一个或多个计算机处理器利用计算的回归构建和在相同发布周期上进行的一个或多个历史构建之间的相似性度量，识别一个或多个相似的历史回归测试和历史构建，其中，所述识别的一个或多个相似的历史回归测试和历史构建是所述回归构建的K个最近邻；利用包括各自由距测试点的对应平均距离加权的K个最近邻和所述经过时间作为目标变量的KNN算法来预测所述一个或多个概要分析回归测试的经过时间；响应于所述预测的经过时间超过与所述回归构建相关联的实际经过时间，确定所述回归构建是实际回归；响应于确定所述回归构建不是由于变化性，将一个或多个减轻动作应用于所述回归构建。将一个或多个减轻动作应用于所述回归构建。将一个或多个减轻动作应用于所述回归构建。
【技术实现步骤摘要】
【国外来华专利技术】性能变化性评估器
技术介绍
[0001]本专利技术总体上涉及机器学习领域，并且更具体地涉及预测和减轻回归测试中的性能变化性。
[0002]回归测试涉及进行多个功能和非功能测试，以确保先前开发和测试的软件在修改或改变之后仍然合适地执行。如果软件不能合适地执行或者以降低的效率执行，则这是回归。回归测试可以在错误修复、软件增强、配置改变和硬件替换上触发。
[0003]K最近邻算法(KNN)是一种用于分类和回归的非参数方法，其中输入由特征空间中的k个最近训练示例组成。KNN是一种类型的基于实例的学习，其中函数仅在本地近似，并且所有计算被推迟直到函数评估。出于回归目的(例如，KNN回归)，输出是输入的预测值，其中所述值可以是平均值或中值。
技术实现思路
[0004]本专利技术的实施例公开了一种用于预测和减轻回归测试中的变化性的计算机实现的方法、计算机程序产品和系统。计算机实现的方法包括一个或多个计算机处理器利用计算的回归构建和在相同发布周期上进行的一个或多个历史构建之间的相似性度量，识别一个或多个相似的历史回归测试和历史构建，其中，所述识别的一个或多个相似的历史回归测试和历史构建是所述回归构建的K个最近邻。所述一个或多个计算机处理器利用包括各自由距测试点的对应平均距离加权的K个最近邻和所述经过时间作为目标变量的KNN算法来预测所述一个或多个概要分析回归测试的经过时间。所述一个或多个计算机处理器响应于所述预测的经过时间超过与所述回归构建相关联的实际经过时间，确定所述回归构建是实际回归。所述一个或多个计算机处理器响应于确定回归构建不是由于变化性，基于一个或多个类似的历史构建将一个或多个减轻动作应用于回归构建。
附图说明
[0005]图1是示出根据本专利技术的实施例的计算环境的功能框图；
[0006]图2是描绘根据本专利技术的实施例的在图1的计算环境内的服务器计算机上的用于预测并减轻回归测试中的变化性的程序的操作步骤的流程图；
[0007]图3示出了根据本专利技术的实施例的示例性表格；
[0008]图4示出了根据本专利技术的实施例的示例性图表；
[0009]图5示出了根据本专利技术的实施例的示例性图表；以及
[0010]图6是根据本专利技术的实施例的服务器计算机的组件的框图。
具体实施方式
[0011]传统上，组织针对软件版本(例如，α、β、版本候选等)执行多个评估和测试，该评估和测试包括在一个或多个构建上运行多个性能和边缘情况工作负载(即，连续集成和连续部署)。响应于多个评估和测试的完成，传统系统记录诊断并且利用统计函数将诊断结果与
历史结果(例如，基线)进行比较并且确定潜在回归。传统系统仅局限于诊断结果比较的子集，例如，所述系统可能仅考虑由于系统限制的计算约束而导致的有限时间段内的中央处理统计。此外，所述传统系统利用大量计算资源来识别并计算基线和/或相关联的阈值。
[0012]本专利技术的实施例预测潜在回归(即，回归测试、构建、软件等)经受变化性或实际回归(即，不经受变化性)的可能性。本专利技术的实施例在一个或多个基线构造和回归构造上对一个或多个查询执行的流逝时间进行一个或多个概率测试。本专利技术的各实施例与每个项目、构建、模块或子模块的一个或多个动态阈值相关联。本专利技术的实施例认识到，阈值确定对于软件的高效集成和部署是至关重要的。本专利技术的实施例减少了误报警报，并允许批准的(例如，没有回归或确定的误报)软件的有效测试、修改和后续部署。响应于回归警报，本专利技术的实施例发起减轻动作。本专利技术的实施例的实现方式可以采取多种形式，并且随后参照附图讨论示例性实现方式细节。
[0013]现在将参考附图详细描述本专利技术。
[0014]图1是示出根据本专利技术的一个实施例的总体指定为100的计算环境的功能框图。如在本说明书中使用的术语“计算的”描述了一种计算机系统，该计算机系统包括一起作为单个计算机系统操作的多个物理上不同的设备。图1仅提供一个实现方式的图示并且不暗示关于其中可以实现不同实施例的环境的任何限制。本领域技术人员在不脱离权利要求书所述的本专利技术的范围下可对所描述的环境作出许多修改。
[0015]计算环境100包括通过网络102连接的服务器计算机120。网络102可以是例如电信网络、局域网(LAN)、广域网(WAN)(诸如互联网)或三者的组合，并且可以包括有线、无线或光纤连接。网络102可包括一个或多个有线和/或无线网络，其能够接收和传送数据、语音和/或视频信号，包括包含语音、数据和视频信息的多媒体信号。一般而言，网络102可以是将支持服务器计算机120与计算环境100内的其他计算设备(未示出)之间的通信的连接和协议的任何组合。在不同实施例中，网络102经由有线、无线或光学连接本地操作，并且可以是连接和协议(例如，个人局域网(PAN)、近场通信(NFC)、激光、红外、超声等)的任何组合。
