常测试数据;
通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据;
根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示;
将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示;
将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。
进一步地,所述将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理之前,还包括:
获取样本训练数据,所述样本训练数据包括预期异常业务规则表示和实际结果特征表示的样本数据;
将所述样本训练数据输入神经网络模型进行训练,得到所述规则识别模型。
进一步地,所述将所述样本训练数据输入神经网络模型进行训练,得到所述规则识别模型,包括:
将所述样本训练数据中的预期异常业务规则表示和实际结果特征表示输入所述神经网络模型的第一层级进行训练;
将所述第一层级的训练结果输入所述神经网络模型的第二层级进行训练,并将第二层级的训练结果输入所述神经网络模型的第三层级进行训练,得到实际异常业务规则表示;
通过所述神经网络模型的第四层级输出所述第三层级训练得到的所述实际异常业务规则表示,并根据所述实际异常业务规则表示与所述预期异常业务规则表示的比对结果确定所述规则识别模型,其中,所述第一层级为特征集合层级,所述第二层级为隐层,所述第三层级为异常业务规则表示集合层,所述第四层级为输出层。
进一步地,所述如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,包括:
如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则检测所述规则识别模型中的节点是否出现异常;
如果检测到所述规则识别模型中的节点出现异常,则根据所述异常调整所述规则识别模型中的节点,并对调整后的所述规则识别模型进行重新训练,以对所述规则识别模型进行改进。
进一步地,所述根据所述异常调整所述规则识别模型中的节点,包括:
检测所述规则识别模型的第三层级中是否存在所述实际异常业务规则表示的所有节点;
如果检测结果为所述第三层级中不存在所述实际异常业务规则表示的所有节点,则在所述第三层级中添加所述第三层级不存在的所述实际异常业务规则表示的节点。
进一步地,所述根据所述异常调整所述规则识别模型中的节点,包括:
检测所述规则识别模型的第三层级中的所有节点是否被触发;
如果检测结果为所述第三层级的所有节点均未被触发,则在所述第三层级中添加补尝节点;
获取用户输入的对补偿节点的类型确定操作,并根据所述类型确定操作确定所述补偿节点的类型。
进一步地,所述根据所述异常调整所述规则识别模型中的节点,包括:
检测所述规则识别模型的第一层级中是否存在所述实际结果特征表示的节点;
如果检测结果为所述第一层级中不存在所述实际结果特征表示的节点,则在所述第一层级中添加所述实际结果特征表示的节点。
第二方面,本发明实施例提供了一种数据处理设备,包括:
获取单元,用于获取在对接口进行测试时生成的异常测试数据;
测试单元,用于通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据;
识别单元,用于根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示;
处理单元,用于将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示;
改进单元,用于将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。
第三方面,本发明实施例提供了一种服务器,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持数据处理设备执行上述方法的计算机程序,所述计算机程序包括程序,所述处理器被配置用于调用所述程序,执行上述第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现上述第一方面的方法。
本发明实施例中,服务器可以获取在对接口进行测试时生成的异常测试数据,通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据,根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示,将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示,将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。通过这种方式,实现了自主完成基本业务规则的生成、存储与维护工作,提高了模型自主学习性以及自动化案例的维护效率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的一种数据处理方法的流程示意图;
图2是本发明实施例提供的一种数据处理方法的示意流程图;
图3是本发明实施例提供的一种异常业务规则表示的结构示意图;
图4是本发明实施例提供的一种规则识别模型的层级结构示意图;
图5是本发明实施例提供的一种数据处理设备的示意框图;
图6是本发明实施例提供的一种服务器的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
本发明实施例中提供的数据处理方法可以由一种服务器执行,具体地,可以由服务器中数据处理设备执行。
