基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)分類模型構(gòu)建

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(cè)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(duì)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(lái)困擾，將海量的網(wǎng)構(gòu)軟件測(cè)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(cè)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(jì)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(qiáng)對(duì)數(shù)據(jù)的管理且對(duì)數(shù)據(jù)的處理速度較快，適合未來(lái)互聯(lián)網(wǎng)的發(fā)展。

1 網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)分類模型

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

圖1 網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)分類模型

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

1）對(duì)于輸入網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)，提取其特征點(diǎn)，得到的數(shù)據(jù)特征點(diǎn)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(cè)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(duì)數(shù)據(jù)進(jìn)行聚合處理，聚合計(jì)算的公式為：

其 中，Wi表示稀疏數(shù)據(jù)W的第i個(gè)元素，m為輸入網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)中的特征點(diǎn)總數(shù)；Fi表示稀疏數(shù)據(jù)Wi在特征點(diǎn)集合F中的第i個(gè)特征點(diǎn)，在對(duì)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(cè)試數(shù)據(jù)的分類，采用概念樹、權(quán)值計(jì)算和表達(dá)計(jì)算，表現(xiàn)網(wǎng)構(gòu)軟件測(cè)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(cè)試數(shù)據(jù)進(jìn)行編號(hào)，方便提取和查詢。

基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)分類模型具有以下優(yōu)點(diǎn)：首先模型將網(wǎng)構(gòu)軟件測(cè)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(jì)算，能夠減少分類誤差，且計(jì)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(gè)數(shù)據(jù)庫(kù)上標(biāo)注類別和編號(hào)，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(cè)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(cè)試數(shù)據(jù)，生成待測(cè)數(shù)據(jù)文件。

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

1）對(duì)于待測(cè)網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)中的任一個(gè)特征項(xiàng)，計(jì)算特征項(xiàng)的最小置信度和最小支持度，計(jì)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(cè)網(wǎng)構(gòu)軟件測(cè)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(xiàng)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(cè)試數(shù)據(jù)定義為規(guī)則特征項(xiàng)，計(jì)算每個(gè)項(xiàng)的規(guī)則度，規(guī)則度H的計(jì)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(xiàng)為規(guī)則項(xiàng)；若在查詢特征共現(xiàn)集中存在唯一規(guī)則項(xiàng)，將執(zhí)行步驟4）；若存在兩個(gè)或兩個(gè)以上規(guī)則項(xiàng)，將執(zhí)行步驟5）；

4）將唯一規(guī)則項(xiàng)列入特征空間集中；

5）匹配網(wǎng)構(gòu)軟件測(cè)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(jì)算下一組網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)[11-13]。

2.2 網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)分類

經(jīng)過特征擴(kuò)展后的網(wǎng)構(gòu)軟件測(cè)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(cè)試數(shù)據(jù)之間的相似度，影響了網(wǎng)構(gòu)軟件測(cè)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(shí)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(cè)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(hào)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(cè)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(jì)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(duì)數(shù)據(jù)進(jìn)行精準(zhǔn)分類，在計(jì)算過網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)的權(quán)值后，對(duì)其表達(dá)能力進(jìn)行計(jì)算，如式（7）所示：

根據(jù)網(wǎng)構(gòu)軟件測(cè)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(shí)驗(yàn)與研究

文中實(shí)驗(yàn)研究利用構(gòu)建的網(wǎng)構(gòu)軟件平臺(tái)作為實(shí)驗(yàn)研究中心，以網(wǎng)構(gòu)系統(tǒng)為關(guān)鍵計(jì)算單元進(jìn)行平臺(tái)開發(fā)，集成符合FIPA 標(biāo)準(zhǔn)的網(wǎng)構(gòu)測(cè)試數(shù)據(jù)分類空間，對(duì)該空間進(jìn)行自主性開發(fā)與自適應(yīng)演化檢測(cè)。采用Spring 平臺(tái)，支持實(shí)驗(yàn)中的分類模型自適應(yīng)設(shè)計(jì)操作，同時(shí)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(shí)刻連接外部接口API。構(gòu)建的實(shí)驗(yàn)檢測(cè)平臺(tái)框架如圖2 所示。

圖2 實(shí)驗(yàn)檢測(cè)平臺(tái)框架圖

實(shí)驗(yàn)過程中的操作平臺(tái)分為兩個(gè)層次：實(shí)驗(yàn)運(yùn)行層與構(gòu)建結(jié)果檢驗(yàn)層。平臺(tái)內(nèi)部包含AMS 部件，負(fù)責(zé)內(nèi)部平臺(tái)實(shí)驗(yàn)數(shù)據(jù)信息間的通訊、數(shù)據(jù)分類信息管理以及平臺(tái)運(yùn)轉(zhuǎn)生命周期的管理。

