王 鈺，劉 磊

（北京科東電力控制系統(tǒng)有限責(zé)任公司，北京 100085）

目前，網(wǎng)構(gòu)軟件測試數(shù)據(jù)具有數(shù)量龐大、種類多、結(jié)構(gòu)復(fù)雜等問題[1]。傳統(tǒng)的數(shù)據(jù)分類方法對相近數(shù)據(jù)不能準(zhǔn)確分類，給數(shù)據(jù)的搜索和查詢帶來困擾，將海量的網(wǎng)構(gòu)軟件測試數(shù)據(jù)進(jìn)行精準(zhǔn)劃分成為當(dāng)前數(shù)據(jù)管理的一大難題[2-3]。文中通過構(gòu)建基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型，明確模型的工作流程，采用特征擴(kuò)展算法生成數(shù)據(jù)特征向量空間，通過計算數(shù)據(jù)的權(quán)值和表達(dá)能力準(zhǔn)確分類，能夠處理相近數(shù)據(jù)，根據(jù)數(shù)據(jù)的特征量進(jìn)行準(zhǔn)確分類，有助于加強對數(shù)據(jù)的管理且對數(shù)據(jù)的處理速度較快，適合未來互聯(lián)網(wǎng)的發(fā)展。

1 網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型

基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型如圖1 所示。

圖1 網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型

從圖1 可以看出，對于網(wǎng)構(gòu)軟件測試數(shù)據(jù)，其特征分類包括以下步驟：

1）對于輸入網(wǎng)構(gòu)軟件測試數(shù)據(jù)，提取其特征點，得到的數(shù)據(jù)特征點集合為F。

2）根據(jù)特征擴(kuò)展算法，利用稀疏分解算法稀疏網(wǎng)構(gòu)軟件測試數(shù)據(jù)，得到的稀疏數(shù)據(jù)集合為D，集合F和集合D的關(guān)系為：F=nD。

3）聚合所有的稀疏數(shù)據(jù)，生成數(shù)據(jù)集W，則W=Pooling(F)。

4）采用平方根聚合方法對數(shù)據(jù)進(jìn)行聚合處理，聚合計算的公式為：

其 中，Wi表示稀疏數(shù)據(jù)W的第i個元素，m為輸入網(wǎng)構(gòu)軟件測試數(shù)據(jù)中的特征點總數(shù)；Fi表示稀疏數(shù)據(jù)Wi在特征點集合F中的第i個特征點，在對所有稀疏數(shù)據(jù)進(jìn)行聚合后，得到的數(shù)據(jù)稀疏向量表示為：

根據(jù)稀疏數(shù)據(jù)的表達(dá)進(jìn)行網(wǎng)構(gòu)軟件測試數(shù)據(jù)的分類，采用概念樹、權(quán)值計算和表達(dá)計算，表現(xiàn)網(wǎng)構(gòu)軟件測試數(shù)據(jù)的特征，根據(jù)數(shù)據(jù)特征進(jìn)行分類和保存[4-5]。

5）將保存的網(wǎng)構(gòu)軟件測試數(shù)據(jù)進(jìn)行編號，方便提取和查詢。

基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型具有以下優(yōu)點：首先模型將網(wǎng)構(gòu)軟件測試數(shù)據(jù)特征映射到向量空間，有利于特征擴(kuò)展和表現(xiàn)；其次，通過精準(zhǔn)計算，能夠減少分類誤差，且計算速度較快，提升了數(shù)據(jù)關(guān)聯(lián)度處理能力；最后，數(shù)據(jù)分類后在各個數(shù)據(jù)庫上標(biāo)注類別和編號，有利于后期的數(shù)據(jù)調(diào)取和查詢[6-7]。

2 基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類方法

2.1 特征擴(kuò)展算法

輸入：網(wǎng)構(gòu)軟件測試數(shù)據(jù)，生成待測數(shù)據(jù)文件。

輸出：網(wǎng)構(gòu)軟件測試數(shù)據(jù)特征擴(kuò)展之后的特征向量空間[8-10]。

1）對于待測網(wǎng)構(gòu)軟件測試數(shù)據(jù)中的任一個特征項，計算特征項的最小置信度和最小支持度，計算公式如式（3）和式（4）所示。

式中，f表示總體真值；v表示標(biāo)準(zhǔn)真值；N表示待測網(wǎng)構(gòu)軟件測試數(shù)據(jù)總數(shù)量；

2）將具有最小執(zhí)行度和最小支持度的特征項生成查詢特征共現(xiàn)集，將查詢特征共現(xiàn)集中的網(wǎng)構(gòu)軟件測試數(shù)據(jù)定義為規(guī)則特征項，計算每個項的規(guī)則度，規(guī)則度H的計算方式如式（5）所示。

3）若H值大于設(shè)置的規(guī)則度閾值，則可認(rèn)為該規(guī)則特征項為規(guī)則項；若在查詢特征共現(xiàn)集中存在唯一規(guī)則項，將執(zhí)行步驟4）；若存在兩個或兩個以上規(guī)則項，將執(zhí)行步驟5）；