本发明实施例提供的数据处理方法的过程如图1所示,图1是本发明实施例提供的一种数据处理方法的流程示意图,如图1所示,服务器可以根据异常数据生成程序生成异常测试数据,并通过接口测试程序对异常测试数据进行测试,得到所述异常测试数据中的异常字段数据,通过异常识别算法对异常字段数据进行识别,得到实际结果特征表示,将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示,通过结果对比程序将实际异常业务规则表示与预期异常业务规则表示进行对比,如果对比结果中实际异常业务规则表示与预期异常业务规则表示不匹配,则修改规则学习模型中的权重,以对规则学习模型进行改进。通过这种方式,可以自主完成基本业务规则的生成、存储与维护工作,实现了对模型的自动优化改进,提高了自动化案例的维护效率。
下面结合附图2-附图4对本发明实施例提供的数据处理方法进行示意性说明。
请参见图2,图2是本发明实施例提供的一种数据处理方法的示意流程图,如图2所示,该方法可以由数据处理设备执行,所述数据处理设备设置于服务器中。具体地,本发明实施例的所述方法包括如下步骤。
S201:获取在对接口进行测试时生成的异常测试数据。
本发明实施例中,数据处理设备可以获取在对接口进行测试时生成的异常测试数据。
在一个实施例中,数据处理设备在获取异常测试数据时,可以根据预设的异常数据生成程序生成异常测试数据。
在一个实施例中,数据处理设备在获取异常测试数据之前,可以设置预期异常业务规则表示,其中,所述预期异常业务规则表示为异常业务规则的标准表示。
在一些实施例中,所述预期异常业务规则表示可以通过树形结构来表示,其中,所述预期异常业务规则表示为是通过树形结构分层的形式来对异常业务规则进行分类。在某些实施例中,可以从所述树形结构的根节点开始,在根节点所处的最上层节点用于存储异常业务;从根节点开始往下可以分为字段长度异常、字段类型异常和字段编码异常等异常类型;对于每个节点的异常类型又可以继续往下分类,直到不能继续分。
具体可以图3为例进行说明,图3是本发明实施例提供的一种异常业务规则表示的结构示意图,如图3所示为预期异常业务规则表示,其中,根节点31为异常业务类型的节点,根节点31的子节点包括字段长度异常的子节点311、字段类型异常的子节点312、字段编码异常的子节点313,其中,字段类型异常的子节点312的子节点包括Int类型异常的子节点3121,Int类型异常的子节点3121包括Int32的子节点31211和Int64的子节点31212,所述Int64的子节点31212包括特殊字符异常的子节点312121、中文异常的子节点312122、关键字异常的子节点312123。
在某些实施例中,各种异常类型可以表示成二进制符号0、1的类型,如图3所示,根节点31的异常业务可以表示为00,子节点311的字段长度异常可以表示为00000,子节点312的字段类型异常可以表示为00001,子节点313的字段编码异常可以表示为00010,子节点3121的Int类型异常可以表示为00000,子节点31211的Int32可以表示为00000,子节点31212的Int64可以表示为00001,子节点312121的特殊字符异常可以表示为00000、子节点312122的中文异常可以表示为00001、子节点312123的关键字异常可以表示为00010,其中,图3中的“...”表示其他种类,“*****”表示二进制编码。
以图3所示的关键字异常为例,从根节点开始经历:异常业务->字段类型异常->Int类型异常->Int64异常->关键字异常,将关键字异常表示成01的形式为:00_00001_0000_00001_00010。
通过这种将异常业务规则表示成二进制的形式,有助于机器更好的识别异常业务规则表示。
S202:通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据。
本发明实施例中,数据处理设备可以通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据。
在一个实施例中,可以将异常测试数据作为请求报文参数,通过接口测试程序对所述请求报文参数进行测试,得到所述异常测试数据中的异常字段数据。
S203:根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示。
本发明实施例中,数据处理设备可以根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示。
在一个实施例中,所述异常识别算法可以为自然语言识别算法,数据处理设备可以根据所述自然语言识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示。在一个示例中,假设异常字段数据为message字段,如果message字段不能是int类型,则实际结果特征表示为message(set)not(logic)int(type)。
S204:将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示。
本发明实施例中,数据处理设备可以将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示。
在一个实施例中,数据处理设备在将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理之前,可以获取样本训练数据,所述样本训练数据包括预期异常业务规则表示和实际结果特征表示的样本数据,并将所述样本训练数据输入神经网络模型对所述神经网络模型进行训练,得到所述规则识别模型。在某些实施例中,所述神经网络模型包括卷积神经网络等现有的神经网络模型。