在實(shí)驗(yàn)組集中引入特征項(xiàng)共現(xiàn)，有效擴(kuò)展測(cè)試數(shù)據(jù)的測(cè)試特征。獲得深層模型的測(cè)試含義，利用數(shù)據(jù)共現(xiàn)模型對(duì)網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)進(jìn)行平臺(tái)共享操作，將共享功能與實(shí)驗(yàn)檢測(cè)平臺(tái)的網(wǎng)絡(luò)任務(wù)相連。在大規(guī)模的數(shù)據(jù)實(shí)驗(yàn)收集中，對(duì)于兩個(gè)經(jīng)常出現(xiàn)的測(cè)試指標(biāo)，應(yīng)將其轉(zhuǎn)錄至統(tǒng)一平臺(tái)窗口單元中等待檢測(cè)處理。當(dāng)經(jīng)過檢測(cè)處理后的單元窗口產(chǎn)生數(shù)據(jù)共組現(xiàn)象時(shí)，則表示被檢測(cè)的測(cè)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(duì)經(jīng)過分類模型分類后的數(shù)據(jù)相似度進(jìn)行對(duì)比，并構(gòu)建實(shí)驗(yàn)對(duì)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(jì)算特征項(xiàng)組合共現(xiàn)數(shù)值，將特征項(xiàng)組合看作事務(wù)項(xiàng)，測(cè)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(xiàng)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(xiàng)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(duì)比如圖3 所示。

圖3 分類數(shù)據(jù)相似度對(duì)比圖

根據(jù)圖3，文中基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測(cè)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(cè)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(shí)體測(cè)試信念以及動(dòng)作更改信念組成分類集合與動(dòng)作集合，時(shí)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(shí)反映測(cè)試數(shù)據(jù)的測(cè)試環(huán)境，排除測(cè)試阻礙因素，具有良好的數(shù)據(jù)共現(xiàn)數(shù)值。隨時(shí)調(diào)整測(cè)試指標(biāo)，將標(biāo)準(zhǔn)指標(biāo)與測(cè)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(xiàng)與數(shù)據(jù)集合間的關(guān)系，提高對(duì)關(guān)系的管理力度。實(shí)施動(dòng)態(tài)演化運(yùn)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(cuò)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(cè)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(shí)驗(yàn)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(cè)試數(shù)據(jù)特征擴(kuò)展后，對(duì)信息進(jìn)行分類并將其輸出至特征向量空間中。在測(cè)試數(shù)據(jù)集中的任意一個(gè)特征項(xiàng)組合中，若在實(shí)驗(yàn)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(gè)規(guī)則項(xiàng)信息。

此時(shí)，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(xiàng)信息。在接收控制檢驗(yàn)的實(shí)驗(yàn)空間中配置SVM分類器，同時(shí)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(yàn)證處于不同位置空間測(cè)試數(shù)據(jù)分類模型的運(yùn)行狀態(tài)，當(dāng)運(yùn)行狀態(tài)的動(dòng)力供給量較小時(shí)，將分類模式調(diào)整為低級(jí)模式，當(dāng)運(yùn)行狀態(tài)的動(dòng)力供給量較大時(shí)，將分類模式調(diào)整為高級(jí)模式。由于測(cè)試的數(shù)據(jù)設(shè)計(jì)網(wǎng)構(gòu)軟件的內(nèi)部系統(tǒng)運(yùn)行操作，為此，在對(duì)測(cè)試數(shù)據(jù)進(jìn)行調(diào)整后方可執(zhí)行檢測(cè)指令。

在實(shí)現(xiàn)以上操作后，對(duì)分類得出的召回率進(jìn)行對(duì)比，得到召回率對(duì)比如表1～3 所示。

表1 文中方法召回率

表2 基于局部語(yǔ)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(cè)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(shí)調(diào)節(jié)算法分析狀態(tài)，動(dòng)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(yǔ)

文中構(gòu)建的基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測(cè)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(guó)大數(shù)據(jù)技術(shù)的發(fā)展。實(shí)驗(yàn)結(jié)果表明，文中基于特征擴(kuò)展的網(wǎng)構(gòu)軟件測(cè)試數(shù)據(jù)分類模型構(gòu)建方法可及時(shí)調(diào)節(jié)分類模型信息，利用特征項(xiàng)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。