一种服务器压力测试方法、装置及计算机存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种服务器压力测试方法、装置及计算机存储介质。


背景技术：

2.服务器在启动阶段容易发生问题。在服务器上电后，会扫描连接在系统中的所有设备，同时会对所有设备进行资源分配并尝试对所有设备进行初始化动作及自动检测。很大一部分服务器问题会在该阶段暴露，当服务器启动完成并进入稳定运行阶段后，很多问题反而不容易复现。
3.为了确保服务器运行时的稳定性，压力测试被列为服务器出厂前的重要测试项目之一，用于模拟服务器在运行过程中可能遇到的各种状况，并检测服务器在遇到各种状况后能否持续且稳定地运行。服务器压力测试中通常通过不断重新启动服务器来测试服务器的稳定性。
4.在现有技术中，需要在待测服务器上运行测试脚本使得待测服务器不断重新启动，并且需要测试人员通过肉眼判断待测服务器是否正常启动及是否正常进入系统，并对服务器的重启次数进行计数，耗费了大量的人力并降低了测试效率。


技术实现要素：

5.本技术提供了一种服务器压力测试方法、装置及计算机存储介质，用于提高测试效率。
6.本技术第一方面提供了一种服务器压力测试方法，包括：
7.向待测服务器发送重启指令，以使得所述待测服务器重启；
8.获取所述待测服务器开机时所显示的第一图片及所述待测服务器进入系统时所显示的第二图片；
9.将所述第一图片输入目标卷积神经网络模型，并获取第一输出值，所述第一输出值为所述第一图片与所述待测服务器正常开机时所显示的开机图片的相似度；
10.将所述第二图片输入所述目标卷积神经网络模型，并获取第二输出值，所述第二输出值为所述第二图片与所述待测服务器正常进入系统时的所显示的系统图片的相似度；
11.根据所述第一输出值及所述第二输出值判断所述待测服务器是否重启成功；
12.若所述待测服务器重启成功，则将所述待测服务器的重启次数加一；
13.判断所述待测服务器的重启次数是否达到预设重启次数；
14.若所述重启次数尚未达到预设重启次数，则再次向所述待测服务器发送所述重启指令，并确定所述待测服务器是否重启成功；
15.若所述重启次数达到预设重启次数，则确定所述待测服务器的压力测试通过。
16.可选地，在所述根据所述第一输出值及所述第二输出值判断所述待测服务器是否重启成功之后，所述服务器压力测试方法还包括：
17.若所述待测服务器没有重启成功，则确定所述待测服务器的压力测试不通过。
18.可选地，在所述确定所述待测服务器的压力测试不通过之后，所述服务器压力测试方法还包括：
19.获取所述待测服务器的错误信息，并根据所述错误信息生成缺陷报告。
20.可选地，在所述将所述第一图片输入所述目标卷积神经网络模型之前，所述服务器压力测试方法还包括：
21.获取训练样本集，所述训练样本集包含至少两张所述待测服务器正常开机时所述显示的开机图片及至少两张所述待测服务器正常进入系统时所显示的系统图片；
22.根据tensorflow框架搭建原始卷积神经网络模型，所述原始卷积神经网络模型为具有特征提取层的卷积神经网络模型，所述特征提取层包含池化层、卷积层、全连接层及softmax层；
23.将所述训练样本集输入所述原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型。
24.可选地，在所述将所述训练样本集输入所述原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型之前，所述服务器压力测试方法还包括：
25.对所述训练样本集中的训练样本进行预处理，所述预处理包括放缩处理、裁剪处理及归一化处理；
26.所述将所述训练样本集输入所述原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型包括：
27.将预处理后的训练样本集输入所述原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型。
28.可选地，所述将所述训练样本集输入原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型包括：
29.通过所述原始神经网络模型逐级提取所述训练样本集的空间特征；
30.通过损失函数逐层训练所述原始卷积神经网络模型的权值，并获取所述原始神经网络模型的损失值；
31.判断所述损失值是否大于预设损失值；
32.若所述损失值小于所述预设损失值，则确定所述原始卷积神经网络模型为训练完成的目标卷积神经网络模型。
