公开(公告)号：CN112732549B

公开(公告)日：2023-10-17

申请号：CN201910975074.X

申请日：2019-10-14

Applicant: 无锡江南计算技术研究所

Inventor： 谭坚 ,  王丽一 ,  马腾 ,  胡夏晖 ,  相陈伟 ,  陈佳 ,  蒋丽萍 ,  韩肖

IPC: G06F11/36 ,  G06F18/23213 ,  G06F18/24

Abstract: 本发明公开了一种基于聚类分析的测试程序分类方法，包括以下步骤：在多个处理器上批量运行测试程序，在一次运行过程中获取所有维度的计数；根据性能计数信息，对高维度性能计数数据进行降维处理，将计数数据转换为机器学习算法能够处理的向量数据；将降维处理之后的有效性能计数数据作为课题特征的特征数据作为机器学习算法的输入，利用K_means算法对其进行计算并分类；将K_means算法得到的误差作为神经网络中的交叉熵的损失函数，通过卷积神经网络模型对整个分类结果评估优化，输出优化后的结果。本发明实现了对测试程序进行客观分类的目的，对测试向量的精简与测试覆盖的质量具有客观指导意义。且该方法不需要依赖特定的硬件，运行条件简单，实用性高。

公开(公告)号：CN112732549A

公开(公告)日：2021-04-30

申请号：CN201910975074.X

申请日：2019-10-14

Applicant: 无锡江南计算技术研究所

Inventor： 谭坚 ,  王丽一 ,  马腾 ,  胡夏晖 ,  相陈伟 ,  陈佳 ,  蒋丽萍 ,  韩肖

IPC: G06F11/36 ,  G06K9/62

Abstract: 本发明公开了一种基于聚类分析的测试程序分类方法，包括以下步骤：在多个处理器上批量运行测试程序，在一次运行过程中获取所有维度的计数；根据性能计数信息，对高维度性能计数数据进行降维处理，将计数数据转换为机器学习算法能够处理的向量数据；将降维处理之后的有效性能计数数据作为课题特征的特征数据作为机器学习算法的输入，利用K_means算法对其进行计算并分类；将K_means算法得到的误差作为神经网络中的交叉熵的损失函数，通过卷积神经网络模型对整个分类结果评估优化，输出优化后的结果。本发明实现了对测试程序进行客观分类的目的，对测试向量的精简与测试覆盖的质量具有客观指导意义。且该方法不需要依赖特定的硬件，运行条件简单，实用性高。