CN115048284B - 用于测试***的应用的方法、计算设备和存储介质 - Google Patents
用于测试***的应用的方法、计算设备和存储介质 Download PDFInfo
- Publication number
- CN115048284B CN115048284B CN202210301598.2A CN202210301598A CN115048284B CN 115048284 B CN115048284 B CN 115048284B CN 202210301598 A CN202210301598 A CN 202210301598A CN 115048284 B CN115048284 B CN 115048284B
- Authority
- CN
- China
- Prior art keywords
- experimental
- user
- group
- determining
- experiment
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 238000002474 experimental method Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000002730 additional effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Storage Device Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例涉及用于测试***的应用的方法、计算设备和计算机存储介质。该方法包括:获取用于测试应用的实验配置信息,响应于确定用户不属于白名单,基于实验配置项过滤用户,以便确定实验用户;基于实验配置项,为每个实验用户确定关联的类别标签;针对每一个类别标签,经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶;基于预定流量占比,确定实验组落组用户和对照组落组用户;以及基于实验组落组用户针对第二版本应用的第二测试指标项数据和对照组落组用户针对第一版本应用的第一测试指标项数据的比较确定测试结果。本公开能够有效降低分流所形成的目标人群组之间的差异和实验噪声。
Description
技术领域
本公开的实施例总体涉及信息处理领域,具体涉及用于测试***的应用的方法、计算设备和计算机存储介质。
背景技术
为了尽量减小新应用上线对用户体验的影响,通常新应用上线之前通常会随机选取一定量的流量针对待部署或上线的应用先行在线测试,以便快速得到实验结论,再根据所反馈的实验数据来推广至全流量。
传统的用于测试***的应用的方法例如包括AB测试法,例如,针对网页或应用界面或流程分别制作两个(A/B)版本,以便在同一时间维度,分别让相同数量用户的目标人群组随机访问这些版本,收集目标人群组的用户体验数据和业务数据,经由分析和评估出最好版本,以用于正式部署或者上线。
在传统的用于测试***的应用的方法中,在进行目标人群分流的过程中,分流算法并没有考虑目标人群的差异,进而导致实验分流所形成的目标人群组之间存在较大的差异。另外,在实验开始前,无法自主观测试验分组的指标,也无法选择实验组,例如,有些应用的更新策略对于女性较为友好,如果实验组中的女性用户较多,则关于应用的测试结果的反馈较好,由此可能带来实验噪声。因此,传统的用于测试***的应用的方法无法消除实验噪声。
综上,传统的用于测试***的应用的方法的不足之处在于:分流所形成的目标人群组之间存在较大的差异,以及难以消除实验噪声。
发明内容
提供了一种用于测试***的应用的方法、计算设备以及计算机存储介质,能够有效降低分流所形成的目标人群组之间的差异和实验噪声。
根据本公开的第一方面,提供了一种用于测试***的应用的方法。该方法包括:在计算设备处,获取用于测试应用的实验配置信息,实验配置信息至少指示多个与实验用户相关联的实验配置项、关于实验组和对照组的配置信息和测试指标项;响应于确认接收到关于用户的实验分组请求,确认用户是否属于与预定实验组或者预定对照组相关联的白名单;响应于确定用户不属于白名单,基于实验配置项过滤用户,以便将与实验配置项相匹配的用户确定为实验用户;基于实验配置项,为每个实验用户确定关联的类别标签;针对每一个类别标签,经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶;基于预定流量占比,在多个实验桶号中确定用于作为实验组或者对照组的实验桶,以便确定实验组落组用户和对照组落组用户;以及获取实验组落组用户针对第二版本应用的第二测试指标项数据和对照组落组用户针对第一版本应用的第一测试指标项数据,以便基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果。
根据本公开的第二方面,提供了一种计算设备。该计算设备包括:至少一个处理器,以及与至少一个处理器通信连接的存储器,其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据第一方面的方法。
在本公开的第三方面中,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根据本公开的第一方面的方法。
在一些实施例中,用于测试***的应用的方法还包括:基于预定流量占比,将已分配实验用户的多个实验桶中的至少部分实验桶分为多个组;在测试指标项中选择部分测试指标项作为兴趣点指标项;获取多个组的实验桶的用户在预定时间间隔内针对第一版本应用的关于兴趣点指标项的多个数据;以及比较关于兴趣点指标项的多个数据之间的差异,以便将差异符合第一预定条件的两个组分别确定为实验组和对照组。