33.可选地，在所述判断所述损失值是否大于预设损失值之后，所述服务器压力测试方法还包括：
34.若所述损失值大于所述预设损失值，则根据所述损失值更新所述原始卷积神经网络模型的权值，再将所述训练样本集重新输入所述原始卷积神经网络模型进行训练。
35.可选地，所述获取所述待测服务器开机时所显示的第一图片及所述待测服务器进入系统时所显示的第二图片包括：
36.获取所述待测服务器开机时的第一视频文件及所述待测服务器进入系统时的第二视频文件；
37.通过opencv打开所述第一视频文件，获取所述第一视频文件的所有帧数；
38.设置所述第一视频文件的第一开始帧图片及第一结束帧图片；
39.获取所述第一视频文件的第一帧率；
40.根据所述第一帧率、所述第一开始帧图片及所述第一结束帧图片确定获取所述第一视频文件的相邻两帧图片之间的第一时间间隔；
41.根据所述第一时间间隔、所述第一开始帧图片及所述第一结束帧图片循环获取所述第一视频文件的至少两张所述第一图片，并关闭所述第一视频文件；
42.通过opencv打开所述第二视频文件，并获取所述第二视频文件的所有帧数；
43.循环获取所述第二视频文件的至少两张所述第二图片，并关闭所述第二视频文件。
44.本技术第二方面提供了一种服务器压力测试装置，包括：
45.第一发送单元，用于向待测服务器发送重启指令，以使得所述待测服务器重启；
46.第一获取单元，用于获取所述待测服务器开机时所显示的第一图片及所述待测服务器进入系统时所显示的第二图片；
47.第一输入单元，用于将所述第一图片输入目标卷积神经网络模型，并获取第一输出值，所述第一输出值为所述第一图片与所述待测服务器正常开机时所显示的开机图片的相似度；
48.第二输入单元，用于将所述第二图片输入所述目标卷积神经网络模型，并获取第二输出值，所述第二输出值为所述第二图片与所述待测服务器正常进入系统时的所显示的系统图片的相似度；
49.第一判断单元，用于根据所述第一输出值及所述第二输出值判断所述待测服务器是否重启成功；
50.计数单元，用于若待测服务器重启成功，则将所述待测服务器的重启次数加一；
51.第二判断单元，用于判断所述待测服务器的重启次数是否达到预设重启次数；
52.第二发送单元，用于若所述重启次数尚未达到预设重启次数，则再次向所述待测服务器发送所述重启指令，并确定所述待测服务器是否重启成功；
53.第一确定单元，用于若所述重启次数达到预设重启次数，则确定所述待测服务器的压力测试通过。
54.可选地，所述服务器压力测试装置还包括：
55.第二确定单元，用于若所述待测服务器没有重启成功，则确定所述待测服务器的压力测试不通过。
56.可选地，所述服务器压力测试装置还包括：
57.第二获取单元，用于获取所述待测服务器的错误信息，并根据所述错误信息生成缺陷报告。
58.可选地，所述服务器压力测试装置还包括：
59.第三获取单元，用于获取训练样本集，所述训练样本集包含至少两张所述待测服务器正常开机时所述显示的开机图片及至少两张所述待测服务器正常进入系统时所显示的系统图片；
60.搭建单元，用于根据tensorflow框架搭建原始卷积神经网络模型，所述原始卷积神经网络模型为具有特征提取层的卷积神经网络模型，所述特征提取层包含池化层、卷积层、全连接层及softmax层；
61.第三输入单元，用于将所述训练样本集输入所述原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型。
62.可选地，所述服务器压力测试装置还包括：
63.预处理单元，用于对所述训练样本集中的训练样本进行预处理，所述预处理包括放缩处理、裁剪处理及归一化处理；
64.所述第三输入单元具体用于：
65.将预处理后的训练样本集输入原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型。
66.可选地，所述第三输入单元具体用于：
67.通过所述原始神经网络模型逐级提取所述训练样本集的空间特征；
68.通过损失函数逐层训练所述原始卷积神经网络模型的权值，并获取所述原始卷积神经网络模型的损失值；
69.判断所述损失值是否大于预设损失值；
70.若所述损失值小于所述预设损失值，则确定所述原始卷积神经网络模型为训练完成的目标卷积神经网络模型。
71.可选地，所述第三输入单元还用于：若所述损失值大于所述预设损失值，则根据所述损失值更新所述原始卷积神经网络模型的权值，再将所述训练样本集重新输入所述原始卷积神经网络模型进行训练。
72.可选地，所述获取单元具体用于：
73.获取所述待测服务器开机时的第一视频文件及所述待测服务器进入系统时的第二视频文件；
