CN111949530A - 测试结果的预测方法、装置、计算机设备及存储介质 - Google Patents
测试结果的预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111949530A CN111949530A CN202010790521.7A CN202010790521A CN111949530A CN 111949530 A CN111949530 A CN 111949530A CN 202010790521 A CN202010790521 A CN 202010790521A CN 111949530 A CN111949530 A CN 111949530A
- Authority
- CN
- China
- Prior art keywords
- test result
- sequences
- sequence
- classification
- value set
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000013145 classification model Methods 0.000 claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000007480 spreading Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种测试结果的预测方法、装置、计算机设备及存储介质。所述方法包括：将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列；根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本；使用所述训练样本，训练得到分类模型；将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果。本发明实施例的技术方案在近似达到对被测对象进行参数空间完备测试的同时节省了大量计算资源。
Description
技术领域
本发明实施例涉及自动化测试和人工智能技术，尤其涉及一种测试结果的预测方法、装置、计算机设备及存储介质。
背景技术
在自动化软件测试工作中，为了检测到某些参数组合引发的特定异常，常见的设计方法是对被测对象的各参数进行遍历，但是受限于计算资源，当被测功能模块包含的输入参数较多且每中参数都有多种取值时，若采用排列组合的方式遍历全部可能的输入组合，在实际的自动化测试工作中很难实现。
针对上述问题现有测试方案只能尽可能穷举参数边界和典型的参数组合进行测试，这种方式无法对全部的参数组合进行测试，容易导致大量可导致异常结果的参数组合无法被发现，存在测试盲区。
发明内容
本发明实施例提供了一种测试结果的预测方法、装置、计算机设备及存储介质，以在近似达到对被测对象进行参数空间完备测试的同时，节省计算资源。
第一方面，本发明实施例提供了一种测试结果的预测方法，所述测试结果的预测方法包括：
将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列；
根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本；
使用所述训练样本，训练得到分类模型；
将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果，所述第二数量大于第一数量。
第二方面，本发明实施例还提供了一种测试结果的预测装置，所述测试结果的预测装置包括：
测试结果序列计算模块，用于将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列；
训练样本构建模块，用于根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本；
分类模型训练模块，用于使用所述训练样本，训练得到分类模型；
预测测试结果生成模块，用于将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果，所述第二数量大于第一数量。
第三方面，本发明实施例还提供了一种计算机设备，计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明实施例中任一的测试结果的预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一的测试结果的预测方法。
本发明实施例的技术方案，将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列，然后根据各测试结果序列之间的数值关系，构建与各种子序列匹配的训练样本，并使用训练样本，训练得到分类模型，最终将第二数量的扩展序列输入至分类模型中，得到预测测试结果，在实现对被测对象进行参数空间完备测试的同时，大幅降低了测试计算量，可以节省大量测试计算资源。
附图说明