在一些实施例中,用于测试***的应用的方法还包括:实验配置项至少包括以下两项:用户的注册时间、用户设备所配置的应用程序版本、用户设备所配置的操作***的类型、用户所属的年龄范围、用户的性别以及用户所属城市的类别。
在一些实施例中,用于测试***的应用的方法还包括:响应于确定用户属于与预定实验组或者预定对照组相关联的白名单,将用户确定为预定实验组或者预定对照组的实验用户。
在一些实施例中,用于测试***的应用的方法还包括:基于用户的用户设备相关联的互联网协议地址,确定用户设备的所属城市;以及基于所确定的所属城市,确定用户所属城市的类别。
在一些实施例中,经由哈希算法将与每一个类别标签相关联的实验用户分别分配至对应的实验桶还包括:确定实验用户的数量是否大于或者等于用户数量阈值;以及响应于确定实验用户的数量大于或者等于用户数量阈值,经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶。
在一些实施例中,用于测试***的应用的方法还包括:确定预定流量占比是否由第一流量占比增加至第二流量占比;响应于确定预定流量占比由第一流量占比增加至第二流量占比;计算第二流量占比与第一流量占比的流量占比变化值;以及基于流量占比变化值,在基于第一流量占比所确定的用于作为实验组的实验桶之外的其他实验桶中,经由洗牌算法确定作为实验组的实验桶。
在一些实施例中,基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果包括:比较来自第一实验组落组用户的第二测试指标项数据和来自第二实验组落组用户的第二测试指标项数据,以便生成实验组差异数据;确定实验组差异数据是否符合第二预定条件;以及响应于确定实验组差异数据符合第二预定条件,基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了根据本公开的实施例的用于测试***的应用的方法的***的示意图。
图2示出了根据本公开的实施例的用于测试***的应用的方法的流程图。
图3示出了根据本公开的实施例的用于确定实验组和对照组的方法的流程图。
图4示出了根据本公开的实施例的用于预定流量占比增加时确定实验组的方法的流程图。
图5示出了根据本公开的实施例的测试***的应用的方法的数据交互示意图。
图6示出了根据本公开的实施例的用于确定关于***的应用的测试结果的方法的流程图。
图7是用来实现本公开实施例的用于测试***的应用的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的样本。下文还可能包括其他明确的和隐含的定义。
如上所描述,对于传统的用于测试***的应用的方法中,在进行目标人群分流的过程中,分流算法并没有考虑目标人群的差异,进而导致实验分流所形成的目标人群组之间存在较大的差异。另外,在实验开始前,无法自主观测试验分组的指标,也无法选择实验组,进而导致无法消除实验噪声。因而,传统的用于测试***的应用的方法存在的不足之处在于:分流所形成的目标人群组之间存在较大的差异,以及难以消除实验噪声。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于测试***的应用的方案。在该方案中,通过在确认接收到关于用户的实验分组请求并且确定用户不属于白名单时,将与实验配置项相匹配的用户确定为实验用户;然后基于实验配置项为每个实验用户确定关联的类别标签;经由哈希算法将与每一个类别标签相关联的实验用户分别分配至对应的实验桶。本公开可以通过使得每一个类别标签相关联的实验用户被相对均衡地分配至实验桶,进而使得分配至不同实验桶的在多个类别标签下的实验用户均是相对均衡的。另外,通过基于预定流量占比在多个实验桶号中确定用于作为实验组或者对照组的实验桶;以及获取实验组落组用户针对第二版本应用的第二测试指标项数据和对照组落组用户针对第一版本应用的第一测试指标项数据,以便基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果,本公开可以针对关于多个类别标签相对均衡的实验组落组用户和对照组落组用户的测试指标项数据进行比较,能够降低实验噪声,进而能够准确地分析测试结果。因而,本公开能够有效降低分流所形成的目标人群组之间的差异和实验噪声。
在下文中,将结合附图更详细地描述本方案的具体示例。
图1示出了根据本公开的实施例的用于测试***的应用的方法的***100的示意图。如图1所示,***100例如包括计算设备110、用户设备120、网络130。计算设备110可以通过网络130与用户设备120进行数据交互。
计算设备110例如包括但不限于服务器计算机、多处理器***、大型计算机、包括上述***或设备中的任意一个的分布式计算环境等。在一些实施例中,计算设备110可以具有一个或多个处理单元,包括诸如图像处理单元GPU、现场可编程门阵列FPGA和专用集成电路ASIC等的专用处理单元以及诸如中央处理单元CPU的通用处理单元。
计算设备110例如可以获取用于测试应用的实验配置信息,如果确认接收到关于用户的实验分组请求;如果确定用户不属于白名单,将与实验配置项相匹配的用户确定为实验用户;以及基于实验配置项,为每个实验用户确定关联的类别标签。计算设备110例如还可以经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶;基于预定流量占比,在多个实验桶号中确定用于作为实验组或者对照组的实验桶,以便确定实验组落组用户和对照组落组用户;以及基于实验组落组用户针对第二版本应用的第二测试指标项数据和对照组落组用户针对第一版本应用的第一测试指标项数据的比较结果确定关于***的应用的测试结果。
