一种基于AI聚合算法的软件质量动态监控方法与流程

一种基于ai聚合算法的软件质量动态监控方法
技术领域
1.本发明涉及软件质量监控领域，特别涉及一种基于ai聚合算法的软件质量动态监控方法。


背景技术：

2.动态监控包含产品实时监控和生产环境测试(in-production testing/ipt)，实时监控是一个重要测试产品环节。用户使用产品的真实场景，有可能跟设计的一样，也很多情况下出现软件多余的意想不到的组合使用场景。比如在不同真实数据驱动下，很有可能触发在公司内部测试环境没有想到使用方式。一旦在生产环境中发现错误，在生产环境本身具有高度可变性的情况下，重现错误发生的完全相同的条件有时会很复杂。
3.现有技术中亟需开发一种基于ai聚合算法的软件质量动态监控方法。


技术实现要素：

4.为了克服现有技术存在的不足，本发明提供了一种基于ai聚合算法的软件质量动态监控方法，所述技术方案如下：
5.本发明提供了一种基于ai聚合算法的软件质量动态监控方法，包括以下步骤：
6.s1、获取开发环境、测试环境与针对软件应用程序发生的事件相对应的数据，利用监控引擎从生产环境中获取与针对软件应用程序发生的事件相对应的数据；
7.s2、基于与开发环境或测试环境中的至少一个环境中发生的事件相对应的数据，生成预期软件使用的第一模型，基于与生产环境中发生的事件相对应的数据，生成实际软件使用的第二模型；
8.s3、将第一模型与第二模型进行比较，以识别第一模型与第二模型之间的差异；
9.s4、采用ai聚合算法减小步骤s3中第一模型与第二模型之间的差异。
10.进一步地，所述软件质量动态监控方法还包括将在开发环境或测试环境中的至少一个中收集的与软件应用程序有关的数据与在生产环境中收集的数据合并。
11.进一步地，将从步骤s1中获取的生产环境中的数据进行过滤以保护用户隐私。
12.进一步地，所述软件质量动态监控方法还包括根据历史反馈算法调度一个或多个监控测试用例，以测试软件应用程序。
13.进一步地，所述软件质量动态监控方法还包括还包括生成包含使用信息的图形用户界面，所述使用信息包括第一个模型和第二个模型之间差异有效性的度量数据。
14.进一步地，在步骤s4中，采用ai聚合算法调整开发环境或测试环境中的至少一个，以减小步骤s3中第一模型与第二模型之间的差异。
15.进一步地，在步骤s1中，利用动态插桩获取开发环境、测试环境与针对软件应用程序发生的事件相对应的数据。
16.本发明提供的技术方案带来的有益效果如下：使软件质量监控、判断和改进等关键方面实现自动化，同时提出更先进更接近测试和软件质量保证场景的算法。
附图说明
17.为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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。
18.图1是本发明实施例提供的基于ai聚合算法的软件质量动态监控方法流程图。
具体实施方式
19.为了使本技术领域的人员更好地理解本发明方案，更清楚地了解本发明的目的、技术方案及其优点，以下结合具体实施例并参照附图对本发明实施例中的技术方案进行清楚、完整地描述。需要说明的是，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。除此，本发明的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
20.在本发明的一个实施例中，提供了一种基于ai聚合算法的软件质量动态监控方法，参见图1，所述软件质量动态监控方法包括以下步骤：
21.s1、获取开发环境、测试环境与针对软件应用程序发生的事件相对应的数据，利用监控引擎从生产环境中获取与针对软件应用程序发生的事件相对应的数据；
22.s2、基于与开发环境或测试环境中的至少一个环境中发生的事件相对应的数据，生成预期软件使用的第一模型，基于与生产环境中发生的事件相对应的数据，生成实际软件使用的第二模型；