图1是本发明实施例一中的一种测试结果的预测方法的实现流程图；
图2a是本发明实施例二中的一种测试结果的预测方法的实现流程图；
图2b是本发明实施例二中的分类模型训练过程示意图；
图2c是本发明实施例二中的神经网络结构图；
图3a是本发明实施例三中的一种测试结果的预测方法的实现流程图；
图3b是本发明实施例三中分类模型进行测试结果分类流程图；
图4是本发明实施例四中的一种测试结果的预测装置的结构图；
图5是本发明实施例五中一种的计算机设备的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种测试结果的预测方法的实现流程图，本实施例可适用于通过分类模型对全部参数组合进行测试的情况，该方法可以由测试结果的预测装置来执行，该装置可以由软件和/或硬件的方式实现，并一般可以集成在能够运行神经网络的各类计算机设备(例如，台式机，服务器或者笔记本电脑等)中。本发明实施例的方法具体包括如下步骤：
S110、将种子序列输入至被测对象中进行计算，得到测试结果序列。
其中，被测对象是指需要进行测试的对象，具体的，被测对象可以是一个功能模块、一个实现设定计算功能的计算算子，或者是一个包括有多个计算算子的计算芯片等；种子序列是由被测对象的各项输入参数的可选取值组成，用于生成分类模型的训练样本，例如，在被测对象的各项参数的可选取范围内，选择至少一项典型的可选取值，然后将各项参数的可选取值进行组合，得到第一数量的种子序列。
本实施例中，将第一数量的种子序列依次输入至被测对象中进行黑盒测试，得到与各种子序列对应的测试结果序列。其中，测试结果序列是将种子序列输入至被测对象中进行测试得到的包含多维测试结果的序列。
S120、根据各测试结果序列之间的数值关系，构建与各种子序列匹配的训练样本。
本实施例中，在测试得到与各种子序列对应的测试结果序列后，根据各测试结果序列之间的数值关系，构建与各种子序列匹配的训练样本。示例性的，可以将各测试结果序列进行分类，得到多个测试结果序列的分类，然后将各种子序列与其匹配的测试结果序列的分类共同作为训练样本。
S130、使用训练样本，训练得到分类模型。
其中，分类模型用于通过对输入参数进行处理，得到当前输入参数对应的测试结果序列的类别。
本实施例中，在根据各测试结果序列之间的数值关系，构造出训练样本后，将训练样本输入至神经网络模型，对神经网络模型进行训练，得到分类模型。
S140、将第二数量的扩展序列输入至分类模型中，得到预测测试结果，第二数量大于第一数量。
其中，扩展序列可以是全部输入参数组合中，除第一数量的种子序列之外的其他输入参数组合构成的全部序列，或者是除第一数量的种子序列之外的其他输入参数组合构成的部分需要进行测试的序列，其中，第二数量大于第一数量，并且，第二数量是远远大于第一数量的。
本实施例中，通过将第二数量的扩展序列依次输入至分类模型中，就可以由结果分类模型对扩展序列进行处理，得到与扩展序列匹配的预测测试结果，其中，预测测试结果是指与输入的扩展序列对应的测试结果分类。
本发明实施例的技术方案，先将少量的第一数量的种子序列输入被测对象中以进行实际训练得到测试结果序列，然后构建训练样本，并使用各训练样本训练得到分类模型，最终将大量的第二数量的扩展序列输入至分类模型中，得到预测测试结果，如此，只需要利用少量的种子序列进行实际测试，大幅降低了测试计算量，从而节省大量测试计算资源。
实施例二
图2a为本发明实施例二提供的一种测试结果的预测方法的实现流程图。本实施例在上述各实施例的基础上，将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列之前的操作进行进一步细化。相应的，本发明实施例的方法具体包括如下步骤：
S210、根据与被测对象匹配的多项输入参数，构造第一数量的种子序列，种子序列对应各输入参数的一组可选取值。
本实施例中，被测对象包括多项输入参数，每项输入参数对应一个取值范围，其中，取值范围可以为离散区间或连续区间，当取值范围是连续空间时，需要先进行离散化，为了实现被测对象在参数空间的完备测试，检测出在特定参数组合下出现的异常状况，往往需要遍历各项输入参数的取值，这时会有各项输入参数可取值数量乘积种组合方式，这种方式在被测对象涉及的输入参数较多，且每项输入参数的又有多种取值时，会受限于计算资源，难以实现在参数空间的完备测试。为了减小计算量，根据与被测对象匹配的多项输入参数，构造第一数量的种子序列，其中，每项种子序列都由各项输入参数的可选取值组成。
示例性的，被测对象为f(p1,p2,…,pm)，即被测对象对应m项输入参数，各项参数的取值范围表示为
若各项输入参数的可选取值数量分别为C1,C2,…,Cm，要想实现各项输入参数的遍历，会有
中组合方式，即需要进行
次测试才能完成全部输入参数组合的测试，显然在被测对象的输入参数较多且各项输入参数的可选取值数量较多时，这种方式受限于计算资源难以实现。
为了减小计算量，本实施例中对参数空间进行缩减，根据与被测对象对应的多项输入参数，构造第一数量的种子序列，种子序列对应各输入参数的一组可选取值，具体的，可以是分别选取各项参数的最小可选取值
最大可选取值
以及至少一项典型值