在一个实施例中,数据处理设备在将所述样本训练数据输入神经网络模型进行训练,得到所述规则识别模型时,可以将所述样本训练数据中的预期异常业务规则表示和实际结果特征表示输入所述神经网络模型的第一层级进行训练,并将所述第一层级的训练结果输入所述神经网络模型的第二层级进行训练,以及将第二层级的训练结果输入所述神经网络模型的第三层级进行训练,得到实际异常业务规则表示,从而通过所述神经网络模型的第四层级输出所述第三层级训练得到的所述实际异常业务规则表示,以根据所述实际异常业务规则表示与所述预期异常业务规则表示的比对结果确定所述规则识别模型,其中,所述第一层级为特征集合层级,所述第二层级为隐层,所述第三层级为异常业务规则表示集合层,所述第四层级为输出层。
在一个实施例中,数据处理设备在根据所述实际异常业务规则表示与所述预期异常业务规则表示的比对结果确定所述规则识别模型时,可以将所述实际异常业务规则表示与所述预期异常业务规则表示进行比对,如果比对结果匹配,则确定当前训练得到所述规则识别模型,如果比对结果不匹配,则需对所述规则识别模型进行改进,当改进后的模型得到所述实际异常业务规则表示与所述预期异常业务规则表示相匹配时,确定改进后训练得到所述规则识别模型。
具体如图4所示,图4是本发明实施例提供的一种规则识别模型的层级结构示意图,如图4所示,所述规则识别模型包括4个层级,第一层级41为特征集合层级,包括预期异常业务规则表示的节点和多个特征节点,第二层级42为隐层,包括多个隐层节点,第三层级43为异常业务规则表示集合层,包括多个异常业务规则表示节点,第四层级44为输出层,包括一个输出节点。
S205:将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。
本发明实施例中,数据处理设备可以将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。
在一个实施例中,数据处理设备在如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进时,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则可以检测所述规则识别模型中的节点是否出现异常,如果检测到所述规则识别模型中的节点出现异常,则根据所述异常调整所述规则识别模型中的节点,并对调整后的所述规则识别模型进行重新训练,以对所述规则识别模型进行改进。
在一个实施例中,数据处理设备在根据所述异常调整所述规则识别模型中的节点时,可以检测所述规则识别模型的第三层级中是否存在所述实际异常业务规则表示的所有节点,如果检测结果为所述第三层级中不存在所述实际异常业务规则表示的所有节点,则可以在所述第三层级中添加所述第三层级不存在的所述实际异常业务规则表示的节点。
具体地,由于在实际过程中会产生很多未知结果,具体对应规则识别模型中的第三层级的节点数量在实际过程中是会不断增加的,因此,在对所述规则识别模型进行改进时,可以对规则识别模型的第三层级进行改造,改变第三层级的节点数量。
例如,假设实际异常业务规则表示中包括中文异常表示,如果检测到所述规则识别模型的第三层级中不存在中文异常的节点,则可以在规则识别模型的第三层级中添加中文异常表示的节点。
在一个实施例中,数据处理设备在根据所述异常调整所述规则识别模型中的节点时,可以检测所述规则识别模型的第三层级中的所有节点是否被触发,如果检测结果为所述第三层级的所有节点均未被触发,则可以在所述第三层级中添加补尝节点,获取用户输入的对补偿节点的类型确定操作,并根据所述类型确定操作确定所述补偿节点的类型。通过添加补偿节点,以便用户确定补偿节点的类型,有助于在满足用户对节点类型的需求的基础上对规则识别模型进行改进,以提升用户体验。
在一个实施例中,数据处理设备在根据所述异常调整所述规则识别模型中的节点时,可以检测所述规则识别模型的第一层级中是否存在所述实际结果特征表示的节点,如果检测结果为所述第一层级中不存在所述实际结果特征表示的节点,则可以在所述第一层级中添加所述实际结果特征表示的节点。具体地,所述实际结果特征表示的节点的类型可以根据所述实际异常业务规则表示来确定。
在一个实施例中,在根据所述异常调整所述规则识别模型中的节点之后,可以对调整后的规则模型进行重新训练,以重置所述规则识别模型中的权重,以实现对所述规则识别模型进行改进。
在一个实施例中,在对调整后的规则模型进行重新训练,以重置所述规则识别模型中的权重时,可以对整个规则识别模型中的权重进行重新训练。
在一个实施例中,在对调整后的规则模型进行重新训练,以重置所述规则识别模型中的权重时,可以把改进前规则识别模型中的第二层级作为第一层级,形成一种三层网络模型来对规则模型进行重新训练,重置规则识别模型中第二层级与第三层级之间的权重,以对权重进行更新。通过重置规则识别模型中第二层级与第三层级之间的权重,有助于提高重置所述规则识别模型中的权重的效率。
本发明实施例中,数据处理设备可以获取在对接口进行测试时生成的异常测试数据,通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据,并根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示,将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示,以及将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。通过这种方式,实现了自主完成基本业务规则的生成、存储与维护工作,提高了模型自主学习性以及自动化案例的维护效率。
本发明实施例还提供了一种数据处理设备,该数据处理设备用于执行前述任一项所述的方法的单元。具体地,参见图5,图5是本发明实施例提供的一种数据处理设备的示意框图。本实施例的数据处理设备包括:获取单元501、测试单元502、识别单元503、处理单元504。