在一些实施例中,计算设备110例如包括:AB实验模块112、接口模块114、存储数据库116和数据采集模块118。AB实验模块112例如用于基于所获取的实验请求确定实验配置信息,以及用于基于实验组落组用户和对照组落组用户所反馈的日志分析测试指标项。接口模块114例如用于获取来自用户设备的关于测试***的应用的请求,配置实验层以及过滤用户以便确定实验用户,以及路由实验用户至实验组和对照组。存储数据库116例如用于存储实验配置信息。数据采集模块118例如用于获取实验组落组用户和对照组落组用户所反馈的日志。
用户设备120例如用于发送关于测试***的应用的请求。以及当用户设备被确定为实验组落组用户或者对照组落组用户的用户设备时,基于所分配的实验组或对照组运行对应的应用,以便生成第一测试结果数据或第二测试结果数据;以及将指示第一测试结果数据或第二测试结果数据的日志上报至计算设备110。
以下将结合图2描述根据本公开的实施例的用于测试***的应用的方法。图2示出了根据本公开的实施例的用于测试***的应用的方法200的流程图。应当理解,方法200例如可以在图7所描述的电子设备700处执行。也可以在图1所描述的计算设备110处执行。应当理解,方法200还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤202处,计算设备110获取用于测试应用的实验配置信息,实验配置信息至少指示多个与实验用户相关联的实验配置项、关于实验组和对照组的配置信息和测试指标项。
关于实验配置项,其至少包括以下两项:用户的注册时间、用户设备所配置的应用程序版本、用户设备所配置的操作***的类型、用户所属的年龄范围、用户的性别以及用户所属城市的类别。。例如,某实验配置项所指示的目标实验人群例如包括:注册30天以上的操作***为安卓的男性用户。所指示的实验组和对照组的设置例如为:AABB实验,即设置2个实验组和2个对照组。例如两个实验组的流量占比相同、所测试的应用的逻辑也相同,所分配的实验桶的实验用户也相对均衡,但是2个实验组在测试结果上依然可能存在差异,这种差异能指示实验噪声。因此,可以通过AABB实验中两个实验组所指示的实验噪声是否在预定范围内,来确定整个实验数据是否为可接受的。如果两个实验组之间的实验噪声对实验结果带来显著的影响,则整个实验数据为不可接受的。
关于用户所属城市的类别,其例如经由以下方式确定:的所属城市;以及基于所确定的所属城市,确定用户所属城市的类别。
关于生成用于测试应用的实验配置信息的方式包括多种。例如,后台基于测试任务配置实验用户的人群,例如,所确定的实验用户人群为:用户注册时间为30天以上的男性安卓用户。则与实验用户相关联的实验配置项包括:用户设备的操作***的类型、用户的性别、用户的注册时间。上述实验配置项的过滤条件分别为:用户设备的操作***的类型为安卓、用户的性别为男性、用户的注册时间大于或者等于30天。
关于实验组和对照组的配置信息,其例如为AB组,即一个实验组和一个对照组。在一些实施例中,关于实验组和对照组的配置信息也可以为AABB组,即两个实验组和两个对照组。通过设置多个实验组,以便比较多个实验组落组用户针对应用的测试指标数据,以便基于比较结果确定实验噪声是否符合预定标准。
在步骤204处,计算设备110确认是否接收到关于用户的实验分组请求。如果计算设备110确认未接收到关于用户的实验分组请求,重复步骤204。在步骤206处,如果计算设备110确认接收到关于用户的实验分组请求,确认用户是否属于与预定实验组或者预定对照组相关联的白名单。
在步骤208处,如果计算设备110确定用户不属于白名单,基于实验配置项过滤用户,以便将与实验配置项相匹配的用户确定为实验用户。如果计算设备110确定用户属于白名单,跳转至步骤218处,将用户确定为预定实验组或者预定对照组的实验用户。
用户数据包括用户设备信息和用户属性信息。用户设备信息例如是在用户登录应用程序时由平台服务器所获取的,例如用户的操作***类型,或者用户设备所配置的应用程序版本信息。用户的属性信息例如包括用户年龄、性别等。上述用户信息例如经由userId或者底层服务的用户数据而获取的。其中,底层服务的用户数据例如包括:基于用户在应用程序的操作数据而生成的用户画像数据。例如,某实验配置项指示的目标实验人群例如为:注册30天以上的操作***为安卓的男性用户。该实验配置项例如还指示用户设备所配置的应用程序的版本为3.8以上。计算设备110确定用户是否满足上述所有实验配置项,如果确定用户满足所有实验配置项,将该用户确定为实验用户。如果确定用户不满足实验配置项中的至少一项,则将该用户过滤掉。
在步骤210处,计算设备110基于实验配置项,为每个实验用户确定关联的类别标签。例如,实验配置项包括户设备所配置的操作***的类型和用户的性别用户的性别,则关联的类别标签例如包括:
“Android和男性”、“iso和男性”、“Android和女性”、“iso和女性”。计算设备110可以为每个实验用户确定关联的类别标签是属于上述四种类别标签中的哪一种类别标签。
在步骤212处,计算设备110针对每一个类别标签,经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶。通过采用上述手段,本公开可以通过使得每一个类别标签相关联的实验用户被相对均衡地分配至实验桶,进而使得分配至不同实验桶的在多个类别标签下的实验用户均是相对均衡的。