作为各项参数的可选取值，这样各项输入参数的可选取值的数量分别减少为c1,c2,…,cm，此时各项输入参数会有
种组合方式，且由于ci的数量远小于Ci，所以
即需要进行测试的输入参数组合数量远小于进行参数空间缩减之前的参数组合数量。
可选的，根据与被测对象匹配的多项输入参数，构造第一数量的种子序列，包括：
获取与各输入参数分别对应的可选取值集合；
获取与各所述可选取值集合分别对应的缩减取值集合，并根据各所述缩减取值集合，构造第一数量的种子序列。
本可选的实施例中，首先获取多项输入参数分别对应的可选取值集合，也就是说分别获取每项输入参数可以选取的所有取值的集合。示例性的，被测对象的其中一个输入参数为p1，该输入参数的取值范围是
且该取值范围是离散空间，则获取上述取值范围中的所有可选取值构成与输入参数p1对应的可选取值集合。
为了减少测试次数，从各项输入参数的可选取值集合中分别选取一部分可选取值，并由被选中的这一部分可选取值构成与当前处理的可选取值集合对应的缩减取值集合，然后根据各可选取值集合对应的缩减取值集合，构造第一数量的种子序列，具体的，遍历各输入参数对应的缩减取值集合，并依次进行各输入参数可选取值的组合，最终得到第一数量的种子序列。
示例性的，被测对象为f(p1,p2,…,pm)，若各项输入参数的可选取值集合分别包括C1,C2,…,Cm个可选取值，要想实现各项输入参数的遍历，会有
中组合方式，为了减小计算量，在各可选取值集合中分别选取一部分典型的可选取值构成缩减取值集合，具体的，可以是分别选取各项输入参数的最小可选取值
最大可选取值
以及至少一项典型值
并由这些可选取值构成缩减取值集合，这样各项输入参数的可选取值的数量分别减少为c1,c2,…,cm，此时各项输入参数会有
种组合方式，也就是说对各项输入参数的缩减取值集合进行遍历，并将各参数的可选取值进行组合，可以构造出
个种子序列。
可选的，获取与可选取值集合对应的缩减取值集合，包括：
在当前处理的目标可选取值集合中均匀选取得到缩减取值集合；和/或
以当前处理的目标可选取值集合中的至少一个典型值为中心点，按照预设的密度分布函数，在所述目标可选取值集合中选取得到所述缩减取值集合。
本可选的实施例中，提供了获取缩减取值集合的两种具体方式，可以预先设定选取间隔，然后在当前处理的目标可选取值集合中，按照预先设定的选取间隔选取多个可选取值构成缩减取值集合；还可以在当前处理的目标可选取值结合中选取至少一个典型值作为中心点，然后按照预设的概率分布函数(例如，高斯函数)，在目标可选取值集合中选取多个可选取值，构成缩减取值集合。
示例性的，被测对象的其中一个输入参数为p1，该输入参数的可选取值集合为[x1,x2,…,x10]，为了获取与这一可选取值集合对应的缩减取值集合，可以按照每隔2个可选取值选取一个可选取值构成缩减取值集合，最终得到缩减取值集合为[x1,x4,x7,x10]。
可选的，以当前处理的目标可选取值集合中的至少一个典型值为中心点，按照预设的密度分布函数在目标可选取值集合中选取得到缩减取值集合，包括：
根据目标可选取值集合中的至少一个典型值，确定至少一组期望方差值，并根据至少一组期望方差值，得到高斯或者混合高斯分布函数；
按照高斯或者混合高斯分布函数，分别在目标可选取值集合中的各典型值两侧选取设定数量的目标可选取值，得到缩减取值集合。
本可选的实施例中，提供了一种以当前处理的目标可选取值集合中的至少一个典型值为中心点，按照预设的密度分布函数，在目标可选取值集合中非均匀选取得到缩减取值集合的具体方式，首先，在目标可选取值集合中选择至少一个典型值，，并根据至少一个典型值，确定至少一组期望值和方差值，然后根据期望值和方差值确定至少一组高斯或者混合高斯分布函数，最终根据各高斯或者混高斯分布方式，在目标可选取值集合中选取设定数量的目标可选取值，得到缩减取值集合。
示例性的，根据目标可选取值集合中的至少一个典型值，确定至少一组期望值μ和方差值σ2，则根据至少一组期望值和方差值确定至少一个高斯函数N(μ,σ2)，最终根据高斯函数在目标可选取值集合中选取设定数量的目标可选取值，构成缩减取值集合。
S220、将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列。
S230、根据预设的测试结果分类数量值，将各测试结果序列进行聚类处理得到多个聚类簇，其中，不同的聚类簇对应不同的测试结果分类。
本实施例中，在将各种子序列输入至被测对象中进行测试后，会得到多组测试结果序列，多组测试结果序列中可能包含多种状态，因此，将多组测试结果序列进行聚类处理，得到多个聚类簇，其中，每个聚类簇都对应至少一组测试结果序列，每个聚类簇对应的测试结果序列类型均不相同。
示例性的，对将测对象的
个种子序列输入至被测对象中，进行Q次测试后，得到Q组n维测试结果序列
其中，
表示全体n维向量构成的向量组，这些测试结果序列可能包含Result1、Result2、…、ResultN多种状态，为了将多组测试结果序列进行类型划分，采用欧氏距离定义不同测试结果序列之间的距离，具体的，首先在输出结果序列超平面内选择N个聚类质心点
然后对每个测试结果序列y(i)，计算其所属的测试结果分类c(i)，具体计算方式如下：
