[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

说明书

本发明涉及一种基于机器深度学习自优化模型的系统压力测试方法，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。与现有技术相比，本发明具有实现基于基本数据演化下对不确定的未来趋势的预测，提高压力测试的准确性和测试效率等优点。

技术领域

本发明涉及系统压力测试技术领域，尤其是涉及一种基于机器深度学习自优化模型的系统压力测试方法。

背景技术

近年来证券业的飞速发展，交易系统的稳定运行，故障精准定位和自动隔离，以及快速自愈能力就显得尤为重要，而日志分析是实现上述目标的基本方法。针对日志分析，传统方法是基于规则的分析方法，存在较高的误报、漏报率，同时在应对海量日志分析时还存在效率过低的问题。特别是在大量独立进程并发运行的大规模系统，以及不同进程的日志消息交织出现时，更会变得异常复杂。

正因如此，需要对上线的新系统进行压力测试以保证系统承受巨大客户端访问和操作时不至于报错崩溃。压力测试是通过搭建与实际生产环境相似的测试环境，在同一时间或极短时间内使用测试程序，向系统发送指定数量的请求，用来测试系统在不同压力情况下的运行性能状况以及系统可以承受的最大压力情况。其目的是通过不断给系统加压，观察它的运行状况，从而了解系统的性能极限和缺陷。目前，最简单的是传统的随机算法，也就是提取出不同指令的出现频率，它的准确性只有10％左右。

针对上述所提及的现象与解决方法是引入机器深度学习的日志分析模型，尽可能真实准确地模拟出现实生产中实际运行的指令发送情况，实现在压力测试环节中，更加真实体现实际场景的要求，为后续的压力测试案例编排提供数据模型支撑，达到提升系统安全性、稳定性、敏捷性的目的。

深度学习是机器学习中的一种，其概念源于人工神经网络，是通过建立模拟人脑的神经网络进行分析学习解释数据的算法。由于具有试图模仿大脑的神经元之间传递、处理信息的模式，深度学习可以组合多个低层特征以形成更抽象的高层特征，有更好的学习样本数据的内在规律和表示层次能力。ARIMA自回归滑动平均算法，是机器学习出现前最高级的算法之一。许多商业模型、excel预测等都是运用这个模型进行预测的，其准确性也仅仅为46％左右。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器深度学习自优化模型的系统压力测试方法，适合数据量大、模式复杂却确定的学习任务，通过利用双向长短期记忆循环神经网络(Bi-directional LSTM RNN)模型，训练一段给定时间内的日志数据，通过算法模型自动生成预测数据，并通过计算-生成预测新数据-再次计算新数据的循环，达到对模型预测准确性的提升。

本发明的目的可以通过以下技术方案来实现：

一种基于机器深度学习自优化模型的系统压力测试方法，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。