通过LSTM的AI缺陷修复定位制造技术

本公开的实施例涉及通过LSTM的AI缺陷修复定位。本文中提供用于缺陷修复系统的方法、系统和非暂态处理器可读存储介质。示例方法包括使用自动测试工具对系统执行至少一个测试。所述缺陷修复系统使用由所述自动测试工具产生的测试数据预测在所述执行期间发生的测试相关故障的至少一个特性。所述缺陷修复系统使用由所述自动测试工具产生的所述测试数据预测所述测试相关故障的至少一个源。测所述测试相关故障的至少一个源。测所述测试相关故障的至少一个源。

【技术实现步骤摘要】
通过LSTM的AI缺陷修复定位


[0001]本
通常涉及分析测试相关故障，并且更具体地涉及预测信息处理系统中的测试相关故障的原因。

技术介绍

[0002]自动测试工具产生数千个测试结果数据点，这些数据点包含关键信息，以标识由自动测试工具产生的测试相关故障产生的根本原因。因此，有效标识测试相关故障的根本原因对于软件项目的成功至关重要。

技术实现思路

[0003]说明性实施例提供用于实施存储系统中的缺陷修复系统的技术。例如，说明性实施例使用自动测试工具对系统执行至少一个测试。缺陷修复系统使用由自动测试工具产生的测试数据预测在执行期间发生的测试相关故障的至少一个特性。缺陷修复系统使用由自动测试工具产生的测试数据预测测试相关故障的至少一个源。这些和其他说明性实施例包括但不限于装置、系统、方法和处理器可读存储介质。
附图说明
[0004]图1示出了说明性实施例中的包括缺陷修复系统的信息处理系统。
[0005]图2示出了说明性实施例中的机器学习模型的示例。
[0006]图3示出了说明性实施例中的用于缺陷修复系统的机器学习系统当中的示例交互的流程图。
[0007]图4示出了说明性实施例中的用于缺陷修复系统的过程的流程图。
[0008]图5和图6示出了处理平台的示例，该处理平台可以用于实施缺陷修复系统实施例的至少部分。
具体实施方式
[0009]将在本文中参考示例性计算机网络和相关联计算机、服务器、网络设备或其他类型的处理设备来描述说明性实施例。然而，将了解，这些和其他实施例不限于与所示特定说明性网络和设备配置一起使用。因此，如本文中使用的术语“计算机网络”意图广泛地解释以涵盖例如包括多个联网处理设备的任何系统。
[0010]下文描述一种用于实施缺陷修复系统的技术，该技术可以用于提供通过使用自动测试工具对系统执行至少一个测试的测试相关故障的原因的标识等。缺陷修复系统使用由自动测试工具产生的测试数据预测在执行期间发生的测试相关故障的至少一个特性。缺陷修复系统使用由自动测试工具产生的测试数据预测测试相关故障的至少一个源。
[0011]用于标识测试相关故障的根本原因的常规技术依赖测试结果的静态审查技术。依赖静态审查技术的常规技术为耗时的、主观的并且低效的。
[0012]相比而言，在根据如本文中所描述的当前技术的至少一些实施方式中，测试相关故障的源是通过使用自动测试工具对系统执行至少一个测试来预测。缺陷修复系统使用由自动测试工具产生的测试数据预测在执行期间发生的测试相关故障的至少一个特性。缺陷修复系统使用由自动测试工具产生的测试数据预测测试相关故障的至少一个源。
[0013]因此，当前技术的目标是提供一种用于提供缺陷修复系统的方法和系统，其能够标识隐藏在指示测试相关故障的特性和根本原因的测试结果中的模式和/或特征。另一目标是创建分类过程以标识测试相关故障的根本原因。另一目标是创建机器学习系统，该机器学习系统能够预测测试相关故障的根本原因。另一目标是关于测试相关故障的所学习特性和根本原因训练机器学习系统。另一目标是使所训练机器学习系统与自动测试工具集成以促进测试相关故障的根本原因的标识。另一目标是改善定位、跟踪和解决测试相关故障的效率。另一目标是减少手动执行此标识的工程师的工作量。
[0014]在根据本文中所描述的当前技术的至少一些实施方式中，缺陷修复系统的使用能够提供以下优势中的一种或多种：预测测试相关故障的源以及提供比人力更高效的缺陷修复系统。
[0015]相比常规技术，在根据如本文中所描述的当前技术的至少一些实施方式中，测试相关故障的源/原因的标识和预测通过使用自动测试工具对系统执行至少一个测试来优化。缺陷修复系统使用由自动测试工具产生的测试数据预测在执行期间发生的测试相关故障的至少一个特性。缺陷修复系统使用由自动测试工具产生的测试数据预测测试相关故障的至少一个源。
[0016]在当前技术的示例实施例中，系统环境机器学习系统确定测试相关故障并非由环境因素引起，并且缺陷修复系统将测试相关故障提供给产品/测试机器学习系统。
[0017]在当前技术的示例实施例中，产品/测试机器学习系统确定测试相关故障是由产品代码引起，并且缺陷修复系统将测试相关故障提供给补救机器学习系统。
[0018]在当前技术的示例实施例中，补救机器学习系统确定测试相关故障应被修复，并且缺陷修复系统将测试相关故障提供给源代码机器学习系统。
[0019]在当前技术的示例实施例中，产品/测试机器学习系统确定测试相关故障是由测试代码引起，并且缺陷修复系统将测试相关故障提供给测试脚本机器学习系统。