将与每一个类别标签相关联的实验用户分别分配至对应的实验桶的方法例如包括:基于每一个类别标签相关联的实验用户的用户标识(例如userId),经由一致性哈希算法(即hash(userId)),确定与实验用户相关联的实验桶号。通过采用上述手段,本公开可以使得同一个用户会一直命中同一实验桶号,进而使得不同实验桶的流量相对于类别标签均衡与完全正交,并且避免了针对海量实验用户分桶对应关系数据的存储。
关于经由哈希算法将与每一个类别标签相关联的实验用户分别分配至对应的实验桶的方法,其例如还包括:计算设备110确定实验用户的数量是否大于或者等于用户数量阈值;响应于确定实验用户的数量大于或者等于用户数量阈值,经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶。通过采用上述手段,有利于降低按照哈希算法计算结果对小样本数据量进行分流导致的分配的均衡性误差。
例如,如果确定实验用户的数量为几万个或者几十万个,即大于用户数量阈值(例如而不限于是10000),则计算设备110经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶。如果确定实验用户的数量为几百个,小于用户数量阈值,则计算设备110例如基于已被分配入每个实验桶的用户数量和多个类别标签,分别计算已经被分配入每个实验桶的用户数量关于类别标签的分布数据;以及基于分布数据,确定下一个待分配用户被分配入各实验桶的分配概率,以便基于分配概率确定下一个待分配用户被分配入的实验桶直至分配完所有实验用户。
在步骤214处,计算设备110基于预定流量占比,在多个实验桶号中确定用于作为实验组或者对照组的实验桶,以便确定实验组落组用户和对照组落组用户。例如,经由步骤212将实验用户分成了1000个实验桶,如果实验组的预定流量占比为10%,则从1000个实验桶随机选出100个实验桶作为实验组。在此过程中,实验用户所分配至的实验桶号是不变的,哪些实验桶号被选定为实验组是由预定流量占比和随机算法(例如是洗牌算法)而确定的。
在步骤216处,计算设备110获取实验组落组用户针对第二版本应用的第二测试指标项数据和对照组落组用户针对第一版本应用的第一测试指标项数据,以便基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果。实验用户落组之后,计算设备将根据落组数据使得实验组落组用户的用户设备运行第二版本应用(例如更新后应用),使得对照组的落组用户的用户设备运行第一版本应用(例如更新前)。例如,如果当前实验的测试指标数据为日活数据。则计算设备110基于实验组和对照组的落组实验用户所分别上报的日志,获取实验组落组用户针对第二版本应用的第二日活数据和对照组落组实验用户针对第一版本应用的第一日活数据,以及基于第一日活数据和第二日活数据的比较结果,例如确定日活数据在实验期间的变化是源于自然波动还是应用版本变化带来的影响,以及该影响是正面影响还是负面影响,进而确定关于***的应用的测试结果。例如,对于日活数据而言,通常节假日时应用的日活数据相对较高,工作日时应用的日活数据相对较低。如果应用测试期间,日活量显著增加,其可能因为应用测试期间处于节假日而导致,如果实验多个类别标签的对照组在相同的应用测试期间,日活量增加不明显,则表明日实验组的日活量显著增加源于应用的更新。
在上述方案中,通过在确认接收到关于用户的实验分组请求并且确定用户不属于白名单时,将与实验配置项相匹配的用户确定为实验用户;然后基于实验配置项为每个实验用户确定关联的类别标签;经由哈希算法将与每一个类别标签相关联的实验用户分别分配至对应的实验桶。本公开可以通过使得每一个类别标签相关联的实验用户被相对均衡地分配至实验桶,进而使得分配至不同实验桶的在多个类别标签下的实验用户均是相对均衡的。另外,通过基于预定流量占比在多个实验桶号中确定用于作为实验组或者对照组的实验桶;以及获取实验组落组用户针对第二版本应用的第二测试指标项数据和对照组落组用户针对第一版本应用的第一测试指标项数据,以便基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果,本公开可以针对关于多个类别标签相对均衡的实验组落组用户和对照组落组用户的测试指标项数据进行比较,能够降低实验噪声,进而能够准确地分析测试结果。因而,本公开能够有效降低分流所形成的目标人群组之间的差异和实验噪声。
以下将结合图3描述根据本公开的实施例的用于确定实验组和对照组的方法300。图3示出了根据本公开的实施例的用于确定实验组和对照组的方法300的流程图。应当理解,方法300例如可以在图7所描述的电子设备700处执行。也可以在图1所描述的计算设备110处执行。应当理解,方法300还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤302处,计算设备110基于预定流量占比,将已分配实验用户的多个实验桶中的至少部分实验桶分为多个组。
例如,当前实验计划用整体流量的25%作为实验组,即预定流量占比为25%,计算设备110可以将分配有实验用户的多个实验桶分为4个组。
在步骤304处,计算设备110在测试指标项中选择部分测试指标项作为兴趣点指标项。所确定的预定测试指标数据例如是测试指标数据中比较关注的指标。
在步骤306处,计算设备110获取多个组的实验桶的用户在预定时间间隔内针对第一版本应用的关于兴趣点指标项的多个数据。