74.通过opencv打开所述第一视频文件，获取所述第一视频文件的所有帧数；
75.设置所述第一视频文件的第一开始帧图片及第一结束帧图片；
76.获取所述第一视频文件的第一帧率；
77.根据所述第一帧率、所述第一开始帧图片及所述第一结束帧图片确定获取所述第一视频文件的相邻两帧图片之间的第一时间间隔；
78.根据所述第一时间间隔、所述第一开始帧图片及所述第一结束帧图片循环获取所述第一视频文件的至少两张所述第一图片，并关闭所述第一视频文件；
79.通过opencv打开所述第二视频文件，并获取所述第二视频文件的所有帧数；
80.循环获取所述第二视频文件的至少两张所述第二图片，并关闭所述第二视频文件。
81.本技术第三方面提供了一种服务器压力测试装置，所述服务器压力测试装置包括：
82.处理器、存储器、输入输出单元以及总线；
83.所述处理器与所述存储器、所述输入输出单元以及所述总线相连；
84.所述存储器保存有程序，所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的一种服务器压力测试方法。
85.本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的一种服
务器压力测试方法。
86.从以上技术方案可以看出，本技术具有以下优点：本技术提出一种服务器压力测试方法，通过目标卷积神经网络模型识别待测服务器开始时显示的第一图片及待测服务器进入系统时显示的第二图片判断待测服务器是否重启成功，并确定待测服务器重启次数是否达到预设次数，若待测服务器重启次数达到预设次数，则终端确定待测服务器的压力测试通过。通过本技术提出的服务器压力测试方法，不需要测试人员通过肉眼判断服务器是否正常开机及是否正常进入系统，也不需要测试人员对待测服务器的重启次数进行计数，整个服务器压力测试环节都由终端自动完成，节约了人力并提高了测试效率。
附图说明
87.为了更清楚地说明本技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
88.图1为本技术提供的一种服务器压力测试方法一个实施例流程示意图；
89.图2为本技术提供的一种服务器压力测试方法另一个实施例流程示意图；
90.图3为本技术提供的一种服务器压力测试装置一个实施例结构示意图；
91.图4为本技术提供的一种服务器压力测试装置另一个实施例结构示意图；
92.图5为本技术提供的一种服务器压力测试装置一个实施例结构示意图。
具体实施方式
93.本技术提供了一种服务器压力测试方法、装置及计算机存储介质，用于提高测试效率。
94.需要说明的是，本技术提供的一种服务器压力测试方法，可以应用于终端，还可以应用于服务器上，例如终端可以是智能手机或电脑、平板电脑、智能电视、智能手表、便携计算机终端也可以是台式计算机等固定终端。为方便阐述，本技术中以终端为执行主体进行举例说明。
95.请参阅图1，图1为本技术提供的一种服务器压力测试方法的一个实施例，该服务器压力测试方法包括：
96.101、终端向待测服务器发送重启指令，以使得该待测服务器重启；
97.在本实施例中，终端向待测服务器发送重启指令，该重启指令为impitool reboot指令，以使得该待测服务器重启，该待测服务器重启过程包括两个阶段，第一阶段为该待测服务器开机阶段，第二阶段为该待测服务器进入系统阶段。
98.102、终端获取该待测服务器开机时所显示的第一图片及该待测服务器进入系统时所显示的第二图片；
99.在本实施例中，在待测服务器的屏幕前水平设置摄像头，该摄像头与终端通信连接，终端记录该摄像头的编号以及该摄像头与待测服务器的绑定关系，当服务器压力测试开始时，终端向待测服务器发送重启指令，并发送开机指令控制该摄像头开启，从而控制该摄像头录制待测服务器的整个重启过程，从而获取待测服务器开机时所显示的第一图片及待测服务器进入系统时显示的第二图片，具体的获取过程将在下一个实施例中进行详细描
述。例如：第一待测服务器及第二待测服务器需要进行服务器压力测试，第一待测服务器的屏幕前设置有第一摄像头，第二待测服务器的屏幕前设置有第二摄像头，第一摄像头及第二摄像头与终端通过有线或无线方式进行通信连接，当服务器压力测试开始时，终端同时向第一待测服务器及第二待测服务器发送重启指令，并同时向第一摄像头及第二摄像头发送开机指令，以使得第一摄像头及第二摄像头开启，终端通过第一摄像头及第二摄像头分别获取第一待测服务器的第一图片及第二图片以及第二待测服务器的第一图片及第二图片。
100.103、终端将第一图片输入目标卷积神经网络模型，并获取第一输出值，该第一输出值为第一图片与待测服务器正常开机时所显示的开机图片的相似度；