4）將唯一規(guī)則項列入特征空間集中；

5）匹配網(wǎng)構(gòu)軟件測試數(shù)據(jù)特征；

6）特征空間集中的數(shù)據(jù)生成特征向量空間，繼續(xù)計算下一組網(wǎng)構(gòu)軟件測試數(shù)據(jù)[11-13]。

2.2 網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類

經(jīng)過特征擴(kuò)展后的網(wǎng)構(gòu)軟件測試數(shù)據(jù)特征向量存在較多的干擾因素，由于網(wǎng)構(gòu)軟件測試數(shù)據(jù)之間的相似度，影響了網(wǎng)構(gòu)軟件測試數(shù)據(jù)的特征表達(dá)能力，數(shù)據(jù)分析能夠提升數(shù)據(jù)的表達(dá)能力，更利于實現(xiàn)數(shù)據(jù)分類和查詢[14-15]。

首先，概念樹通過數(shù)據(jù)的屬性分析進(jìn)行其數(shù)據(jù)的概念描述，定義網(wǎng)構(gòu)軟件測試數(shù)據(jù)的屬性權(quán)值公式如式（6）所示。

其中，n為該數(shù)據(jù)在概念樹中的位置；I為概念樹的編號總集；Deep表示該數(shù)據(jù)在概念樹中的重要性；在公式中加1 的目的在于調(diào)節(jié)網(wǎng)構(gòu)軟件測試數(shù)據(jù)的權(quán)值，使權(quán)值始終為正，避免權(quán)值為負(fù)導(dǎo)致的復(fù)雜計算[16]。

由于數(shù)據(jù)具有相似性，相似數(shù)據(jù)間差別不大，為對數(shù)據(jù)進(jìn)行精準(zhǔn)分類，在計算過網(wǎng)構(gòu)軟件測試數(shù)據(jù)的權(quán)值后，對其表達(dá)能力進(jìn)行計算，如式（7）所示：

根據(jù)網(wǎng)構(gòu)軟件測試數(shù)據(jù)的表達(dá)能力，將其特征值充分表達(dá)，根據(jù)表達(dá)特征值的不同進(jìn)行合理分類。

3 實驗與研究

文中實驗研究利用構(gòu)建的網(wǎng)構(gòu)軟件平臺作為實驗研究中心，以網(wǎng)構(gòu)系統(tǒng)為關(guān)鍵計算單元進(jìn)行平臺開發(fā)，集成符合FIPA 標(biāo)準(zhǔn)的網(wǎng)構(gòu)測試數(shù)據(jù)分類空間，對該空間進(jìn)行自主性開發(fā)與自適應(yīng)演化檢測。采用Spring 平臺，支持實驗中的分類模型自適應(yīng)設(shè)計操作，同時供給模型構(gòu)建圖形化界面、構(gòu)架代碼研發(fā)、分類模型管理等工具，在模型構(gòu)建的過程中時刻連接外部接口API。構(gòu)建的實驗檢測平臺框架如圖2 所示。

圖2 實驗檢測平臺框架圖

實驗過程中的操作平臺分為兩個層次：實驗運行層與構(gòu)建結(jié)果檢驗層。平臺內(nèi)部包含AMS 部件，負(fù)責(zé)內(nèi)部平臺實驗數(shù)據(jù)信息間的通訊、數(shù)據(jù)分類信息管理以及平臺運轉(zhuǎn)生命周期的管理。

在實驗組集中引入特征項共現(xiàn)，有效擴(kuò)展測試數(shù)據(jù)的測試特征。獲得深層模型的測試含義，利用數(shù)據(jù)共現(xiàn)模型對網(wǎng)構(gòu)軟件測試數(shù)據(jù)進(jìn)行平臺共享操作，將共享功能與實驗檢測平臺的網(wǎng)絡(luò)任務(wù)相連。在大規(guī)模的數(shù)據(jù)實驗收集中，對于兩個經(jīng)常出現(xiàn)的測試指標(biāo)，應(yīng)將其轉(zhuǎn)錄至統(tǒng)一平臺窗口單元中等待檢測處理。當(dāng)經(jīng)過檢測處理后的單元窗口產(chǎn)生數(shù)據(jù)共組現(xiàn)象時，則表示被檢測的測試指標(biāo)在意義上有著較為密切的關(guān)聯(lián)。共現(xiàn)概率越高，表明數(shù)據(jù)間的相互關(guān)聯(lián)系數(shù)越高。

依照關(guān)聯(lián)程度對經(jīng)過分類模型分類后的數(shù)據(jù)相似度進(jìn)行對比，并構(gòu)建實驗對比圖。將數(shù)據(jù)共現(xiàn)模型引入分類特征擴(kuò)展中，挖掘訓(xùn)練集特征組合與樣本集特征組合間的關(guān)系。利用FP 算法計算特征項組合共現(xiàn)數(shù)值，將特征項組合看作事務(wù)項，測試數(shù)據(jù)看作事務(wù)，可以在給定的最小支撐度閾值與置信度閾值之下找出組合的特征項數(shù)據(jù)間的關(guān)聯(lián)關(guān)系原則，關(guān)聯(lián)關(guān)系下的關(guān)系原則可表示特征項數(shù)據(jù)的共現(xiàn)程度，由此獲取相應(yīng)的分類程度。分類數(shù)據(jù)相似度對比如圖3 所示。

