[发明专利]一种基于机器深度学习自优化模型的系统压力测试方法

权利要求书

1.一种基于机器深度学习自优化模型的系统压力测试方法，其特征在于，具体包括以下步骤：

S1、获取历史生产日志信息，作为模型训练日志信息，输入到基于双向长短期记忆循环神经网络的压力测试模型；

S2、将压力测试模型的预测结果与真实系统的生产日志信息进行对比，计算压力测试模型的准确度；

S3、判断准确度是否大于预设阈值，若是则转至步骤S5，否则转至步骤S4；

S4、调整压力测试模型的模型参数，转至步骤S1；

S5、根据当前预测结果对应的压力测试模型对系统进行压力测试，并根据获取的报错信息进行对应的程序修改最终上线。

2.根据权利要求1所述的一种基于机器深度学习自优化模型的系统压力测试方法，其特征在于，所述压力测试模型设有采用双向长短期记忆循环神经网络方法的模块。

3.根据权利要求2所述的一种基于机器深度学习自优化模型的系统压力测试方法，其特征在于，所述采用双向长短期记忆循环神经网络方法的模块包括输入端、输出端、遗忘端和中继端。

4.根据权利要求3所述的一种基于机器深度学习自优化模型的系统压力测试方法，其特征在于，所述采用双向长短期记忆循环神经网络方法的模块的工作流程包括向前推算阶段和向后推算阶段。

5.根据权利要求4所述的一种基于机器深度学习自优化模型的系统压力测试方法，其特征在于，所述采用双向长短期记忆循环神经网络方法的模块在向前推算阶段时的输入端的公式如下所示：

其中，为t时刻输入端外部输入的第i个输入值，w_iτ为第i个输入值的权重，为t-1时刻输入端隐含单元的第h个输出值，w_hτ为第h个输出值的权重，为t-1时刻输入端在中继端的第c个输出值，w_cτ为第c个输出值的权重，f()为激活函数，为t时刻输入端的输出值，为外部输入的数据总量，H为隐含单元的数据总量，C为中继端的数据总量。

6.根据权利要求5所述的一种基于机器深度学习自优化模型的系统压力测试方法，其特征在于，所述采用双向长短期记忆循环神经网络方法的模块在向前推算阶段时的遗忘端的公式如下所示：

其中，w_iφ为遗忘端外部输入的第i个输入值的权重，w_hφ为遗忘端隐含单元的第h个输出值的权重，w_cφ为遗忘端在中继端的第c个输出值的权重，为t时刻遗忘端的输出值。

7.根据权利要求6所述的一种基于机器深度学习自优化模型的系统压力测试方法，其特征在于，所述采用双向长短期记忆循环神经网络方法的模块在向前推算阶段时的中继端的公式如下所示：

其中，为t时刻遗忘端的输出值，为t-1时刻中继端的第h个输出值，w_ic为中继端外部输入的第i个输入值的权重，w_hc为中继端隐含单元的第h个输出值的权重，为t时刻输入端的输出值，g()为激活函数。

8.根据权利要求7所述的一种基于机器深度学习自优化模型的系统压力测试方法，其特征在于，所述采用双向长短期记忆循环神经网络方法的模块在向前推算阶段时的输出端的公式如下所示：

其中，w_iw为输出端外部输入的第i个输入值的权重，w_hw为输出端隐含单元的第h个输出值的权重，为t时刻输出端在中继端的第c个输出值，w_cw为输出端在中继端的第c个输出值的权重，为t时刻输出端的输出值；

所述中继端的输出值的公式如下所示：

其中，为t时刻中继端的输出值，h()为激活函数。