在计算出每个测试结果序列所属的测试结果分类后，对N中测试结果分类中的每个类，重新计算质心点μj，具体计算方式如下：
重复执行上述计算测试结果序列所述测试结果分类，以及重新计算质心点的操作，直至收敛，完成对测试结果序列的N类无监督分类，得到N个聚类簇。
S240、在与每个聚类簇中的各测试结果序列分别对应的种子序列中，加入与聚类簇匹配的测试结果分类标签，得到训练样本。
本实施例中，为了对神经网络模型进行训练，在与每个聚类簇中的各测试结果序列对应的种子序列中，加入与聚类簇匹配的测试结果分类标签，最终将加入测试结果分类标签的种子序列作为训练样本。
示例性的，在第一个聚类簇包含的至少一个测试结果序列分别对应的种子序列中，加入能够表征第一个聚类簇的标签，将加入标签的种子序列作为训练样本。
S250、将各训练样本分别输入至待训练的神经网络模型中进行训练，得到分类模型；
其中，神经网络模型包括输入层、多个全连接层以及输出层，输入层的维度与种子序列中包括的输入参数的数量匹配，输出层的维度与测试结果分类数量值匹配。
本实施例中，为了实现测试结果的准确预测，将S240中获取到的多个训练样本分别输入至待训练的神经网络模型中进行模型训练，得到最终的分类模型，分类模型用于输入参数进行处理，得到测试结果序列所属的分类，本实施例中具体的分类模型训练过程如图2b所示。
其中，神经网络模型包括输入层、多个全连接层以及输出层，具体如图2c所示，输入层的维度与被测对象的参数数量相同，例如，被测对象为f(p1,p2,…,pm)，则神经网络输入层的维度为m，表示每个输入参数的取值；输出层的维度与测试结果序列的分类数量相同，当测试结果序列分为N类时，神经网络输出层的维度为N，表示输入参数对应的N个可能的分类结果的概率；多个全连接层包括多个表示神经网络隐藏层的M个基础模块，以其中第L层基础模块为例，其计算形式为αL＝g(ωL·αL-1+bL)，其中，ω和b表示该层的可学习参数，g(·)表示非线性激活函数，例如，Sigmoid函数，αL表示该层的输出结果；神经网络最后采用softmax逻辑回归进行结果输出，具体的，使用交叉熵计算神经网络训练时的损失，采用梯度下降方法寻找网络在数据集上的全局最权重矩阵。
S260、将第二数量的扩展序列输入至分类模型中，得到预测测试结果，第二数量大于第一数量。
本发明实施例的技术方案，通过获取与各可选取值集合分别对应的缩减取值集合，构造第一数量的种子序列，然后将各种子序列输入至被测对象中进行计算，得到测试结果序列，并对测试结果序列进行聚类，根据聚类结果和对应的种子序列得到训练样本，采用训练样本对神经网络模型进行训练得到分类模型，最终将扩展序列输入至分类模型中，得到预测测试结果，实现通过神经网络模型进行测试结果分类的预测，大幅降低了测试计算量。
实施例三
图3a为本发明实施例三提供的一种测试结果的预测方法的实现流程图，在本实施例中，将第二数量的扩展序列分别输入至分类模型之前和将第二数量的扩展序列分别输入至分类模型之后的过程进行进一步细化。
相应的，本发明实施例的方法具体包括如下步骤：
S310、将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列。
S320、根据各测试结果序列之间的数值关系，构建与各种子序列匹配的训练样本。
S330、使用训练样本，训练得到分类模型。
S340、根据与各输入参数分别对应的可选取值集合，构建完备序列集合。
本实施例中，根据与各输入参数分别对应的可选取值集合，构建完备序列集合，具体为，获取与被测对象的各项输入参数分别对应的可选取值集合，然后遍历各项输入参数的全部可选取值，并进行组合，得到的全部组合为完备序列集合。
示例性的，被测对象为f(p1,p2,p3,p4)，若各项输入参数的可选取值集合分别包括4,6,5,2个可选取值，要想实现各项输入参数的遍历，会有4×6×5×2＝240种组合方式，由全部组合构成完备序列集合。
S350、在完备序列集合中，去除各种子序列，得到第二数量的扩展序列。
本实施例中，完备序列集合中的一部分参数组合构成了种子序列，除去全部种子序列后，剩余的第二数量的扩展序列。后续可以使用分类模型对未进行测试的第二数量的扩展序列进行处理，得到与各扩展序列匹配的预测测试结果。
S360、将第二数量的扩展序列输入至分类模型中，得到预测测试结果，第二数量大于第一数量。
可选的，预测测试结果包括：测试结果分类以及分类概率。
本可选的实施例中，预测测试结果包括测试结果分类以及分类概率，也就是说，预测测试结果能够表征当前处理的扩展序列对应的测试结果所属分类的概率。例如，预先对测试结果进行聚类，得到N个聚类簇，则预测测试结果能够表征与扩展序列匹配的测试结果分别属于上述N个聚类簇的概率。
S370、如果确定与目标扩展序列匹配的分类概率小于等于预设的分类阈值，则将目标扩展序列重新输入至被测对象中进行计算。
本实施例中，通过分类模型进行测试结果分类的具体流程如图3b所示，在获取到预测测试结果后，获取预测测试结果中包含的测试结果分别属于各分类的概率值中的最大概率值，并将最大概率值与预设的分类阈值进行比较，当最大概率值大于分类阈值，则确定当前处理的扩展序列对应的测试结果属于最大概率值对应的分类；当最大概率值小于分类阈值时，则表征本次预测结果可能不准确，那么本次测试结果不计为最终结果，需要将当前处理的扩展序列输入至被测对象中进行测试。