[0020]在当前技术的示例实施例中，测试脚本机器学习系统预测引起测试相关故障的测试脚本中的地点。
[0021]在当前技术的示例实施例中，源代码机器学习系统预测引起测试相关故障的源代码中的地点。
[0022]在当前技术的示例实施例中，系统环境机器学习系统在自动测试工具产生的测试数据上训练，以预测测试相关故障是否是由环境因素引起还是由系统引起。
[0023]在当前技术的示例实施例中，产品/测试机器学习系统在自动测试工具产生的测试数据上训练，以预测测试相关故障是否是由产品代码引起还是由测试代码引起。
[0024]在当前技术的示例实施例中，补救机器学习系统在自动测试工具产生的测试数据上训练，以预测是否补救测试相关故障。
[0025]在当前技术的示例实施例中，测试脚本机器学习系统在自动测试工具产生的测试数据上训练，以预测引起测试相关故障的测试脚本。
[0026]在当前技术的示例实施例中，源代码机器学习系统在自动测试工具产生的测试数据上训练，以预测在引起测试相关故障的源代码中的地点。
[0027]在当前技术的示例实施例中，测试相关故障的至少一个源为引起测试相关故障的源代码中的地点。
[0028]在当前技术的示例实施例中，测试相关故障的至少一个源为引起测试相关故障的测试脚本中的地点。
[0029]在当前技术的示例实施例中，通过缺陷修复系统预测测试相关故障的至少一个特性以及通过缺陷修复系统预测测试相关故障的至少一个源由至少一个长期
‑
短期存储器神经网络执行。
[0030]在当前技术的示例实施例中，由自动测试工具产生的测试数据包括以下至少一项：标准输出、标准误差和堆栈跟踪。
[0031]图1示出根据说明性实施例配置的计算机网络(本文中也称为信息处理系统)100。计算机网络100包括缺陷修复系统105、至少一个测试系统102、至少一个自动测试工具103和机器学习模型101。自动测试工具103可以为例如Jira、Bugzilla等。缺陷修复系统105、至少一个测试系统102、至少一个自动测试工具103和机器学习模型101耦接到网络104，其中假设此实施例中的网络104表示较大计算机网络100的子网络或其他相关部分。因此，元件100和104均在本文中被称为“网络”的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：使用自动测试工具对系统执行至少一个测试；通过缺陷修复系统，使用由所述自动测试工具产生的测试数据预测在所述执行期间发生的测试相关故障的至少一个特性；以及通过所述缺陷修复系统，使用由所述自动测试工具产生的所述测试数据预测所述测试相关故障的至少一个源，其中所述方法由至少一个处理设备执行，所述处理设备包括被耦接到存储器的处理器。2.根据权利要求1所述的方法，其中通过所述缺陷修复系统预测所述测试相关故障的至少一个特性包括：通过系统环境机器学习系统确定所述测试相关故障并非由环境因素引起；以及通过所述缺陷修复系统将所述测试相关故障提供给产品/测试机器学习系统。3.根据权利要求1所述的方法，其中通过所述缺陷修复系统预测所述测试相关故障的至少一个特性包括：通过产品/测试机器学习系统确定所述测试相关故障由产品代码引起；以及通过所述缺陷修复系统将所述测试相关故障提供给补救机器学习系统。4.根据权利要求1所述的方法，其中通过所述缺陷修复系统预测所述测试相关故障的至少一个特性包括：通过补救机器学习系统确定所述测试相关故障应被修复；以及通过所述缺陷修复系统将所述测试相关故障提供给源代码机器学习系统。5.根据权利要求1所述的方法，其中通过所述缺陷修复系统预测所述测试相关故障的至少一个特性包括：通过产品/测试机器学习系统确定所述测试相关故障由测试代码引起；以及通过所述缺陷修复系统将所述测试相关故障提供给测试脚本机器学习系统。6.根据权利要求1所述的方法，其中通过所述缺陷修复系统预测所述测试相关故障的所述至少一个源包括：通过测试脚本机器学习系统预测引起所述测试相关故障的在测试脚本中的地点。7.根据权利要求1所述的方法，其中通过所述缺陷修复系统预测所述测试相关故障的所述至少一个源包括：通过源代码机器学习系统预测引起所述测试相关故障的在源代码中的地点。8.根据权利要求1所述的方法，其中系统环境机器学习系统在由所述自动测试工具产生的所述测试数据上被训练，以预测所述测试相关故障是否是由环境因素引起还是由所述系统引起。9.根据权利要求1所述的方法，其中产品/测试机器学习系统在由所述自动测试工具产生的所述测试数据上被训练，以预测所述测试相关故障是否是由产品代码引起还是测试代码引起。10.根据权利要求1所述的方法，其中补救机器学习系统在由所述自动测试工具产生的所述测试数据上被训练，以预测是否补救所述测试相关故障。11.根据权利要求1所述的方法，其中测试脚本机器学习系统在由所述自动测试工具产生的所述测试数据上被训练，以预测引起所述测试相关故障的测试脚本。
12...

【专利技术属性】
技术研发人员：倪嘉呈，盛荣，单轲，陈梦欢，
申请(专利权)人：戴尔产品有限公司，
类型：发明
国别省市：