101.在本实施例中，该目标卷积神经网络模型用于判断第一图片与待测服务器正常开机时所显示的开机图片的相似度。该目标卷积神经网络模型为根据tensorflow框架搭建，并经过样本图像训练后的卷积神经网络模型。通过目标卷积神经网络模型判断第一图片与待测服务器正常开机时所显示的开机图片的相似度，提高了第一图片识别的精度，提升了整个测试的精确度。
102.104、终端将第二图片输入目标卷积神经网络模型，获取第二输出值，该第二输出值为第二图片与待测服务器正常进入系统时所显示的系统图片的相似度；
103.在本实施例中，终端将第二图片输入目标卷积神经网络模型，该目标卷积神经网络模型用于判断第二图片与待测服务器正常进入系统时所显示的系统图片的相似度。
104.105、终端根据第一输出值及第二输出值判断待测服务器是否重启成功；
105.在本实施例中，终端根据第一输出值确定待测服务器是否开机成功，并根据第二输出值确定待测服务器是否进入系统成功。当第一输出值小于第一预设相似值时，表明第一图片与待测服务器正常开机时所显示的开机图片的相似度小于预设相似度，终端确定待测服务器开机失败；当第一输出值大于第一预设相似值时，表明第一图片与待测服务器正常开机时所显示的开机图片的相似度大于预设相似度，终端确定待测服务器开机成功。当第二输出值小于第二预设相似值时，表明第二图片与待测服务器正常进入系统时所显示的系统图片的相似度小于预设相似度，终端确定待测服务器进入系统失败；当第二输出值大于第二预设相似值时，表明第二图片与待测服务器正常进入系统时所显示的系统图片的相似度大于预设相似度，终端确定待测服务器进入系统成功。终端根据第一输出值及第二输出值判断待测服务器是否重启成功包括：若第一输出值小于第一预设相似值且第二输出值小于第二预设相似值，则终端确定待测服务器重启失败；若第一输出值大于第一预设相似值且第二输出值小于第二预设相似值，则终端确定待测服务器重启失败；若第一输出值大于第一预设相似值且第二输出值大于第二预设相似值，则终端确定待测服务器重启成功。当终端确定待测服务器开机成功且进入系统成功，则终端确定待测服务器重启成功，终端执行步骤106。
106.106、若待测服务器重启成功，则终端将待测服务器的重启次数加一；
107.在本实施例中，当终端根据第一输出值及第二输出值确定待测服务器重启成功，则终端将待测服务器的重启次数加一。
108.107、终端判断待测服务器的重启次数是否达到预设重启次数，若否，则执行步骤108，若是，则执行步骤109；
109.在本实施例中，终端判断待测服务器的重启次数是否达到预设重启次数，若待测服务器的重启次数尚未达到预设重启次数，则终端执行步骤108；若待测服务器的重启次数达到预设重启次数，则终端执行步骤109。例如，预设重启次数为1000次，终端当前累加的重启次数为998次，则此时终端执行步骤108。
110.108、若重启次数尚未达到预设重启次数，则终端再次向待测服务器发送重启指令，并确定待测服务器是否重启成功；
111.在本实施例中，若重启次数尚未达到预设重启次数，则终端向待测服务器再次发送impitool reboot指令，以使得待测服务器再次重启，终端再次确定待测服务器是否重启成功包括：终端再次获取该待测服务器开机时所显示的第一图片及该待测服务器进入系统时所显示的第二图片；终端将第一图片输入目标卷积神经网络模型，并获取第一输出值，该第一输出值为第一图片与待测服务器正常开机时所显示的开机图片的相似度；终端将第二图片输入目标卷积神经网络模型，并获取第二输出值，该第二输出值为第二图片与待测服务器正常进入系统时所显示的系统图片的相似度；终端根据第一输出值及第二输出值确定待测服务器是否重启成功，若待测服务器重启成功，终端执行步骤107。
112.109、若重启次数达到预设重启次数，则终端确定待测服务器的压力测试通过。
113.在本实施例中，若重启次数达到预设重启次数，则终端确定待测服务器的压力测试通过。例如预设重启次数为1000次，若待测服务器根据重启指令成功完成1000次重启，终端确定待测服务器的压力测试通过。
114.在本实施例中，本技术提出一种服务器压力测试方法，通过目标卷积神经网络模型识别待测服务器开机时显示的第一图片及进入系统时显示的第二图片判断待测服务器是否重启成功，并确定待测服务器重启次数是否达到预设次数，若待测服务器重启次数达到预设次数，则终端确定待测服务器的压力测试通过。通过本技术提出的服务器压力测试方法，不需要测试人员通过肉眼判断服务器是否正常开机及是否正常进入系统，也不需要测试人员对待测服务器的重启次数进行计数，整个服务器压力测试环节都由终端自动完成，节约了人力并提高了测试效率。并且，该服务器压力测试方法还适用于一台终端同时测试多台待测服务器，高效简便地实现了一对多的服务器压力测试，从而可以通过一台终端对待测服务器进行规模化测试，极大提升了测试效率。