S380、使用被测对象计算得到的测试结果序列替换目标扩展序列的测试结果分类。
本实施例中，当使用分类模型得到的测试结果不能作为最终结果时，将当前处理的扩展序列输入至被测对象中进行测试，得到最终测试结果，并由最终测试结果所属分类替换目标扩展序列的测试结果分类。
本发明实施例的技术方案，将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列，然后根据各测试结果序列之间的数值关系，构建与各种子序列匹配的训练样本，并使用各训练样本，训练得到分类模型，最终将第二数量的扩展序列输入至分类模型中，得到预测测试结果，如果确定与目标扩展序列匹配的分类概率小于等于预设的分类阈值，则将目标扩展序列重新输入至被测对象中进行计算，一方面，在实现对被测对象进行参数空间完备测试的同时，大幅降低了测试计算量，另一方面，只采用分类概率高于分类阈值的分类结果作为测试结果，提高测试准确度。
实施例四
图4是本发明实施例四提供的一种测试结果的预测装置的结构图，如图4所示，测试结果的预测装置包括：测试结果序列计算模块410、训练样本构建模块420、分类模型训练模块430以及预测测试结果生成模块440，其中：
测试结果序列计算模块410，用于将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列；
训练样本构建模块420，用于根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本；
分类模型训练模块430，用于使用所述训练样本，训练得到分类模型；
预测测试结果生成模块440，用于将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果，所述第二数量大于第一数量。
本发明实施例的技术方案，将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列，然后根据各测试结果序列之间的数值关系，构建与各种子序列匹配的训练样本，并使用训练样本，训练得到分类模型，最终将第二数量的扩展序列输入至分类模型中，得到预测测试结果，在实现对被测对象进行参数空间完备测试的同时，大幅降低了测试计算量，可以节省大量测试计算资源。
在上述各实施例的基础上，所述测试结果的预测装置，还包括：
种子序列构建模块，用于在将第一数量的种子序列输入至被测对象中进行计算之前，根据与被测对象匹配的多项输入参数，构造所述第一数量的种子序列，所述种子序列对应各所述输入参数的一组可选取值。
在上述各实施例的基础上，种子序列构建模块，可以具体包括：
可选取值集合获取单元，用于获取与各所述输入参数分别对应的可选取值集合；
种子序列构建单元，用于获取与各所述可选取值集合分别对应的缩减取值集合，并根据各所述缩减取值集合，构造第一数量的种子序列。
在上述各实施例的基础上，种子序列构建单元，可以具体包括：
第一缩减取值集合获取子单元，用于在当前处理的目标可选取值集合中均匀选取得到所述缩减取值集合；和/或
第二缩减取值集合获取子单元，用于以当前处理的目标可选取值集合中的至少一个典型值为中心点，按照预设的密度分布函数，在所述目标可选取值集合中选取得到所述缩减取值集合。
在上述各实施例的基础上，第二缩减取值集合获取子单元，可以具体用于：
根据所述目标可选取值集合中的至少一个典型值，确定至少一组期望方差值，并根据所述至少一组期望方差值，得到高斯或者混合高斯分布函数；
按照所述高斯或者混合高斯分布函数，在所述目标可选取值集合中选取设定数量的目标可选取值，得到所述缩减取值集合。
在上述各实施例的基础上，训练样本构建模块420，可以具体包括：
聚类簇获取单元，用于根据预设的测试结果分类数量值，将各所述测试结果序列进行聚类处理得到多个聚类簇，其中，不同的聚类簇对应不同的测试结果分类；
训练样本获取单元，用于在与每个聚类簇中的各测试结果序列分别对应的种子序列中，加入与聚类簇匹配的测试结果分类标签，得到所述训练样本。
在上述各实施例的基础上，分类模型训练模块430，还可以包括：
模型训练单元，用于将各所述训练样本分别输入至待训练的神经网络模型中进行训练，得到所述分类模型；
其中，所述神经网络模型包括输入层、多个全连接层以及输出层，所述输入层的维度与所述种子序列中包括的输入参数的数量匹配，所述输出层的维度与测试结果分类数量值匹配。
在上述各实施例的基础上，测试结果的预测装置，还包括：
完备序列集合构建模块，用于在将第二数量的扩展序列分别输入至分类模型中之前，根据与各所述输入参数分别对应的可选取值集合，构建完备序列集合；
扩展序列获取模块，用于在所述完备序列集合中，去除各所述种子序列，得到第二数量的扩展序列。
在上述各实施例的基础上，预测测试结果包括：测试结果分类以及分类概率；
测试结果的预测装置，还包括：
