[發明專利]一種自動化測試方法及裝置

在審

• 申請號: 201710801045.2
• 申請日: 2017-09-07
• 公開（公告）號: CN107544907A
• 公開（公告）日: 2018-01-05
• 發明（設計）人: 羅嗣恒
• 申請（專利權）人: 鄭州云海信息技術有限公司
• 主分類號: G06F11/36
• 分類號: G06F11/36
• 代理公司: 濟南信達專利事務所有限公司37100
• 代理人: 李世喆

技術領域

本發明涉及計算機技術領域，特別涉及一種自動化測試方法及裝置。

背景技術

隨著測試需求的多樣化和復雜化，軟件定義的儀器系統已成為測試測量行業最重要的發展趨勢和主流技術。機器學習(Machine Learning，ML)是一門多領域交叉學科，用于專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

目前，可以采用人工手動測試，比如根據經驗法則手動的調節測試參數，并根據測試結果回調局部參數，進而測試觀察回調效果。

由于需要人工手動測試調節，故現有實現方式的測試效率較低。

發明內容

本發明提供了一種自動化測試方法及裝置，能夠提高測試效率。

為了達到上述目的，本發明是通過如下技術方案實現的：

一方面，本發明提供了一種自動化測試方法，包括：

S1：使用優化算法確定現有數據的變化規律模型的最佳擬合參數；

S2：將當前的最佳擬合參數傳遞至所述變化規律模型；

S3：利用當前的變化規律模型進行試驗，獲得試驗結果；

S4：判斷所述試驗結果是否位于相應預設閾值范圍內，若否，根據所述試驗結果調節所述最佳擬合參數，并以調節后的最佳擬合參數作為當前的最佳擬合參數，執行S2。

進一步地，所述根據所述試驗結果調節所述最佳擬合參數，包括：通過BP(Backpropagation algorithm，反向傳播)技術，根據所述試驗結果調節所述最佳擬合參數。

進一步地，所述優化算法包括：梯度下降法、K-means(K-均值)算法、HMM(Hidden Markov Model，隱馬爾科夫模型)、牛頓法、決策樹、隨機森林、XGBOOST(eXtreme Gradient Boosting)中的任意一種。

進一步地，所述現有數據包括：結構化數據格式的數值型數據。

進一步地，所述S1，包括：針對建立現有數據的變化規律模型所需用到的Sigmoid函數，根據所述Sigmoid函數的特性，獲得公式一和公式二；

所述公式一包括：

P(y＝1|x；θ)＝h_θ(x)

其中，θ為參數，x為樣本，h(x)為變化規律模型，P(y＝1|x；θ)為樣本x屬性正類(y＝1)的條件概率；

所述公式二包括：

P(y＝0|x；θ)＝1-h_θ(x)

其中，P(y＝0|x；θ)為樣本x屬性負類(y＝0)的條件概率；

將所述公式一和所述公式二合并成公式三；

所述公式三包括：

P(y|x；θ)＝(h_θ(x))^y(1-h_θ(x))^1-y

根據所述公式三，生成公式四；

所述公式四包括：

其中，l(θ)為所有樣本生成的概率，m為樣本的總數，x⁽ⁱ⁾為所有樣本中第i個樣本，y⁽ⁱ⁾為所有樣本中第i個樣本的類別，且θ和x⁽ⁱ⁾是多維向量；

使用梯度下降法以對所述公式四求偏導，獲得公式五；

所述公式五包括：

根據所述公式五和確定的公式六，生成公式七；

所述公式六包括：

其中，θ^T為θ的轉置；

所述公式七包括：

其中，a為優化系數，θ_j為第j個參數，θ_j:為最佳擬合參數；

根據所述公式七，確定所述變化規律模型的最佳擬合參數。

另一方面，本發明提供了一種自動化測試裝置，包括：

確定單元，用于使用優化算法確定現有數據的變化規律模型的最佳擬合參數；

第一處理單元，用于將當前的最佳擬合參數傳遞至所述變化規律模型；

第二處理單元，用于利用當前的變化規律模型進行試驗，獲得試驗結果；

第三處理單元，用于判斷所述試驗結果是否位于相應預設閾值范圍內，若否，根據所述試驗結果調節所述最佳擬合參數，并以調節后的最佳擬合參數作為當前的最佳擬合參數，觸發所述第一處理單元。