获取单元501,用于获取在对接口进行测试时生成的异常测试数据;
测试单元502,用于通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据;
识别单元503,用于根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示;
处理单元504,用于将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示;
改进单元505,用于将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。
进一步地,所述处理单元504将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理之前,还用于:
获取样本训练数据,所述样本训练数据包括预期异常业务规则表示、实际结果特征表示和实际异常业务规则表示的样本数据;
将所述样本训练数据输入神经网络模型对所述神经网络模型进行训练,得到所述规则识别模型。
进一步地,所述处理单元504将所述样本训练数据输入神经网络模型进行训练,得到所述规则识别模型时,具体用于:
将所述样本训练数据中的预期异常业务规则表示和实际结果特征表示输入所述神经网络模型的第一层级进行训练;
将所述第一层级的训练结果输入所述神经网络模型的第二层级进行训练,并将第二层级的训练结果输入所述神经网络模型的第三层级进行训练,得到实际异常业务规则表示;
通过所述神经网络模型的第四层级输出所述第三层级训练得到的所述实际异常业务规则表示,并根据所述实际异常业务规则表示与所述预期异常业务规则表示的比对结果确定所述规则识别模型,其中,所述第一层级为特征集合层级,所述第二层级为隐层,所述第三层级为异常业务规则表示集合层,所述第四层级为输出层。
进一步地,所述改进单元505如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进时,具体用于:
如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则检测所述规则识别模型中的节点是否出现异常;
如果检测到所述规则识别模型中的节点出现异常,则根据所述异常调整所述规则识别模型中的节点,并对调整后的所述规则识别模型进行重新训练,以对所述规则识别模型进行改进。
进一步地,所述改进单元505根据所述异常调整所述规则识别模型中的节点时,具体用于:
检测所述规则识别模型的第三层级中是否存在所述实际异常业务规则表示的所有节点;
如果检测结果为所述第三层级中不存在所述实际异常业务规则表示的所有节点,则在所述第三层级中添加所述第三层级不存在的所述实际异常业务规则表示的节点。
进一步地,所述改进单元505根据所述异常调整所述规则识别模型中的节点时,具体用于:
检测所述规则识别模型的第三层级中的所有节点是否被触发;
如果检测结果为所述第三层级的所有节点均未被触发,则在所述第三层级中添加补尝节点;
获取用户输入的对补偿节点的类型确定操作,并根据所述类型确定操作确定所述补偿节点的类型。
进一步地,所述改进单元505根据所述异常调整所述规则识别模型中的节点时,具体用于:
检测所述规则识别模型的第一层级中是否存在所述实际结果特征表示的节点;
如果检测结果为所述第一层级中不存在所述实际结果特征表示的节点,则在所述第一层级中添加所述实际结果特征表示的节点。
本发明实施例中,数据处理设备可以获取在对接口进行测试时生成的异常测试数据,通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据,并根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示,将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示,以及将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。通过这种方式,实现了自主完成基本业务规则的生成、存储与维护工作,提高了模型自主学习性以及自动化案例的维护效率。
参见图6,图6是本发明实施例提供的一种服务器的示意框图。如图所示的本实施例中的服务器可以包括:一个或多个处理器601;一个或多个输入设备602,一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线605连接。存储器604用于存储计算机程序,所述计算机程序包括程序,处理器601用于执行存储器604存储的程序。其中,处理器601被配置用于调用所述程序执行:
获取在对接口进行测试时生成的异常测试数据;
通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据;
根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示;
将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示;
将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。
进一步地,所述处理器601将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理之前,还用于:
获取样本训练数据,所述样本训练数据包括预期异常业务规则表示、实际结果特征表示和实际异常业务规则表示的样本数据;
将所述样本训练数据输入神经网络模型对所述神经网络模型进行训练,得到所述规则识别模型。