结果重算模块，用于在将第二数量的扩展序列输入至分类模型中，得到预测测试结果之后，如果确定与目标扩展序列匹配的分类概率小于等于预设的分类阈值，则将所述目标扩展序列重新输入至所述被测对象中进行计算。
测试结果替换模块，用于使用所述被测对象计算得到的测试结果序列替换所述目标扩展序列的测试结果分类。
本发明实施例所提供的测试结果的预测装置可执行本发明任意实施例所提供的测试结果的预测方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图，如图5所示，该计算机设备包括处理器50、存储器51、输入装置52和输出装置53；计算机设备中处理器50的数量可以是一个或多个，图5中以一个处理器50为例；计算机设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的测试结果的预测方法对应的模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现如本发明任意实施例的测试结果的预测方法，测试结果的预测方法包括：
将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列；
根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本；
使用所述训练样本，训练得到分类模型；
将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果，所述第二数量大于第一数量。
存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例的测试结果的预测方法，测试结果的预测方法包括：
将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列；
根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本；
使用所述训练样本，训练得到分类模型；
将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果，所述第二数量大于第一数量。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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，服务器，或者网络设备等)执行本发明各个实施例的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种测试结果的预测方法，其特征在于，包括：
将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列；
根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本；
使用所述训练样本，训练得到分类模型；
将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果，所述第二数量大于第一数量。
2.根据权利要求1所述的方法，其特征在于，在将第一数量的种子序列输入至被测对象中进行计算之前，还包括：
根据与被测对象匹配的多项输入参数，构造所述第一数量的种子序列，所述种子序列对应各所述输入参数的一组可选取值。
3.根据权利要求2所述的方法，其特征在于，根据与被测对象匹配的多项输入参数，构造第一数量的种子序列，包括：
获取与各所述输入参数分别对应的可选取值集合；
获取与各所述可选取值集合分别对应的缩减取值集合，并根据各所述缩减取值集合，构造第一数量的种子序列。
4.根据权利要求3所述的方法，其特征在于，获取与所述可选取值集合对应的缩减取值集合，包括：
在当前处理的目标可选取值集合中均匀选取得到所述缩减取值集合；和/或
以当前处理的目标可选取值集合中的至少一个典型值为中心点，按照预设的密度分布函数在所述目标可选取值集合中选取得到所述缩减取值集合。
5.根据权利要求4所述的方法，其特征在于，以当前处理的目标可选取值集合中的至少一个典型值为中心点，按照预设的密度分布函数在所述目标可选取值集合中选取得到所述缩减取值集合，包括：
根据所述目标可选取值集合中的至少一个典型值，确定至少一组期望方差值；
根据所述至少一组期望方差值，得到高斯或者混合高斯分布函数；
按照所述高斯或者混合高斯分布函数，在所述目标可选取值集合中选取设定数量的目标可选取值，得到所述缩减取值集合。
6.根据权利要求1所述的方法，其特征在于，根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本，包括：
根据预设的测试结果分类数量值，将各所述测试结果序列进行聚类处理得到多个聚类簇，其中，不同的聚类簇对应不同的测试结果分类；
在与每个聚类簇中的各测试结果序列分别对应的种子序列中，加入与聚类簇匹配的测试结果分类标签，得到所述训练样本。
7.根据权利要求6所述的方法，其特征在于，使用各所述训练样本，训练得到分类模型，包括：
将各所述训练样本分别输入至待训练的神经网络模型中进行训练，得到所述分类模型；