圖3 分類數(shù)據(jù)相似度對比圖

根據(jù)圖3，文中基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型構(gòu)建方法的分類數(shù)據(jù)相似度明顯優(yōu)于傳統(tǒng)方法的分類數(shù)據(jù)相似度。由于文中構(gòu)建方法引用DF 部件在測試數(shù)據(jù)內(nèi)部調(diào)節(jié)網(wǎng)構(gòu)軟件的組件形式，結(jié)合EBDI 結(jié)構(gòu)綁定分類模型關(guān)系，根據(jù)模型實體測試信念以及動作更改信念組成分類集合與動作集合，時刻掌握網(wǎng)構(gòu)軟件的調(diào)整狀態(tài)。在算法操作伊始，轉(zhuǎn)變選擇函數(shù)操作意圖，及時反映測試數(shù)據(jù)的測試環(huán)境，排除測試阻礙因素，具有良好的數(shù)據(jù)共現(xiàn)數(shù)值。隨時調(diào)整測試指標(biāo)，將標(biāo)準(zhǔn)指標(biāo)與測試數(shù)據(jù)相融合，在特征擴(kuò)展的環(huán)境中分析擴(kuò)展特征項與數(shù)據(jù)集合間的關(guān)系，提高對關(guān)系的管理力度。實施動態(tài)演化運行機(jī)制，給出一致性操作原則與分類管理原則，固定分類模型的構(gòu)建步驟，防止步驟錯亂導(dǎo)致模型構(gòu)建失誤。由此，獲取嚴(yán)謹(jǐn)科學(xué)的模型構(gòu)建數(shù)據(jù)，提升其最終測試的分類相似度。

在分析所構(gòu)建模型的分類相似度后，研究文中方法的召回率。在實驗空間中輸入特征共現(xiàn)集數(shù)值，設(shè)置關(guān)聯(lián)規(guī)則抽取閾值，并管理閾值的設(shè)置范圍，控制閾值數(shù)值處于10～100 之間。在經(jīng)過測試數(shù)據(jù)特征擴(kuò)展后，對信息進(jìn)行分類并將其輸出至特征向量空間中。在測試數(shù)據(jù)集中的任意一個特征項組合中，若在實驗查詢的過程中產(chǎn)生共現(xiàn)集，則表示該過程存在唯一的一個規(guī)則項信息。

此時，提升設(shè)定的閾值參數(shù)數(shù)值，直至其數(shù)值大于標(biāo)準(zhǔn)閾值參數(shù)數(shù)值，執(zhí)行關(guān)聯(lián)規(guī)則右部的特征項信息。在接收控制檢驗的實驗空間中配置SVM分類器，同時提升分類器的操作效率，防止因設(shè)備改變而產(chǎn)生的數(shù)據(jù)分類失敗狀況。交叉驗證處于不同位置空間測試數(shù)據(jù)分類模型的運行狀態(tài)，當(dāng)運行狀態(tài)的動力供給量較小時，將分類模式調(diào)整為低級模式，當(dāng)運行狀態(tài)的動力供給量較大時，將分類模式調(diào)整為高級模式。由于測試的數(shù)據(jù)設(shè)計網(wǎng)構(gòu)軟件的內(nèi)部系統(tǒng)運行操作，為此，在對測試數(shù)據(jù)進(jìn)行調(diào)整后方可執(zhí)行檢測指令。

在實現(xiàn)以上操作后，對分類得出的召回率進(jìn)行對比，得到召回率對比如表1～3 所示。

表1 文中方法召回率

表2 基于局部語義概念表示的方法召回率

表3 基于Agent方法的召回率

從表中可以看出，文中基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型構(gòu)建方法召回率指標(biāo)均高于其他兩種模型構(gòu)建方法，表示文中方法的分類性能更高，有利于分類模型的構(gòu)建。文中在分類模型構(gòu)建的同時調(diào)節(jié)算法分析狀態(tài)，動態(tài)綁定模型信息，具有良好的模型掌控性能，可在產(chǎn)生分類準(zhǔn)則的前提下執(zhí)行分類指令，提升整體分類標(biāo)準(zhǔn)，獲取更高的分類結(jié)果。

4 結(jié)束語

文中構(gòu)建的基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型能夠有效解決數(shù)據(jù)的分類問題，不僅為數(shù)據(jù)的提取和查詢，而且為其他領(lǐng)域數(shù)據(jù)的管理提供了借鑒方法，拓寬了特征擴(kuò)展的應(yīng)用領(lǐng)域，更促進(jìn)了我國大數(shù)據(jù)技術(shù)的發(fā)展。實驗結(jié)果表明，文中基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測試數(shù)據(jù)分類模型構(gòu)建方法可及時調(diào)節(jié)分類模型信息，利用特征項尋找共現(xiàn)指標(biāo)，由此獲取較優(yōu)的分類效果，具有良好的發(fā)展前景。