[0016]服务器计算机120可以是独立计算设备、管理服务器、网络服务器、移动计算设备、或能够接收、发送、和处理数据的任何其他电子设备或计算系统。在其他实施例中，服务器计算机120可表示诸如在云计算环境中利用多个计算机作为服务器系统的服务器计算系统。在另一实施例中，服务器计算机120可以是膝上型计算机、平板计算机、上网本计算机、个人计算机(PC)、台式计算机、个人数字助理(PDA)、智能电话、或能够经由网络102与计算环境100内的其他计算设备(未示出)通信的任何可编程电子设备。在另一实施例中，服务器计算机120表示利用集群计算机和组件(例如，数据库服务器计算机、应用服务器计算机等)的计算系统，这些集群计算机和组件在计算环境100内被访问时充当单个无缝资源池。在所描绘的实施例中，服务器计算机120包括存储库122和程序150。在其他实施例中，服务器计算机120可包含在计算环境100中未描述的其他应用、数据库、程序等。在实施例中，服务器计算机120是源代码管理系统和/或CI/CD系统。服务器计算机120可包括如关于图6更详细描绘和描述的内部和外部硬件组件。
[0017]存储库122是用于程序150所使用的数据的储存库。在所描绘的实施例中，存储库122驻留在服务器计算机120上。在另一实施例中，存储库122可驻留在计算环境100内的其他地方，只要程序150可访问存储库122。数据库是有组织的数据集合。存储库122可用能够
存储可由程序150访问和利用的数据和配置文件的任何类型的存储设备来实现，诸如数据库服务器、硬盘驱动器或闪存。在实施例中，存储库122存储由程序150使用的数据，诸如历史测试、测试案例、模块、相关联的概要分析器、阈值等。在实施例中，存储库122是源代码管理系统，其允许多个用户具有将代码推送到系统中并允许其他用户查看和下载包含的代码库的能力。在另一个实施例中，自动测试推送代码和/或软件的错误和潜在回归。在实施例中，源代码管理系统存储由程序150使用的数据，诸如历史代码库和相关联的修改。
[0018]程序150是用于预测和减轻回归测试中的性能变化性的程序。在不同实施例中，程序150可本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的方法，包括：由一个或多个计算机处理器，利用计算的回归构建和在相同发布周期上进行的一个或多个历史构建之间的相似性度量，识别一个或多个相似的历史回归测试和历史构建，其中，所述识别的一个或多个相似的历史回归测试和历史构建是所述回归构建的K个最近邻；由一个或多个计算机处理器利用包括各自由距测试点的对应平均距离加权的K个最近邻和所述经过时间作为目标变量的KNN算法来预测所述一个或多个概要分析回归测试的经过时间；响应于所述预测的经过时间超过与所述回归构建相关联的实际经过时间，由一个或多个计算机处理器确定所述回归构建是实际回归；以及响应于确定所述回归构建不是由于变化性，由一个或多个计算机处理器基于一个或多个类似的历史构建将一个或多个减轻动作应用于所述回归构建。2.根据权利要求1所述的方法，其中，利用包括所述K个最近邻和所述经过时间作为所述目标变量的所述KNN算法来预测所述一个或多个概要分析回归测试的所述经过时间进一步包括：由一个或多个计算机处理器修改所述KNN算法，以通过去除不与所述K个最近邻相关联的测试点来去除测试点偏差。3.根据权利要求1所述的方法，其中，利用包括所述K个最近邻和所述经过时间作为所述目标变量的所述KNN算法来预测所述一个或多个概要分析回归测试的所述经过时间包括：由一个或多个计算机处理器利用所述K个最近邻的平均值来预测所述经过时间。4.根据权利要求1所述的方法，其中，利用包括所述K个最近邻和所述经过时间作为所述目标变量的所述KNN算法来预测所述一个或多个概要分析回归测试的所述经过时间包括：由一个或多个计算机处理器利用所述K个最近邻的中值来预测所述经过时间。5.根据权利要求1所述的方法，进一步包括：响应于所预测的经过时间不超过与所述回归构建相关联的所述实际经过时间，由一个或多个计算机处理器确定所述回归构建是由于变化性；以及响应于确定所述回归构建是由于变化性，由一个或多个计算机处理器将一个或多个部署所述回归的构建应用于一个或多个环境。6.根据权利要求1所述的方法，其中，所述计算的相似性基于系统概要分析器统计。7.根据权利要求6所述的方法，其中，所述系统概要分析器统计包括CPU概要分析、GPU概要分析、输入/输出概要分析和网络概要分析。8.根据权利要求7所述的方法，其中，所述CPU概要分析生成统计，所述统计包括执行时间、温度、最小CPU利用、最大CPU利用、介质CPU利用、平均CPU利用以及相关联的存储器利用。9.根据权利要求1所述的方法，其中，所述计算的相似性利用欧几里得距离。10.一种计算机程序产品，包括：一个或多个计算机可读存储介质和存储在所述一个或多个计算机可读存储介质上的程序指令，所存储的程序指令包括：
利用所计算的回归构建和在相同发布周期上进行的一个或多个历史构建之间的相似性度量，识别一个或多个相似的历史回归测试和历史构建的程序指令，其中，所述识别的一个或多个相似的历史回归测试和历史构建是所述回归构建的K个最近邻；利用包括各自由距测试点的对应平均距离加权的K个最近邻和所述经过时间作为目标变量的KNN算法来预测所述一个或多个概要分析回归测试的经过时间的程序指令；响应于所述预测的经过时间超过与所述回归构建相关联的实际经过时间，确定所述回归构建是实际回...
【专利技术属性】
技术研发人员：S，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。