其中，所述神经网络模型包括输入层、多个全连接层以及输出层，所述输入层的维度与所述种子序列中包括的输入参数的数量匹配，所述输出层的维度与测试结果分类数量值匹配。
8.根据权利要求1所述的方法，其特征在于，在将第二数量的扩展序列分别输入至所述分类模型中之前，还包括：
根据与各所述输入参数分别对应的可选取值集合，构建完备序列集合；
在所述完备序列集合中，去除各所述种子序列，得到第二数量的扩展序列。
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述预测测试结果包括：测试结果分类以及分类概率；
在将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果之后，还包括：
如果确定与目标扩展序列匹配的分类概率小于等于预设的分类阈值，则将所述目标扩展序列重新输入至所述被测对象中进行计算；
使用所述被测对象计算得到的测试结果序列替换所述目标扩展序列的测试结果分类。
10.一种测试结果的预测装置，其特征在于，包括：
测试结果序列计算模块，用于将第一数量的种子序列输入至被测对象中进行计算，得到测试结果序列；
训练样本构建模块，用于根据各所述测试结果序列之间的数值关系，构建与各所述种子序列匹配的训练样本；
分类模型训练模块，用于使用所述训练样本，训练得到分类模型；
预测测试结果生成模块，用于将第二数量的扩展序列输入至所述分类模型中，得到预测测试结果，所述第二数量大于第一数量。
11.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的测试结果的预测方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的测试结果的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010790521.7A CN111949530B (zh) | 2020-08-07 | 2020-08-07 | 测试结果的预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010790521.7A CN111949530B (zh) | 2020-08-07 | 2020-08-07 | 测试结果的预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111949530A true CN111949530A (zh) | 2020-11-17 |
| CN111949530B CN111949530B (zh) | 2024-02-20 |
Family
ID=73331860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010790521.7A Active CN111949530B (zh) | 2020-08-07 | 2020-08-07 | 测试结果的预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111949530B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113515625A (zh) * | 2021-05-18 | 2021-10-19 | 中国工商银行股份有限公司 | 测试结果分类模型训练方法、分类方法及装置 |
| CN113626494A (zh) * | 2021-07-28 | 2021-11-09 | 上海齐网网络科技有限公司 | 基于自适应控制的数据多维维度分析的方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190080225A1 (en) * | 2017-09-11 | 2019-03-14 | Tata Consultancy Services Limited | Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof |
| WO2019062414A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
| CN110598845A (zh) * | 2019-08-13 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-08-07 CN CN202010790521.7A patent/CN111949530B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190080225A1 (en) * | 2017-09-11 | 2019-03-14 | Tata Consultancy Services Limited | Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof |
| WO2019062414A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