进一步地,所述处理器601如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进时,具体用于:
如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则检测所述规则识别模型中的节点是否出现异常;
如果检测到所述规则识别模型中的节点出现异常,则根据所述异常调整所述规则识别模型中的节点,并对调整后的所述规则识别模型进行重新训练,以对所述规则识别模型进行改进。
进一步地,所述处理器601根据所述异常调整所述规则识别模型中的节点时,具体用于:
检测所述规则识别模型的第三层级中是否存在所述实际异常业务规则表示的所有节点;
如果检测结果为所述第三层级中不存在所述实际异常业务规则表示的所有节点,则在所述第三层级中添加所述第三层级不存在的所述实际异常业务规则表示的节点。
进一步地,所述处理器601根据所述异常调整所述规则识别模型中的节点时,具体用于:
检测所述规则识别模型的第三层级中的所有节点是否被触发;
如果检测结果为所述第三层级的所有节点均未被触发,则在所述第三层级中添加补尝节点;
获取用户输入的对补偿节点的类型确定操作,并根据所述类型确定操作确定所述补偿节点的类型。
进一步地,所述处理器601根据所述异常调整所述规则识别模型中的节点时,具体用于:
检测所述规则识别模型的第三层级中的所有节点是否被触发;
如果检测结果为所述第三层级的所有节点均未被触发,则在所述第三层级中添加补尝节点;
获取用户输入的对补偿节点的类型确定操作,并根据所述类型确定操作确定所述补偿节点的类型。
进一步地,所述处理器601根据所述异常调整所述规则识别模型中的节点时,具体用于:
检测所述规则识别模型的第一层级中是否存在所述实际结果特征表示的节点;
如果检测结果为所述第一层级中不存在所述实际结果特征表示的节点,则在所述第一层级中添加所述实际结果特征表示的节点。
本发明实施例中,服务器可以获取在对接口进行测试时生成的异常测试数据,通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据,并根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示,将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示,以及将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。通过这种方式,实现了自主完成基本业务规则的生成、存储与维护工作,提高了模型自主学习性以及自动化案例的维护效率。
应当理解,在本发明实施例中,所称处理器601可以是中央处理单元(CenSralProcessing UniS,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigiSalSignal Processor,DSP)、专用集成电路(ApplicaSion Specific InSegraSed CircuiS,ASIC)、现成可编程门阵列(Field-Programmable GaSe Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备602可以包括触控板、麦克风等,输出设备603可以包括显示器(LCD等)、扬声器等。
该存储器604可以包括只读存储器和随机存取存储器,并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如,存储器604还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器601、输入设备602、输出设备603可执行本发明实施例提供的图2所述的方法实施例中所描述的实现方式,也可执行本发明实施例图5所描述的数据处理设备的实现方式,在此不再赘述。
本发明实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现图2所对应实施例中描述的数据处理方法,也可实现本发明图5所对应实施例的数据处理设备,在此不再赘述。
所述计算机可读存储介质可以是前述任一实施例所述的数据处理设备的内部存储单元,例如数据处理设备的硬盘或内存。所述计算机可读存储介质也可以是所述数据处理设备的外部存储设备,例如所述数据处理设备上配备的插接式硬盘,智能存储卡(SmarSMedia Card,SMC),安全数字(Secure DigiSal,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述数据处理设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述数据处理设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的部分实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取在对接口进行测试时生成的异常测试数据;
通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据;
根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示;
将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示;
将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。
2.根据权利要求1所述的方法,其特征在于,所述将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理之前,还包括:
获取样本训练数据,所述样本训练数据包括预期异常业务规则表示和实际结果特征表示的样本数据;
将所述样本训练数据输入神经网络模型进行训练,得到所述规则识别模型。
3.根据权利要求2所述的方法,其特征在于,所述将所述样本训练数据输入神经网络模型进行训练,得到所述规则识别模型,包括:
将所述样本训练数据中的预期异常业务规则表示和实际结果特征表示输入所述神经网络模型的第一层级进行训练;
将所述第一层级的训练结果输入所述神经网络模型的第二层级进行训练,并将第二层级的训练结果输入所述神经网络模型的第三层级进行训练,得到实际异常业务规则表示;
通过所述神经网络模型的第四层级输出所述第三层级训练得到的所述实际异常业务规则表示,并根据所述实际异常业务规则表示与所述预期异常业务规则表示的比对结果确定所述规则识别模型,其中,所述第一层级为特征集合层级,所述第二层级为隐层,所述第三层级为异常业务规则表示集合层,所述第四层级为输出层。
4.根据权利要求3所述的方法,其特征在于,所述如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,包括:
如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则检测所述规则识别模型中的节点是否出现异常;
如果检测到所述规则识别模型中的节点出现异常,则根据所述异常调整所述规则识别模型中的节点,并对调整后的所述规则识别模型进行重新训练,以对所述规则识别模型进行改进。
5.根据权利要求4所述的方法,其特征在于,所述根据所述异常调整所述规则识别模型中的节点,包括:
检测所述规则识别模型的第三层级中是否存在所述实际异常业务规则表示的所有节点;
如果检测结果为所述第三层级中不存在所述实际异常业务规则表示的所有节点,则在所述第三层级中添加所述第三层级不存在的所述实际异常业务规则表示的节点。
6.根据权利要求4所述的方法,其特征在于,所述根据所述异常调整所述规则识别模型中的节点,包括:
检测所述规则识别模型的第三层级中的所有节点是否被触发;
如果检测结果为所述第三层级的所有节点均未被触发,则在所述第三层级中添加补尝节点;
获取用户输入的对补偿节点的类型确定操作,并根据所述类型确定操作确定所述补偿节点的类型。
7.根据权利要求4所述的方法,其特征在于,所述根据所述异常调整所述规则识别模型中的节点,包括:
检测所述规则识别模型的第一层级中是否存在所述实际结果特征表示的节点;
如果检测结果为所述第一层级中不存在所述实际结果特征表示的节点,则在所述第一层级中添加所述实际结果特征表示的节点。
8.一种数据处理设备,其特征在于,包括:
获取单元,用于获取在对接口进行测试时生成的异常测试数据;
测试单元,用于通过接口测试程序对所述异常测试数据进行测试,得到所述异常测试数据中的异常字段数据;
识别单元,用于根据异常识别算法对所述异常字段数据进行识别,以确定所述异常字段数据对应的实际结果特征表示;
处理单元,用于将所述异常字段数据的实际结果特征表示输入规则识别模型进行处理,以得到实际异常业务规则表示;
改进单元,用于将所述实际异常业务规则表示与预期异常业务规则表示进行比对,如果比对结果为所述实际异常业务规则表示与所述预期异常业务规则表示不匹配,则对所述规则识别模型进行改进,直至所述比对结果中所述实际异常业务规则表示与所述预期异常业务规则表示相匹配。
9.一种服务器,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序,所述处理器被配置用于调用所述程序,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720962.XA CN111813593B (zh) | 2020-07-23 | 2020-07-23 | 一种数据处理方法、设备、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720962.XA CN111813593B (zh) | 2020-07-23 | 2020-07-23 | 一种数据处理方法、设备、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111813593A true CN111813593A (zh) | 2020-10-23 |
CN111813593B CN111813593B (zh) | 2023-08-18 |
Family
ID=72861245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010720962.XA Active CN111813593B (zh) | 2020-07-23 | 2020-07-23 | 一种数据处理方法、设备、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111813593B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051291A (zh) * | 2021-04-16 | 2021-06-29 | 平安国际智慧城市科技股份有限公司 | 工单信息的处理方法、装置、设备及存储介质 |
CN113836369A (zh) * | 2021-09-01 | 2021-12-24 | 上汽通用五菱汽车股份有限公司 | 环境监测方法、***、终端及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016829A1 (en) * | 2005-07-14 | 2007-01-18 | Microsoft Corporation | Test case generator |