23.s3、将第一模型与第二模型进行比较，以识别第一模型与第二模型之间的差异；
24.s4、采用ai聚合算法减小步骤s3中第一模型与第二模型之间的差异。
25.进一步地，所述软件质量动态监控方法还包括将在开发环境或测试环境中的至少一个中收集的与软件应用程序有关的数据与在生产环境中收集的数据合并。
26.进一步地，将从步骤s1中获取的生产环境中的数据进行过滤以保护用户隐私。
27.进一步地，所述软件质量动态监控方法还包括根据历史反馈算法调度一个或多个监控测试用例，以测试软件应用程序。
28.进一步地，所述软件质量动态监控方法还包括还包括生成包含使用信息的图形用户界面，所述使用信息包括第一个模型和第二个模型之间差异有效性的度量数据。
29.进一步地，在步骤s4中，采用ai聚合算法调整开发环境或测试环境中的至少一个，以减小步骤s3中第一模型与第二模型之间的差异。
30.进一步地，在步骤s1中，利用动态插桩获取开发环境、测试环境与针对软件应用程序发生的事件相对应的数据。
31.本发明提供的基于ai聚合算法的软件质量动态监控方法，使软件质量监控、判断和改进等关键方面实现自动化，同时提出更先进更接近测试和软件质量保证场景的算法。
32.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种基于ai聚合算法的软件质量动态监控方法，其特征在于，包括以下步骤：s1、获取开发环境、测试环境与针对软件应用程序发生的事件相对应的数据，利用监控引擎从生产环境中获取与针对软件应用程序发生的事件相对应的数据；s2、基于与开发环境或测试环境中的至少一个环境中发生的事件相对应的数据，生成预期软件使用的第一模型，基于与生产环境中发生的事件相对应的数据，生成实际软件使用的第二模型；s3、将第一模型与第二模型进行比较，以识别第一模型与第二模型之间的差异；s4、采用ai聚合算法减小步骤s3中第一模型与第二模型之间的差异。2.根据权利要求1所述的基于ai聚合算法的软件质量动态监控方法，其特征在于，所述软件质量动态监控方法还包括将在开发环境或测试环境中的至少一个中收集的与软件应用程序有关的数据与在生产环境中收集的数据合并。3.根据权利要求1所述的基于ai聚合算法的软件质量动态监控方法，其特征在于，将从步骤s1中获取的生产环境中的数据进行过滤以保护用户隐私。4.根据权利要求1所述的基于ai聚合算法的软件质量动态监控方法，其特征在于，所述软件质量动态监控方法还包括根据历史反馈算法调度一个或多个监控测试用例，以测试软件应用程序。5.根据权利要求1所述的基于ai聚合算法的软件质量动态监控方法，其特征在于，所述软件质量动态监控方法还包括还包括生成包含使用信息的图形用户界面，所述使用信息包括第一个模型和第二个模型之间差异有效性的度量数据。6.根据权利要求1所述的基于ai聚合算法的软件质量动态监控方法，其特征在于，在步骤s4中，采用ai聚合算法调整开发环境或测试环境中的至少一个，以减小步骤s3中第一模型与第二模型之间的差异。7.根据权利要求1所述的基于ai聚合算法的软件质量动态监控方法，其特征在于，在步骤s1中，利用动态插桩获取开发环境、测试环境与针对软件应用程序发生的事件相对应的数据。

技术总结
本发明公开了一种基于AI聚合算法的软件质量动态监控方法，包括以下步骤：S1、获取开发环境、测试环境与针对软件应用程序发生的事件相对应的数据，利用监控引擎从生产环境中获取与针对软件应用程序发生的事件相对应的数据；S2、基于开发环境或测试环境中至少一个环境中发生的事件相对应的数据，生成预期软件使用的第一模型，基于生产环境中发生的事件相对应的数据，生成实际软件使用的第二模型；S3、将第一模型与第二模型比较以识别第一模型与第二模型之间的差异；S4、采用AI聚合算法减小第一模型与第二模型之间的差异。本发明使软件质量监控、判断和改进等关键方面实现自动化，同时提出更先进更接近测试和软件质量保证场景的算法。法。法。


技术研发人员：师江帆
受保护的技术使用者：苏州市龙测智能科技有限公司
技术研发日：2020.04.24
技术公布日：2021/10/26