115.为使本技术提供的一种服务器压力测试方法更加的明显易懂，下面对本技术提供的一种服务器压力方法进行详细说明：
116.请参阅图2，图2为本技术提供的一种服务器压力测试方法另一个实施例，该服务器压力测试方法包括：
117.201、终端向待测服务器发送重启指令，以使得该待测服务器重启；
118.本实施例中的步骤201与前述图1实施例中的步骤101类似，具体此处不再赘述。
119.202、终端获取该待测服务器开机时所显示的第一图片及该待测服务器进入系统时所显示的第二图片；
120.在本实施例中，终端获取待测服务器开机时所显示的第一图片及待测服务器进入系统时所显示的第二图片具体包括：终端获取待测服务器开机时的第一视频文件及待测服务器进入系统时的第二视频文件；终端通过opencv打开第一视频文件，获取第一视频文件的所有帧数；终端设置第一视频文件的第一开始帧图片及第一结束帧图片；终端获取第一
视频文件的第一帧率；终端根据第一帧率、第一开始帧图片及第一结束帧图片确定获取第一视频文件的相邻两帧图片之间的第一时间间隔；终端根据该第一时间间隔、第一开始帧图片及第一结束帧图片循环获取第一视频文件的至少两张第一图片，并关闭第一视频文件；终端通过opencv打开第二视频文件，并获取第二视频文件的所有帧数；终端获取第二视频文件的第二开始帧图片及第二结束帧图片；终端获取第二视频文件的第二帧率；终端根据第二帧率、第二开始帧图片及第二结束帧图片确定获取第一视频文件的相邻两帧图片之间的第二时间间隔；终端根据第二时间间隔、第二开始帧图片及第二结束帧图片循环获取第二视频文件的至少两张第二图片，并关闭第二视频文件。
121.在本实施例中，待测服务器的屏幕前水平设置摄像头，该摄像头与终端通信连接。该摄像头根据终端的开启指令及关闭指令录制待测服务器开机时的第一视频文件及待测服务器进入系统时的第二视频文件。终端通过opencv从第一视频文件中读取待测服务器开机时所显示的部分第一图片，该第一图片通过抽样的方式从第一视频文件的所有帧图片中获取，该第一图片至少包含两张待测服务器开机过程中所显示的画面。终端通过opencv从第二视频文件中读取待测服务器进入系统时所显示的部分第二图片，该第二图片通过抽样的方式从第二视频文件的所有帧图片中获取，该第二图片至少包含两张待测服务器进入系统过程中所显示的画面。
122.通过上述方法，终端获取了待测服务器开机时的动态开机过程及待测服务器进入系统时的动态进入过程，从而模拟了测试人员测试时通过肉眼观测到的待测服务器的动态开机过程及待测服务器动态进入系统的过程，进一步提高了服务器压力测试的智能化程度。例如：待测服务器开机过程包括a过程及b过程，a过程及b过程显示的开机画面并不完全相同，终端通过抽样获取待测服务器开机时所显示的至少两张第一图片，由于抽样是根据第一视频文件的第一帧率均匀抽样，因此，终端可以获取a过程对应的第一图片a，还可以获取b过程对应的第一图片b，再通过卷积神经网络识别a过程对应的第一图片a,及b过程对应的第一图片b。在本实施例中，终端不仅仅可以通过待测服务器最后的开机画面对待测服务器进行开机验证，还可以通过待测服务器的整个开机的动态过程对待测服务器进行开机验证，模拟了测试人员实际测试时的动态观测过程，从而实现了服务器压力测试的拟人化，进而提高了待测服务器压力测试的精确度及智能化程度。
123.203、终端获取训练样本集，该训练样本集包含至少两张待测服务器正常开机时所显示的开机图片以及至少两张待测服务器正常进入系统时所显示的系统图片；
124.在本实施例中，终端获取训练样本集，该训练样本集至少包含两张待测服务器正常开机时所显示的开机图片以及至少两张待测服务器正常进入系统时所显示的系统图片，用于对原始卷积神经网络模型进行训练。获取训练样本集的方式可以是从网络中收集多张服务器正常开机时所显示的开机图片及多张服务器正常进入系统时所显示的系统图片，也可以通过录制服务器正常开机时所显示的开机视频及服务器正常进入系统时的进入系统视频，并对开机视频及进入系统视频进行裁剪，获取开机视频的帧图像及进入系统视频的帧图像作为训练样本集。若上述图像的数量不足，则可以通过镜像变换、对称变换等方式通过少量开机图片及系统图片变换出足够数量的训练样本集。
