[发明专利]一种自动化测试方法及装置

说明书

技术领域

本发明涉及计算机技术领域，特别涉及一种自动化测试方法及装置。

背景技术

随着测试需求的多样化和复杂化，软件定义的仪器系统已成为测试测量行业最重要的发展趋势和主流技术。机器学习(Machine Learning，ML)是一门多领域交叉学科，用于专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

目前，可以采用人工手动测试，比如根据经验法则手动的调节测试参数，并根据测试结果回调局部参数，进而测试观察回调效果。

由于需要人工手动测试调节，故现有实现方式的测试效率较低。

发明内容

本发明提供了一种自动化测试方法及装置，能够提高测试效率。

为了达到上述目的，本发明是通过如下技术方案实现的：

一方面，本发明提供了一种自动化测试方法，包括：

S1：使用优化算法确定现有数据的变化规律模型的最佳拟合参数；

S2：将当前的最佳拟合参数传递至所述变化规律模型；

S3：利用当前的变化规律模型进行试验，获得试验结果；

S4：判断所述试验结果是否位于相应预设阈值范围内，若否，根据所述试验结果调节所述最佳拟合参数，并以调节后的最佳拟合参数作为当前的最佳拟合参数，执行S2。

进一步地，所述根据所述试验结果调节所述最佳拟合参数，包括：通过BP(Backpropagation algorithm，反向传播)技术，根据所述试验结果调节所述最佳拟合参数。

进一步地，所述优化算法包括：梯度下降法、K-means(K-均值)算法、HMM(Hidden Markov Model，隐马尔科夫模型)、牛顿法、决策树、随机森林、XGBOOST(eXtreme Gradient Boosting)中的任意一种。

进一步地，所述现有数据包括：结构化数据格式的数值型数据。

进一步地，所述S1，包括：针对建立现有数据的变化规律模型所需用到的Sigmoid函数，根据所述Sigmoid函数的特性，获得公式一和公式二；

所述公式一包括：

P(y＝1|x；θ)＝h_θ(x)

其中，θ为参数，x为样本，h(x)为变化规律模型，P(y＝1|x；θ)为样本x属性正类(y＝1)的条件概率；

所述公式二包括：

P(y＝0|x；θ)＝1-h_θ(x)

其中，P(y＝0|x；θ)为样本x属性负类(y＝0)的条件概率；

将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

根据所述公式三，生成公式四；

所述公式四包括：

其中，l(θ)为所有样本生成的概率，m为样本的总数，x⁽ⁱ⁾为所有样本中第i个样本，y⁽ⁱ⁾为所有样本中第i个样本的类别，且θ和x⁽ⁱ⁾是多维向量；

使用梯度下降法以对所述公式四求偏导，获得公式五；

所述公式五包括：

根据所述公式五和确定的公式六，生成公式七；

所述公式六包括：

其中，θ^T为θ的转置；

所述公式七包括：

其中，a为优化系数，θ_j为第j个参数，θ_j:为最佳拟合参数；

根据所述公式七，确定所述变化规律模型的最佳拟合参数。

另一方面，本发明提供了一种自动化测试装置，包括：

确定单元，用于使用优化算法确定现有数据的变化规律模型的最佳拟合参数；

第一处理单元，用于将当前的最佳拟合参数传递至所述变化规律模型；

第二处理单元，用于利用当前的变化规律模型进行试验，获得试验结果；

第三处理单元，用于判断所述试验结果是否位于相应预设阈值范围内，若否，根据所述试验结果调节所述最佳拟合参数，并以调节后的最佳拟合参数作为当前的最佳拟合参数，触发所述第一处理单元。