在步骤308处,计算设备110比较关于兴趣点指标项的多个数据之间的差异,以便将差异符合第一预定条件的两个组分别确定为实验组和对照组。
通过采用上述手段,相当于在实验生命中周期内增加了实验的空转期,来提升经由哈希算法进行分桶的均衡性。
在一些实施例中,方法200还包括预定流量占比增加时的确定实验组的方法400,图4示出了根据本公开的实施例的用于预定流量占比增加时确定实验组的方法400的流程图。应当理解,方法400例如可以在图7所描述的电子设备700处执行。也可以在图1所描述的计算设备110处执行。应当理解,方法400还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤402处,计算设备110确定预定流量占比是否由第一流量占比增加至第二流量占比。
在步骤404处,如果计算设备110确定预定流量占比由第一流量占比增加至第二流量占比,计算第二流量占比与第一流量占比的流量占比变化值。
在步骤406处,计算设备110基于流量占比变化值,在基于第一流量占比所确定的用于作为实验组的实验桶之外的其他实验桶中,经由洗牌算法确定作为实验组的实验桶。
通过采用上述手段,可以使得原先落入实验组的实验用户在预定流量占比变化时,依然保持在实验组,而利用没有进入实验组的实验桶进而放量,由此可以保证实验用户的用户体验的一致性,以及降低针对原有实验数据的影响。
图5示出了根据本公开的实施例的用于确定关于***的应用的测试结果的方法500的流程图。应当理解,方法500例如可以在图7所描述的电子设备700处执行。也可以在图1所描述的计算设备110、用户设备120处执行。应当理解,方法500还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤502处,计算设备110比较来自第一实验组落组用户的第二测试指标项数据和来自第二实验组落组用户的第二测试指标项数据,以便生成实验组差异数据。
在步骤504处,计算设备110确定实验组差异数据是否符合第二预定条件。
在步骤506处,如果计算设备110确定实验组差异数据符合第二预定条件,基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果。如果计算设备110确定实验组差异数据不符合第二预定条件,则确定实验数据不可接受。
通过采用上述手段能够使得在实验噪声较小时确定测试结果。
图6示出了根据本公开的实施例的测试***的应用的方法600的数据交互示意图。应当理解,方法600例如可以在图7所描述的电子设备700处执行。也可以在图1所描述的计算设备110和用户设备120处执行。应当理解,方法600还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
方法600例如涉及多个用户的多个用户设备120和计算设备110,计算设备110包括AB实验模块112、接口模块114、存储数据库116和数据采集模块118。
在步骤602处,计算设备110的AB实验模块112基于所获取的实验请求确定实验配置信息。实验配置信息例如指示:当前实验为什么实验,设置多少个实验组和对照组,每个组的预定流量占比,是否存在与实验组或者对照组相关联的白名单(如果存在白名单的话,白名单用户数量),目标实验人群是什么,以及实验结束后需要分析的测试指标项(该测试指标项例如而不限于包括:次日留存量、七日留存量、新增用户数变换等)。
在步骤604处,计算设备110将经由AB实验模块112所确定的实验配置信息存储在存储数据库116。存储数据库可以是支持网络、分布式、可选持久性的键值对的存储数据库,例如为Redis。
在步骤606处,计算设备110经由接口模块114获取来自用户设备120的关于测试***的应用请求。例如,经由统一通信证书(Unified Communications Certificate,UCC)的对外Http(Hypertext Transfer Protocol)请求服务模块获取来自用户设备关于测试***的应用请求。当前实验可以是客户端实验(例如而不限于是应用的UI呈现实验),也可以是服务端实验。针对客户端实验,经由Http请求服务模块获取相关的用户设备关于测试***的应用请求。针对服务端实验,例如可以经由远程过程调用(Remote Procedure Call,RPC)的方式获取关于测试***的应用请求。
在步骤608处,计算设备110的接口模块114基于与预定实验组或者预定对照组相关联的白名单和实验配置项,确定实验用户。
在步骤610处,计算设备110的接口模块114基于实验配置项,为每个实验用户确定关联的类别标签,以及针对每一个类别标签,经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶。
在步骤612处,计算设备110的接口模块114基于预定流量占比,在多个实验桶号中确定用于作为实验组或者对照组的实验桶,以便确定实验组落组用户和对照组落组用户。
在步骤614处,计算设备110的接口模块114自存储数据库116拉取实验参数。
在步骤616处,计算设备110的接口模块基于所确定的实验组落组用户和对照组落组用户和所拉取实验参数,将实验参数返还至实验组落组用户和对照组落组用户的用户设备120。
在步骤618处,实验组落组用户和对照组落组用户的用户设备120分别基于所分配的实验组或对照组运行对应的第一版本应用和第二版本应用,以便分别生成第一测试结果数据和第二测试结果数据。
在步骤620处,实验组落组用户和对照组落组用户的用户设备120将分别指示第一测试结果数据和第二测试结果数据的日志上报至计算设备110的数据采集模块118。
在步骤622处,计算设备110的AB实验模块基于获取自数据采集模块118的日志,生成第一测试指标项数据和第二测试指标项数据,以便基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果。
图7示出了可以用来实施本公开内容的实施例的示例设备700的示意性框图。例如,如图1所示的计算设备110可以由设备700来实施。如图所示,设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机存取存储器(RAM)703中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器703中,还可存储设备700操作所需的各种程序和数据。中央处理单元701、只读存储器702以及随机存取存储器703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至输入/输出接口705,包括:输入单元706,例如键盘、鼠标、麦克风等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200、300、400和500,可由中央处理单元701执行。例如,在一些实施例中,方法200、300、400和500可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序被加载到随机存取存储器703并由中央处理单元701执行时,可以执行上文描述的方法200、300、400和500的一个或多个动作。
本公开涉及方法、装置、***、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向样本的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种用于测试***的应用的方法,包括:
获取用于测试所述应用的实验配置信息,所述实验配置信息至少指示多个与实验用户相关联的实验配置项、关于实验组和对照组的配置信息和测试指标项;
响应于确认接收到关于用户的实验分组请求,确认所述用户是否属于与预定实验组或者预定对照组相关联的白名单;
响应于确定所述用户不属于所述白名单,基于所述实验配置项过滤所述用户,以便将与实验配置项相匹配的用户确定为实验用户;
基于所述实验配置项,为每个实验用户确定关联的类别标签;
针对每一个类别标签,经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶;
基于预定流量占比,在多个实验桶号中确定用于作为实验组或者对照组的实验桶,以便确定实验组落组用户和对照组落组用户;
确定预定流量占比是否由第一流量占比增加至第二流量占比;
响应于确定预定流量占比由第一流量占比增加至第二流量占比;
计算第二流量占比与第一流量占比的流量占比变化值;
基于流量占比变化值,在基于第一流量占比所确定的用于作为实验组的实验桶之外的其他实验桶中,经由洗牌算法确定作为实验组的实验桶;以及
获取实验组落组用户针对第二版本应用的第二测试指标项数据和对照组落组用户针对第一版本应用的第一测试指标项数据,以便基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果,其中比较来自第一实验组落组用户的第二测试指标项数据和来自第二实验组落组用户的第二测试指标项数据,以便生成实验组差异数据,确定所述实验组差异数据是否符合第二预定条件,响应于确定所述实验组差异数据符合第二预定条件,基于第一测试指标项数据和第二测试指标项数据的比较结果确定关于***的应用的测试结果,使得在实验噪声在预定范围内来确定整个实验数据是否为可接受的。
2.根据权利要求1所述的方法,还包括:
基于预定流量占比,将已分配实验用户的多个实验桶中的至少部分实验桶分为多个组;
在测试指标项中选择部分测试指标项作为兴趣点指标项;
获取多个组的实验桶的用户在预定时间间隔内针对所述第一版本应用的关于兴趣点指标项的多个数据;以及
比较关于兴趣点指标项的多个数据之间的差异,以便将差异符合第一预定条件的两个组分别确定为实验组和对照组。
3.根据权利要求1所述的方法,其中所述实验配置项至少包括以下两项:
所述用户的注册时间、用户设备所配置的应用程序版本、用户设备所配置的操作***的类型、所述用户所属的年龄范围、所述用户的性别以及所述用户所属城市的类别。
4.根据权利要求1所述的方法,还包括:
响应于确定所述用户属于与预定实验组或者预定对照组相关联的白名单,将所述用户确定为预定实验组或者预定对照组的实验用户。
5.根据权利要求3所述的方法,还包括:
基于用户的用户设备相关联的互联网协议地址,确定所述用户设备的所属城市;以及
基于所确定的所属城市,确定所述用户所属城市的类别。
6.根据权利要求1所述的方法,其中经由哈希算法将与每一个类别标签相关联的实验用户分别分配至对应的实验桶还包括:
确定所述实验用户的数量是否大于或者等于用户数量阈值;以及
响应于确定所述实验用户的数量大于或者等于用户数量阈值,经由哈希算法,将与每一个类别标签相关联的实验用户分别分配至对应的实验桶。
7.一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210301598.2A CN115048284B (zh) | 2022-03-24 | 2022-03-24 | 用于测试***的应用的方法、计算设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210301598.2A CN115048284B (zh) | 2022-03-24 | 2022-03-24 | 用于测试***的应用的方法、计算设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115048284A CN115048284A (zh) | 2022-09-13 |
CN115048284B true CN115048284B (zh) | 2024-01-23 |
Family
ID=83157127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210301598.2A Active CN115048284B (zh) | 2022-03-24 | 2022-03-24 | 用于测试***的应用的方法、计算设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115048284B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116244310A (zh) * | 2023-03-06 | 2023-06-09 | 深圳今日人才信息科技有限公司 | 一种可自由组合的数据看板管理器及底层实现方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104348679A (zh) * | 2013-08-08 | 2015-02-11 | 阿里巴巴集团控股有限公司 | 一种分桶测试的方法、装置和*** |
CN105373480A (zh) * | 2015-12-15 | 2016-03-02 | 广州唯品会信息科技有限公司 | 优化ABTest***分流的方法及*** |
CN108845936A (zh) * | 2018-05-31 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种基于海量用户的ab测试方法及*** |
US10372782B1 (en) * | 2014-09-29 | 2019-08-06 | Amazon Technologies, Inc. | Content generation and experimentation using engagement tests |
CN111338967A (zh) * | 2020-03-09 | 2020-06-26 | 京东数字科技控股有限公司 | 一种分流测试方法、装置、电子设备及存储介质 |
CN111581087A (zh) * | 2020-04-29 | 2020-08-25 | 郑州阿帕斯数云信息科技有限公司 | 应用程序测试方法和装置 |
CN112907128A (zh) * | 2021-03-23 | 2021-06-04 | 百度在线网络技术(北京)有限公司 | 基于ab测试结果的数据分析方法、装置、设备及介质 |
CN113485931A (zh) * | 2021-07-14 | 2021-10-08 | 广州虎牙科技有限公司 | 测试方法、装置、电子设备及计算机可读存储介质 |
CN114064445A (zh) * | 2020-08-04 | 2022-02-18 | 腾讯科技(深圳)有限公司 | 一种测试方法、装置、设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10839406B2 (en) * | 2018-06-28 | 2020-11-17 | Microsoft Technology Licensing, Llc | A/B testing for search engine optimization |
-
2022
- 2022-03-24 CN CN202210301598.2A patent/CN115048284B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104348679A (zh) * | 2013-08-08 | 2015-02-11 | 阿里巴巴集团控股有限公司 | 一种分桶测试的方法、装置和*** |
US10372782B1 (en) * | 2014-09-29 | 2019-08-06 | Amazon Technologies, Inc. | Content generation and experimentation using engagement tests |
CN105373480A (zh) * | 2015-12-15 | 2016-03-02 | 广州唯品会信息科技有限公司 | 优化ABTest***分流的方法及*** |
CN108845936A (zh) * | 2018-05-31 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种基于海量用户的ab测试方法及*** |
CN111338967A (zh) * | 2020-03-09 | 2020-06-26 | 京东数字科技控股有限公司 | 一种分流测试方法、装置、电子设备及存储介质 |
CN111581087A (zh) * | 2020-04-29 | 2020-08-25 | 郑州阿帕斯数云信息科技有限公司 | 应用程序测试方法和装置 |
CN114064445A (zh) * | 2020-08-04 | 2022-02-18 | 腾讯科技(深圳)有限公司 | 一种测试方法、装置、设备及计算机可读存储介质 |
CN112907128A (zh) * | 2021-03-23 | 2021-06-04 | 百度在线网络技术(北京)有限公司 | 基于ab测试结果的数据分析方法、装置、设备及介质 |
CN113485931A (zh) * | 2021-07-14 | 2021-10-08 | 广州虎牙科技有限公司 | 测试方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
Erheng Zhong等.Scaling Factorization Machines with Parameter Server.CIKM '16: Proceedings of the 25th ACM International on Conference on Information and Knowledge Management.2016,第1583-1592页. * |
Facilitating rapid prototyping in the distributed data analytics platform OODIDA via active-code replacement;Gregor Ulm等;Array;第8卷;第1-10页 * |
基于多任务深度学习的电商广告内容智能优化技术的研究与实现;张博烜;中国优秀硕士学位论文全文数据库 信息科技辑(第2期);I138-2267 * |
Also Published As
Publication number | Publication date |
---|---|
CN115048284A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018206408A1 (en) | Management of interoperating machine leaning algorithms | |
WO2018206405A1 (en) | Interoperation of machine learning algorithms | |
WO2018206406A1 (en) | Adaptation of machine learning algorithms | |
US11816586B2 (en) | Event identification through machine learning | |
WO2018206374A1 (en) | Load balancing of machine learning algorithms | |
US8606905B1 (en) | Automated determination of system scalability and scalability constraint factors | |
EP3622449A1 (en) | Autonomous logic modules | |
CN109543891B (zh) | 容量预测模型的建立方法、设备及计算机可读存储介质 | |
US11546380B2 (en) | System and method for creation and implementation of data processing workflows using a distributed computational graph | |
CN109857431B (zh) | 代码修改方法及装置、计算机可读介质及电子设备 | |
WO2022240524A1 (en) | Smart rollout recommendation system | |
US11836538B2 (en) | Heterogeneous graph generation for application microservices | |
CN115048284B (zh) | 用于测试***的应用的方法、计算设备和存储介质 | |
US20210241130A1 (en) | Performance Improvement Recommendations for Machine Learning Models | |
CN113656315B (zh) | 数据测试方法、装置、电子设备和存储介质 | |
US11212162B2 (en) | Bayesian-based event grouping | |
CN111274032A (zh) | 任务处理***及方法、存储介质 | |
US20170024745A1 (en) | Network management event escalation | |
CN114048512B (zh) | 一种处理敏感数据的方法及装置 | |
CN114817347A (zh) | 业务审批方法、装置、电子设备和存储介质 | |
CN112148551B (zh) | 用于确定存储***的使用变化率的方法、设备和计算机程序产品 | |
CN116933189A (zh) | 一种数据检测方法和装置 | |
CN113656046A (zh) | 一种应用部署方法和装置 | |
US8949787B2 (en) | Locating isolation points in an application under multi-tenant environment | |
JP6710716B2 (ja) | 脅威情報評価装置、脅威情報評価方法およびプログラム |
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 |