125.204、终端根据tensorflow框架搭建原始卷积神经网络模型，该原始卷积神经网络模型为具有特征提取层的卷积神经网络模型，该特征提取层包含池化层、卷积层、全连接层
及softmax层；
126.在本实施例中，终端根据tensorflow框架搭建原始卷积神经网络模型，tensorflow是专门适用于深度学习的框架，它可扩展性强、效率高，能够可视化，可以立即生成训练模型，便于使用。并且，tensorflow框架中已经构建了多种高级接口，可以按照框架定义各式各样的卷积神经网络模型。在本实施例中，该特征提取层可以包含八个卷积层，五个池化层、一个全连接层及一个softmax损失层。通过设置合适的卷积核大小以及步长、池化层的大小及步长、全连接层的参数以及各层之间的相互连接关系构建原始卷积神经网络模型。例如：该特征提取层的卷积核为3*3*1，扩充为0，步长为1，输入通道为3，输出通道为2。
127.205、终端对训练样本集中的训练样本进行预处理，该预处理包括放缩处理、裁剪处理及归一化处理；
128.在本实施例中，终端在训练原始卷积神经网络模型之前，需要对收集的训练样本集中的训练样本进行预处理，以使得训练样本达到统一的规格。例如：将训练样本缩放到256*256*3大小后，随机裁剪到224*224*3(宽为224，高为224的3通道彩色图像)，然后随机翻转图像，进行归一化处理等一系列图像预处理工作。
129.206、终端将预处理后的训练样本集输入原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型；
130.在本实施例中，终端将预处理后的训练样本输入原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型包括：终端通过原始卷积神经网络模型逐级提取该训练样本集的空间特征；终端通过损失函数逐层训练原始卷积神经网络模型的权值，并获取原始神经网络模型的损失值；终端判断损失值是否大于预设损失值；若损失值大于预设损失值，则终端根据损失值更新原始卷积神经网络模型的权值，再将训练样本集重新输入原始卷积神经网络模型进行训练；若损失值小于预设损失值，则终端确定原始卷积神经网络模型为训练完成的目标卷积神经网络模型。
131.在本实施例中，终端将预处理后的训练样本集输入原始卷积神经网络模型，终端通过原始卷积神经网络模型中的特征提取层逐级提取训练样本集的空间特征。通过损失函数，逐层训练原始卷积神经网络模型的权值，并采用动量的随机梯度下降算法不断降低损失函数、优化权值。其中，损失函数为交叉熵损失函数，该交叉熵损失函数的具体表达式如下所示,其中p是判定结果为真实标签的概率，y为标记的真实标签,l为损失值，i为图片编号：
[0132][0133]
在本实施例中，使用原始卷积神经网络模型的特征提取层提取训练样本集的特征，输出训练样本集中训练样本的特征向量，并通过该原始卷积神经网络模型输出训练样本为开机图片标签或为进入系统图片标签的概率，当训练至损失函数收敛时，结束训练，并确定此时的原始卷积神经网络模型为训练完成的目标卷积神经网络模型。
[0134]
207、终端将第一图片输入目标卷积神经网络模型，并获取第一输出值，该第一输出值为第一图片与待测服务器正常开机时所显示的开机图片的相似度；
[0135]
在本实施例中，终端将第一图片输入目标卷积神经网络模型，并获取目标卷积神经网络模型的第一输出值，该第一输出值为第一图片属于第一预设标签的概率，即第一图片与待测服务器正常开机时所显示的开机图片的相似度。在本实施例中，目标卷积神经网络模型不仅可以识别待测服务器正常开机后显示的开机图片，还可以识别待测服务器正常开机过程中载入时显示的开机图片，大大提高了识别精度，并且实现了待测服务器开机过程的动态化的识别，提高了识别的智能化程度。
[0136]
208、终端将第二图片输入目标卷积神经网络模型，并获取第二输出值，该第二输出值为第二图片与待测服务器正常进入系统时所显示的系统图片的相似度；
[0137]
在本实施例中，终端将第二图片输入目标卷积神经网络模型，并获取目标卷积神经网络模型的第二输出值。在本实施例中，目标卷积神经网络不仅可以识别待测服务器正常进入系统后显示的系统图片，还可以识别待测服务器正常进入系统过程中载入时显示的系统图片，大大提高了识别精度，并且实现了待测服务器进入系统过程的动态识别，提高了识别的智能化程度。
[0138]
209、终端根据第一输出值及第二输出值判断待测服务器是否重启成功，若否，则执行步骤210，若是，则执行步骤212。
[0139]
在本实施例中，若终端根据第一输出值及第二输出值确定待测服务器没有重启成功，则终端执行步骤210；若终端根据第一输出值及第二输出值确定待测服务器重启成功，则终端执行步骤212。
[0140]
210、若待测服务器没有重启成功，则终端确定待测服务器的压力测试不通过；
[0141]
211、终端获取待测服务器的错误信息，并根据该错误信息生成缺陷报告。
[0142]
在本实施例中，终端获取待测服务器重启时的错误信息，并根据该错误信息生成待测服务器的缺陷报告，从而精准定位待测服务器重启时出现的问题，便于后续排查待测服务器重启时出现的问题。
[0143]
212、若待测服务器重启成功，则终端将待测服务器的重启次数加一；
[0144]
213、终端判断待测服务器的重启次数是否达到预设重启次数；
[0145]
214、若重启次数尚未达到预设重启次数，则终端再次向待测服务器发送重启指令，并确定待测服务器是否重启成功；
[0146]
215、若重启次数达到预设重启次数，则终端确定待测服务器的压力测试通过。
[0147]
本实施例中的步骤212至215与前述图1实施例中的步骤106至109类似，具体此处不再赘述。
[0148]
上述对本技术提供的一种服务器压力测试方法进行了说明，下面对本技术提供的一种服务器压力测试装置进行说明：
[0149]
请参阅图3，图3为本技术提供的一种服务器压力测试一个实施例，该服务器压力测试装置包括：
[0150]
第一发送单元301，用于向待测服务器发送重启指令，以使得该待测服务器重启；
[0151]
第一获取单元302，用于获取该待测服务器开机时所显示的第一图片及该待测服务器进入系统时所显示的第二图片；
[0152]
第一输入单元303，用于将该第一图片输入目标卷积神经网络模型，并获取第一输出值，该第一输出值为该第一图片与该待测服务器正常开机时所显示的开机图片的相似
度；
[0153]
第二输入单元304，用于将该第二图片输入该目标卷积神经网络模型，并获取第二输出值，该第二输出值为该第二图片与该待测服务器正常进入系统时的所显示的系统图片的相似度；
[0154]
第一判断单元305，用于根据该第一输出值及该第二输出值判断该待测服务器是否重启成功；
[0155]
计数单元306，用于若待测服务器重启成功，则将该待测服务器的重启次数加一；
[0156]
第二判断单元307，用于判断该待测服务器的重启次数是否达到预设重启次数；
[0157]
第二发送单元308，用于若该重启次数尚未达到预设重启次数，则再次向该待测服务器发送该重启指令，并确定该待测服务器是否重启成功；
[0158]
第一确定单元309，用于若该重启次数达到预设重启次数，则确定该待测服务器的压力测试通过。
[0159]
本技术实施例提出一种服务器压力测试装置，通过第一输入单元303识别待测服务器开始时显示的第一图片及第二输入单元304识别待测服务器进入系统时显示的第二图片，并通过第一判断单元305判断待测服务器是否重启成功，并通过第二判断单元307判断待测服务器重启次数是否达到预设次数，若待测服务器重启次数达到预设次数，则第一确定单元309确定待测服务器的压力测试通过。通过本技术提出的服务器压力测试装置，不需要测试人员通过肉眼判断服务器是否正常开机及是否正常进入系统，也不需要测试人员对待测服务器的重启次数进行计数，整个服务器压力测试环节都由终端自动完成，节约了人力并提高了测试效率。
[0160]
下面对本技术提供的一种服务器压力测试装置进行详细说明，请参阅图4，图4为本技术提供的一种服务器压力测试装置另一个实施例，该服务器压力测试装置包括：
[0161]
第一发送单元401，用于向待测服务器发送重启指令，以使得该待测服务器重启；
[0162]
第一获取单元402，用于获取该待测服务器开机时所显示的第一图片及该待测服务器进入系统时所显示的第二图片；
[0163]
第一输入单元403，用于将该第一图片输入目标卷积神经网络模型，并获取第一输出值，该第一输出值为该第一图片与该待测服务器正常开机时所显示的开机图片的相似度；
[0164]
第二输入单元404，用于将该第二图片输入该目标卷积神经网络模型，并获取第二输出值，该第二输出值为该第二图片与该待测服务器正常进入系统时的所显示的系统图片的相似度；
[0165]
第一判断单元405，用于根据该第一输出值及该第二输出值判断该待测服务器是否重启成功；
[0166]
计数单元406，用于若待测服务器重启成功，则将该待测服务器的重启次数加一；
[0167]
第二判断单元407，用于判断该待测服务器的重启次数是否达到预设重启次数；
[0168]
第二发送单元408，用于若该重启次数尚未达到预设重启次数，则再次向该待测服务器发送该重启指令，并确定该待测服务器是否重启成功；
[0169]
第一确定单元409，用于若该重启次数达到预设重启次数，则确定该待测服务器的压力测试通过。
[0170]
可选地，该服务器压力测试装置还包括：
[0171]
第二确定单元410，用于若该待测服务器没有重启成功，则确定该待测服务器的压力测试不通过。
[0172]
可选地，该服务器压力测试装置还包括：
[0173]
第二获取单元411，用于获取该待测服务器的错误信息，并根据该错误信息生成缺陷报告。
[0174]
可选地，该服务器压力测试装置还包括：
[0175]
第三获取单元412，用于获414取训练样本集，该训练样本集包含至少两张该待测服务器正常开机时该显示的开机图片及至少两张该待测服务器正常进入系统时所显示的系统图片；
[0176]
搭建单元413，用于根据tensorflow框架搭建原始卷积神经网络模型，该原始卷积神经网络模型为具有特征提取层的卷积神经网络模型，该特征提取层包含池化层、卷积层、全连接层及softmax层；
[0177]
第三输入单元414，用于将该训练样本集输入该原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型。
[0178]
可选地，该服务器压力测试装置还包括：
[0179]
预处理单元415，用于对该训练样本集中的训练样本进行预处理，该预处理包括放缩处理、裁剪处理及归一化处理；
[0180]
该第三输入单元412具体用于：
[0181]
将预处理后的训练样本集输入原始卷积神经网络模型进行训练，获取训练完成的目标卷积神经网络模型。
[0182]
可选地，该第三输入单元412具体用于：
[0183]
通过该原始神经网络模型逐级提取该训练样本集的空间特征；
[0184]
通过损失函数逐层训练该原始卷积神经网络模型的权值，并获取该原始卷积神经网络模型的损失值；
[0185]
判断该损失值是否大于预设损失值；
[0186]
若该损失值小于该预设损失值，则确定该原始卷积神经网络模型为训练完成的目标卷积神经网络模型。
[0187]
可选地，该第三输入单元412还用于若该损失值大于该预设损失值，则根据该损失值更新该原始卷积神经网络模型的权值，再将该训练样本集重新输入该原始卷积神经网络模型进行训练。
[0188]
可选地，该第一获取单元402具体用于：
[0189]
获取该待测服务器开机时的第一视频文件及该待测服务器进入系统时的第二视频文件；
[0190]
通过opencv打开该第一视频文件，获取该第一视频文件的所有帧数；
[0191]
设置该第一视频文件的第一开始帧图片及第一结束帧图片；
[0192]
获取该第一视频文件的第一帧率；
[0193]
根据该第一帧率、该第一开始帧图片及该第一结束帧图片确定获取该第一视频文件的相邻两帧图片之间的第一时间间隔；
[0194]
根据该第一时间间隔、该第一开始帧图片及该第一结束帧图片循环获取该第一视频文件的至少两张该第一图片，并关闭该第一视频文件；
[0195]
通过opencv打开该第二视频文件，并获取该第二视频文件的所有帧数；
[0196]
循环获取该第二视频文件的至少两张该第二图片，并关闭该第二视频文件。
[0197]
本实施例系统中，各单元所执行的功能与前述图2所示方法实施例中的步骤对应，具体此处不再赘述。
[0198]
本技术还提供了一种一种服务器压力测试装置，请参阅图5，图5为本技术提供的一种服务器压力测试装置装置一个实施例，该服务器压力测试装置包括：
[0199]
处理器501、存储器502、输入输出单元503、总线504；
[0200]
处理器501与存储器502、输入输出单元503以及总线504相连；
[0201]
存储器502保存有程序，处理器501调用程序以执行如上任一一种服务器压力测试方法。
[0202]
本技术还涉及一种计算机可读存储介质，计算机可读存储介质上保存有程序，当程序在计算机上运行时，使得计算机执行如上任一一种服务器压力测试方法。
[0203]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0204]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0205]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0206]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0207]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。