| CN110598845A (zh) * | 2019-08-13 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 唐四薪;赵辉煌;周勇;: "RNA二级结构预测:基于半监督学习的随机文法模型方法", 计算机与应用化学, no. 09 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113515625A (zh) * | 2021-05-18 | 2021-10-19 | 中国工商银行股份有限公司 | 测试结果分类模型训练方法、分类方法及装置 |
| CN113626494A (zh) * | 2021-07-28 | 2021-11-09 | 上海齐网网络科技有限公司 | 基于自适应控制的数据多维维度分析的方法及*** |
| CN113626494B (zh) * | 2021-07-28 | 2024-03-29 | 上海齐网网络科技有限公司 | 基于自适应控制的数据多维维度分析的方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111949530B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108710576B (zh) | 基于异构迁移的数据集扩充方法及软件缺陷预测方法 | |
| CN111290967A (zh) | 一种软件缺陷预测方法、装置、设备及存储介质 | |
| CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
| CN109656818B (zh) | 一种软件密集***故障预测方法 | |
| CN113067653A (zh) | 一种频谱感知方法、装置、电子设备及介质 | |
| CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
| CN114881343A (zh) | 基于特征选择的电力***短期负荷预测方法及装置 | |
| CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN114399025A (zh) | 一种图神经网络解释方法、***、终端以及存储介质 | |
| CN111104339B (zh) | 基于多粒度学习的软件界面元素检测方法、***、计算机设备和存储介质 | |
| Zhang et al. | Accurate Inference of Unseen Combinations of Multiple Rootcauses with Classifier Ensemble | |
| CN114880637B (zh) | 账户风险的验证方法、装置、计算机设备和存储介质 | |
| CN111008705A (zh) | 一种搜索方法、装置及设备 | |
| CN115883172A (zh) | 异常监测方法、装置、计算机设备和存储介质 | |
| CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
| CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
| CN112667591A (zh) | 一种基于海量日志的数据中心任务干扰预测方法 | |
| CN115587297A (zh) | 构建图像识别模型和图像识别的方法、装置、设备及介质 | |
| CN113393023A (zh) | 模具质量评估方法、装置、设备及存储介质 | |
| Iliashov | Synthesis of algorithms for recognition of vulnerabilities in web resources using signatures of fuzzy linguistic features | |
| Liu et al. | On overlapping community-based networks: generation, detection, and their applications | |
| CN113554126B (zh) | 样本评估方法、装置、设备及计算机可读存储介质 | |
| US20230077998A1 (en) | Systems and Methods for Smart Instance Selection | |
| US12051009B2 (en) | Automatic and self-optimized determination of execution parameters of a software application on an information processing platform |
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 |