CN108563548A (zh) * | 2018-03-19 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
CN109002391A (zh) * | 2018-06-28 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 自动检测嵌入式软件接口测试数据的方法 |
CN111902781A (zh) * | 2018-03-28 | 2020-11-06 | 三菱电机株式会社 | 用于控制***的设备和方法 |
CN114328161A (zh) * | 2020-09-29 | 2022-04-12 | 华为终端有限公司 | Java接口的测试方法、装置、存储介质和电子设备 |
-
2020
- 2020-07-23 CN CN202010720962.XA patent/CN111813593B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016829A1 (en) * | 2005-07-14 | 2007-01-18 | Microsoft Corporation | Test case generator |
CN108563548A (zh) * | 2018-03-19 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
CN111902781A (zh) * | 2018-03-28 | 2020-11-06 | 三菱电机株式会社 | 用于控制***的设备和方法 |
CN109002391A (zh) * | 2018-06-28 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 自动检测嵌入式软件接口测试数据的方法 |
CN114328161A (zh) * | 2020-09-29 | 2022-04-12 | 华为终端有限公司 | Java接口的测试方法、装置、存储介质和电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051291A (zh) * | 2021-04-16 | 2021-06-29 | 平安国际智慧城市科技股份有限公司 | 工单信息的处理方法、装置、设备及存储介质 |
CN113836369A (zh) * | 2021-09-01 | 2021-12-24 | 上汽通用五菱汽车股份有限公司 | 环境监测方法、***、终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111813593B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560453B (zh) | 语音信息校验方法、装置、电子设备及介质 | |
CN111145737A (zh) | 语音测试方法、装置和电子设备 | |
CN110598070B (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
CN110688300A (zh) | 兼容性测试方法、装置、设备及存储介质 | |
CN112416778A (zh) | 测试用例推荐方法、装置和电子设备 | |
CN113961768B (zh) | 敏感词检测方法、装置、计算机设备和存储介质 | |
CN111813593A (zh) | 一种数据处理方法、设备、服务器及存储介质 | |
CN111338692A (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
CN111881948A (zh) | 神经网络模型的训练方法及装置、数据的分类方法及装置 | |
CN114818643A (zh) | 一种保留特定业务信息的日志模板提取方法 | |
CN110781673B (zh) | 文档验收方法、装置、计算机设备及存储介质 | |
CN113095511A (zh) | 一种在自动化主站实现操作到位的判断方法及装置 | |
CN113052577A (zh) | 一种区块链数字货币虚拟地址的类别推测方法及*** | |
CN116991711A (zh) | 一种测试用例的生成方法、装置、终端设备及存储介质 | |
CN113628043B (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN111258905A (zh) | 缺陷定位方法、装置和电子设备及计算机可读存储介质 | |
CN112882899B (zh) | 一种日志异常检测方法及装置 | |
CN111723182B (zh) | 一种用于漏洞文本的关键信息抽取方法及装置 | |
CN115859128B (zh) | 一种基于档案数据交互相似度的分析方法和*** | |
CN111488950B (zh) | 分类模型信息输出方法及装置 | |
CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
CN116932735A (zh) | 一种文本比对方法、装置、介质和设备 | |
CN111079528A (zh) | 一种基于深度学习的图元图纸校核方法及*** | |
CN112929458B (zh) | App应用的服务端地址确定方法、装置以及存储介质 | |
CN114911922A (zh) | 一种情感分析方法、装置和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |