基于图形化测试平台的自动测试系统的制作方法

1.本公开涉及电子设备测试领域，具体地，涉及一种基于图形化测试平台的自动测试系统。


背景技术：

2.随着电子工业技术的发展，工业生产以及人们的日常生活，均离不开电子仪器。对于工业而言，若是某些仪器设备发生故障则很有可能造成生产危险或者经济损失，因此，保证电子仪器的正常运行则是工业生产的重中之重。
3.然而，电子仪器运行的数据却是异常大量的，并且不同的数据之间还存在互相影响的关系，基于此，如何自动地对从大量的数据中找出异常的数据是电子仪器测试亟待解决的问题。


技术实现要素：

4.本公开的目的在于提供一种基于图形化测试平台的自动测试系统，以实现电子仪器自动测试，并考虑到数据间的影响关系，能够从大量的运行数据中找出异常的数据。
5.根据本公开的第一方面，提供一种基于图形化测试平台的自动测试系统，所述系统包括图形化测试平台，以及与所述图形化测试平台通信连接的至少一个待测试电子仪器，所述图形化测试平台用于：获取目标电子仪器的运行数据序列；基于所述运行数据序列，生成目标运行数据图，所述目标运行数据图包括图元素与连接线，每一所述图元素与所述运行数据序列中的一条数据对应，所述连接线表征所连接的两个图元素对应的运行数据之间具备影响相关；将所述目标运行数据图输入预先训练得到的数据图异常检测模型，得到运行检测结果；根据运行检测结果，生成所述目标电子仪器的测试结果，并将所述测试结果发送至所述目标电子仪器。
6.通过上述技术方案，通过图形化测试平台获取电子仪器运行所生成的运行数据序列，并基于该运行数据序列生成目标运行数据图，通过预先训练的数据图异常检测模型基于该目标运行数据图进行图形化检测，得到该电子仪器的测试结果，通过目标运行数据图可以考虑到数据之间的影响关系，进而能够更加准确地对该电子仪器进行测试，确保电子仪器能够可靠地运行。
7.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
8.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记指示相同或相似的元素。应当理
解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：图1是根据一示例性实施例示出的一种基于图形化测试平台的自动测试方法的流程图。
9.图2是根据一示例性实施例示出的一种图形化测试平台的结构示意图。
10.图3是根据一示例性实施例示出的一种基于图形化测试平台的自动测试系统的示意图。
具体实施方式
11.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
12.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
13.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
14.此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
15.下面结合附图，对本发明的具体实施方式进行详细说明。
16.图1是根据一示例性实施例示出的一种基于图形化测试平台的自动测试方法的流程图，该方法可以应用于基于图形化测试平台的自动测试系统中的图形化测试平台，该自动测试系统包括图形化测试平台，以及与图形化测试平台通信连接的至少一个待测试电子仪器，该图形化测试平台可以被提供为服务器或者计算集群，本公开对此不作限定，如图1所示，该方法包括：s101、获取目标电子仪器的运行数据序列。
17.其中，目标电子仪器可以是与图形化测试平台通信连接的至少一个待测试电子仪器中的任意一个电子仪器。
18.该步骤s101可以是按照预设周期执行的，例如每一天或者每一小时等，也可以是触发式执行的，例如响应于接收到用户的测试指令。该运行数据序列可以是基于数据生成时间排列的序列，包括在一定时间范围内该电子仪器生成的待测试的运行数据。该运行数据序列例如可以包括该电子仪器运行的幅频特性数据、相频特性数据、功率参数数据、脉冲特性数据等等。
19.s102、基于运行数据序列，生成目标运行数据图。
20.其中，目标运行数据图包括图元素与连接线，每一图元素与运行数据序列中的一条数据对应，连接线表征所连接的两个图元素对应的运行数据之间具备影响相关。
21.其中，该目标运行数据图可以是有向图也可以是无向图，可以是无环图也可以是
有环图，本公开对此不作限定。该目标运行数据图在运算过程中可以是通过坐标以及连接标签表示的数据，每一坐标可以用于指示图元素在该图中所处的位置，连接标签可以用于指示用于连接两个图元素的连接线。
22.可以理解的是，电子仪器运行时生成的运行数据中，各个运行数据之间可能是存在影响相关的关系的，例如，幅频特性可能会对该电子仪器的相频特性造成影响，进而，若幅频特性数据存在异常时，相频特性也有较高的可能性存在异常。显然，运行数据的生成时间也可能会对运行数据即图元素之间的影响相关会造成影响，例如，生成时间较近的两个图元素之间的影响因子可能大于生成时间较远的两个图元素之间的影响因子。
23.s103、将目标运行数据图输入预先训练得到的数据图异常检测模型，得到运行检测结果。
24.s104、根据运行检测结果，生成目标电子仪器的测试结果，并将测试结果发送至目标电子仪器。
25.其中，测试结果可以包括测试通过以及测试不通过两个结果，在测试结果为测试不通过的情况下，目标电子仪器响应于该结果，可以下电停机，直至相关工作人员检修后才可以开始运行。其中，该测试结果可以是基于运行检测结果表征的异常运行数据的数量确定的，或者，对应不同属性的运行数据可以具备不同的权重值，该测试结果可以是基于各个属性的异常运行数据的数量以及对应的权重值确定的。另外，在测试结果为测试不通过的情况下，该测试结果还可以包括存在异常的运行数据，在一种可能的实施方式中，该图形化测试平台还可以将存在异常的运行数据发送给相关工作人员，以使得相关工作人员进一步对该电子仪器存在的异常进行排查。
26.在本公开实施例中，通过图形化测试平台获取电子仪器运行所生成的运行数据序列，并基于该运行数据序列生成目标运行数据图，通过预先训练的数据图异常检测模型基于该目标运行数据图进行图形化检测，得到该电子仪器的测试结果，通过目标运行数据图可以考虑到数据之间的影响关系，进而能够更加准确地对该电子仪器进行测试，确保电子仪器能够可靠地运行。
27.在一些可选地实施例中，上述步骤s102包括如下步骤。
28.1）基于运行数据序列，获取依据不同属性的多个运行数据生成的初始运行数据图，其中，所述初始运行数据图包括与所述多个运行数据对应的多个图元素以及在图元素间进行连接的连接线，图元素的属性对应于运行数据的属性，各个连接线指示所述各个连接线连接的两个图元素所对应的运行数据之间的影响相关并且具有影响因子以指示所述两个图元素间的影响程度，并且所述两个图元素间的影响程度表征所述两个图元素间对应的运行数据间的影响程度。在一些实施例中，初始运行数据图中的图元素对应的运行数据的属性（也即，图元素的属性）包括以下中的至少一项：幅频属性、相频属性、功率属性、脉冲属性等，并且所述感兴趣属性可以是运行数据对应的多个属性中的任意一个，例如可以是相频属性，本公开对此不作限定。作为示例，影响相关可以包括以下中的至少一项：相频属性的运行数据和幅频属性的运行数据之间的第一影响关系、相频属性的运行数据和相频属性的运行数据之间的第二影响关系等等。本技术中的初始运行数据图可以是有向图或者无向图，这里不做限定。
29.2）预生成第一运行数据图和第二运行数据图，令第一运行数据图包含所述初始运
行数据图中的一个或多个感兴趣图元素，第二运行数据图包括初始运行数据图中剔除第一运行数据图中的图元素后剩余的图元素和连接线，其中每个感兴趣图元素指示具有感兴趣属性的运行数据对应的图元素。作为示例，感兴趣属性的运行数据可以包括相频属性的运行数据，感兴趣图元素可以包括相频运行数据在初始运行数据图中对应的相频图元素。例如，预生成第一运行数据图令第一运行数据图包含一个或多个相频图元素，第二运行数据图包括初始运行数据图中剔除第一运行数据图中所包含的图元素后剩余的图元素和连接线。
30.3）重复执行第一迭代流程以对第一运行数据图和第二运行数据图进行调整，直至满足确定第二运行数据图中不包括感兴趣图元素。所述第一迭代流程包括：步骤3.1、步骤3.2和步骤3.3。作为示例，感兴趣图元素可以是相频图元素，当第一迭代流程结束时，第二运行数据图中将不包含相频图元素，即获得了第一运行数据图和第二运行数据图的调整结果。
31.3.1）从初始运行数据图的图元素中确定中央图元素，所述中央图元素是初始运行数据图中与第一运行数据图中所述一个或多个感兴趣图元素中的至少一个感兴趣图元素的影响程度大于预设影响指标且与第二运行数据图中的所有感兴趣图元素的影响程度的指标累加最大的图元素。在一些实施例中，初始运行数据图中的图元素包括相频图元素、幅频图元素、功率图元素、脉冲图元素等，用于分别指示相频属性、幅频属性、功率属性、脉冲属性等对应的运行数据，如果感兴趣图元素被确定为相频图元素，则中央图元素是初始运行数据图中与第一运行数据图中所述一个或多个相频图元素中的至少一个相频图元素的影响程度大于预设影响指标且与第二运行数据图中的所有相频图元素的影响程度的指标累加最大的图元素。所确定的中央图元素可以是相频图元素、幅频图元素、功率图元素、脉冲图元素中的任意一种。
32.在一些实施例中，从初始运行数据图的图元素中确定中央图元素包括：游走查询初始运行数据图的所有图元素，并且响应于游走查询到的当前图元素与第一运行数据图中的至少一个感兴趣图元素的影响程度大于预设影响指标，则确定当前图元素与第二运行数据图中的所有感兴趣图元素的影响程度的指标累加；将确定的所有指标累加中最大的指标累加对应的图元素确定为中央图元素。作为示例，当初始运行数据图中的图元素包括相频图元素、幅频图元素、功率图元素、脉冲图元素时，如果感兴趣图元素被确定为相频图元素，则游走查询初始运行数据图的所有图元素（包括所有的相频图元素、幅频图元素、功率图元素、脉冲图元素等），并且响应于游走查询到的当前图元素与第一运行数据图中的至少一个相频图元素的影响程度大于预设影响指标，则确定当前图元素与第二运行数据图中的所有相频图元素的影响程度的指标累加；将确定的所有指标累加中最大的指标累加对应的图元素确定为中央图元素。所确定的中央图元素可以是满足以上要求的相频图元素、幅频图元素、功率图元素、脉冲图元素等。
33.3.2）确定包括第二运行数据图中与中央图元素影响程度大于预设影响指标的图元素以及第一运行数据图中与中央图元素影响程度最大的图元素的图元素，并且将所述图元素团簇中的图元素、所述中央图元素、以及初始运行数据图中连接中央图元素与所述图元素团簇中的图元素的连接线确定为第三运行数据图。作为示例，确定第二运行数据图中与中央图元素存在连接的连接线的图元素以及第一运行数据图中与中央图元素连接的连
接线中影响因子最大的连接线连接的图元素，以所确定的这些图元素建立图元素团簇。
34.在一些实施例中，所述初始运行数据图中的每个图元素具有影响因子以指示所述图元素的影响力大小。作为示例，在包括第二运行数据图中与中央图元素影响程度大于预设影响指标的图元素以及第一运行数据图中与中央图元素影响程度最大的图元素的图元素团簇时，可以响应于第一运行数据图包括与中央图元素影响程度最大的多个图元素，即第一运行数据图中与中央图元素影响程度最大的图元素不止一个，则获取第一运行数据图中的所述多个图元素中具有最大图元素影响因子的图元素；然后确定包括第二运行数据图中与中央图元素影响程度大于预设影响指标的图元素以及所述获取的具有最大图元素影响因子的图元素的图元素团簇。
35.作为示例，初始运行数据图中的图元素可以包括相频图元素、幅频图元素、功率图元素、脉冲图元素等。这些图元素可以具有影响因子以指示该图元素的影响力大小。此时，在确定包括第二运行数据图中与中央图元素影响程度大于预设影响指标的图元素以及第一运行数据图中与中央图元素影响程度最大的图元素的图元素团簇时，如果第一运行数据图包括与中央图元素影响程度最大的多个图元素，则可以获取第一运行数据图中的所述多个图元素中具有最大图元素影响因子的图元素。然后，确定包括第二运行数据图中与中央图元素影响程度大于预设影响指标的图元素（即第二运行数据图中与中央图元素存在连接的连接线的图元素，其指示与中央图元素对应的运行数据存在影响相关的运行数据）以及所述获取的具有最大图元素影响因子的图元素的图元素团簇。
36.3.3）在第一运行数据图中融入第三运行数据图的图元素和连接线，并且在第二运行数据图中剔除第三运行数据图的图元素和连接线。作为示例，第三运行数据图包含部分相频图元素、功率图元素和幅频图元素以及部分连接它们的连接线，则在第一运行数据图中融入第三运行数据图中包含的相频图元素、功率图元素和幅频图元素以及之间的连接线，并在第二运行数据图中剔除第三运行数据图中包含的这些相频图元素、功率图元素、幅频图元素以及连接线。
37.4）依据调整后的第一运行数据图中包括的连接线，将调整后的第一运行数据图中的图元素对应的目标运行数据进行关联，得到目标运行数据图。
38.基于以上示例，调整后的第一运行数据图可以包括全部相频图元素以及部分其他属性的图元素和一些连接这些图元素的连接线。作为示例，调整后的第一运行数据图中包括全部的相频图元素和部分功率图元素、以及它们之间的一些连接线，则利用调整后的第一运行数据图中包括的连接线，将这些全部的相频图元素和所述部分功率图元素进行关联。可以看出，在本技术的目标运行数据关联过程中，在上述调整第一运行数据图的步骤3.1、3.2、3.3中极大剔除了不太重要的运行数据和无效影响相关，令在该步骤可以依据调整后的第一运行数据图中包括的连接线对目标运行数据进行关联，这极大地避免了初始运行数据图中不太重要的运行数据和无效影响相关对目标运行数据关联造成的干扰，令目标运行数据的关联更加准确和高效，从而能够更加准确和高效地得到目标运行数据图。
39.在一些可选地实施例，在上述的基于运行数据序列，获取依据不同属性的多个运行数据生成的初始运行数据图的步骤中，还包括如下步骤。
40.1.1）获取运行数据序列，运行数据序列包括多种属性的运行数据以及这些运行数据之间的影响相关。例如，运行数据序列包括相频、脉冲、幅频、功率等属性的运行数据以及
这些运行数据之间的影响相关。
41.1.2）依据运行数据序列中运行数据的属性和运行数据之间的影响相关确定运行数据知识图谱，所述运行数据知识图谱包括用于指示运行数据的图元素以及用于指示运行数据之间的影响相关的连接线，用于指示运行数据的图元素具有图元素影响因子以指示该图元素对应的运行数据的影响力大小，用于指示运行数据之间的影响相关的连接线具有连接线影响因子以指示该连接线连接的两个图元素对应的运行数据间的影响程度。作为示例，运行数据序列中运行数据的属性包括幅频属性、相频属性、功率属性，运行数据之间的影响相关包括相频运行数据和幅频运行数据之间的第一影响关系。依据运行数据序列中运行数据的属性和运行数据之间的影响相关确定的运行数据知识图谱包括用于指示运行数据的图元素（例如相频图元素和功率图元素）以及用于指示运行数据之间的影响相关的连接线，用于指示运行数据的图元素具有图元素影响因子以指示该图元素对应的运行数据的影响力大小。
42.1.3）从所述运行数据知识图谱中提取运行数据知识图谱的局部运行数据图，以得到所述初始运行数据图。作为示例，从所述运行数据知识图谱中提取运行数据知识图谱的局部运行数据图可以通过各种方法进行，这里并不做限定。
43.根据获取的运行数据序列确定运行数据知识图谱，将运行数据序列中繁琐的信息包含在了运行数据知识图谱中，然后从运行数据知识图谱中提取运行数据知识图谱的局部运行数据图，剔除了运行数据知识图谱中相对孤立不太相关的运行数据对应的图元素和连接线以得到初始运行数据图。这样，在以得到的初始运行数据图为基础进行后续目标运行数据关联操作时，可以提高效率和准确性。
44.在又一些可选地实施例中，上述从所述运行数据知识图谱中提取运行数据知识图谱的局部运行数据图，以得到所述初始运行数据图可以包括如下步骤。
45.1.3.1）依据所述运行数据知识图谱中的每个图元素建立原始元素团簇，以将所述运行数据知识图谱中的多个图元素划分成多个原始元素团簇，并确定所述每个原始元素团簇的集成化指标。其中，集成化指标可以是指该元素团簇的模块化度量值，能够用于衡量该团簇的划分结果的优劣。
46.1.3.2）将所述多个原始元素团簇中的每个元素团簇作为目标元素团簇。
47.然后，重复执行第二迭代流程：通过将所述运行数据知识图谱中的每个图元素指派到最临近的图元素所在的目标元素团簇而形成次代元素团簇，令所述次代元素团簇的集成化指标大于所述最临近的图元素所在的当前元素团簇的集成化指标，并且将所述次代元素团簇作为目标元素团簇，直到满足预设条件停止，所述条件可以被设置为：得到的次代元素团簇的集成化指标不再增大。作为示例，重复执行迭代流程以调整目标元素团簇，可以具体地按如下方式操作，（1）将每个图元素划分在不同的元素团簇中，（2）对每个图元素，将每个图元素尝试划分到与其邻接的图元素所在的元素团簇中，计算此时的集成化指标并判断划分前后的集成化指标的差值是否为正数，若为正数，则接受本次的划分，若不为正数，则放弃本次的划分；（3）重复操作（1）和（2），直到集成化指标不能再增大为止。
48.1.3.3）将所得到的多个目标元素团簇中的一个作为所述初始运行数据图。在一些实施例中，在调整目标元素团簇后，对于得到多个目标元素团簇，确定所得到的多个目标元素团簇中的每个当前元素团簇的集成化指标，然后将所得到的多个目标元素团簇中最大集
成化指标对应的元素团簇作为所述初始运行数据图。可以从运行数据知识图谱中提取运行数据知识图谱的局部运行数据图，有利于对运行数据知识图谱进行元素团簇划分，能够对复杂的运行数据知识图谱进行精细化的分类，进而提高运行数据知识图谱提取的准确性。
49.在一些实施例中，将所得到的多个目标元素团簇中的一个作为所述初始运行数据图包括：确定所得到的多个目标元素团簇中的每个当前元素团簇的集成化指标；将所得到的多个目标元素团簇中最大集成化指标对应的元素团簇作为所述初始运行数据图。示例地，假设所得到的目标元素团簇有50个，由于该50个目标元素团簇中集成化指标最大的元素团簇中的图元素间连接的影响程度更高，则将所得到的50个目标元素团簇中最大集成化指标对应的元素团簇作为所述初始运行数据图。
50.在另一些实施例中，从运行数据知识图谱中提取运行数据知识图谱的局部运行数据图，以得到所述初始运行数据图包括：从所述运行数据知识图谱中提取所述运行数据知识图谱的影响路径最长的局部运行数据图，以作为所述初始运行数据图。
51.作为示例，所述运行数据知识图谱包括指示各类运行数据的图元素和指示各类运行数据间关系的连接线，从所述运行数据知识图谱中提取的影响路径最长的局部运行数据图可以指示运行数据知识图谱中部分图元素对应的运行数据之间的主要影响相关，因此可以将得到的影响路径最长的局部运行数据图作为所述初始运行数据图。
52.在一些可选地实施例中，在步骤s103中，还可以包括以下步骤。
53.1）获取目标运行数据图。
54.其中，目标运行数据图可以是通过上述实施例中提供的方案，在步骤s102生成的，其中目标运行数据图中可能包括异常运行数据。异常运行数据是指目标运行数据图中需要检测出来的异常数据。
55.2）将目标运行数据图输入至预检测模型中，得到目标运行数据图对应的初始检测矩阵。
56.其中，预检测模型是用来初步计算目标运行数据图每一图元素，即每一条运行数据，属于异常运行数据的置信值的神经网络。这里的预检测模型是训练完成的神经网络，可用于计算目标运行数据图中每一图元素属于异常运行数据的置信值。其中，置信值是指目标运行数据图中每一图元素属于异常运行数据的可能性，置信值可以用概率、百分制分数或者百分比等来表示。其中，预检测模型可以采用全卷积网络结构、语义分割网络结构、卷积神经网络结构等。而在预检测模型中包括但不限于编码层和解码层，编码层可以用于对目标运行数据图进行数据编码，提取语义特征，而解码层可以用于对编码层输出的语义特征图进行解码，输出与目标运行数据图尺寸一样的初始检测矩阵。
57.其中，为了提升初始检测矩阵中每一图元素对应的置信值的准确性，预检测模型还可以使用残差连接方式将编码层输出的语义特征图融合到解码层中，这种预检测模型可以获取到非线性的、局部到全局的特征映射，融合了低层语义特征和高层语义特征。
58.其中，初始检测矩阵是描述目标运行数据图的每一图元素属于异常运行数据的置信值，可基于初始检测矩阵描述的每一图元素对应的置信值进行边界跟踪得到候选子数据图，其中，该边界跟踪操作能够使得该候选子数据图的边界内的图元素的置信值大于预设阈值。
59.3）基于初始检测矩阵获取目标运行数据图的每一图元素属于异常运行数据的置信值，基于置信值进行边界跟踪得到候选子数据图。
60.其中，在得到预检测模型输出的初始检测矩阵后，可基于初始检测矩阵表征的每一图元素属于异常运行数据的置信值进行边界跟踪得到候选子数据图。具体地，可先对初始检测矩阵进行零一编码，得到零一编码检测矩阵，然后对零一编码检测矩阵进行处理，得到处理后的零一编码检测矩阵，最后可基于处理后的零一编码检测矩阵进行边界跟踪，得到候选子数据图。这里的候选子数据图是异常运行数据疑似范围对应的子数据图，并不是异常运行数据的准确子数据图，后续还需要通过运行数据异常检测模型基于候选子数据图预测得到更加准确的异常运行数据。
61.其中，基于处理后的零一编码检测矩阵进行边界跟踪，得到候选子数据图具体可以是将零一编码检测矩阵显示为1的图元素集合划分为候选子数据图，因此最后基于置信值进行边界跟踪得到至少两个候选子数据图。
62.4）基于候选子数据图从初始检测矩阵中确定至少两个不同标度的候选子数据图。
63.其中，基于初始检测矩阵中描述目标运行数据图中每一图元素属于异常运行数据的置信值进行边界跟踪得到至少两个候选子数据图，基于每一候选子数据图从初始检测矩阵中确定对应的至少两个不同标度的候选子数据图。也就是说，每一候选子数据图都对应至少两个不同标度的候选子数据图，而每一不同标度的候选子数据图中都包括候选子数据图，但每一不同标度的候选子数据图中还包括其他无关图元素，这里的无关图元素是指除了候选子数据图中的图元素之外的其他图元素。
64.其中，基于每一候选子数据图从初始检测矩阵中确定对应的至少两个不同标度的候选子数据图，具体可以是，先基于每一候选子数据图的图元素数量确定范例边界跟踪范围，再基于范例边界跟踪范围从初始检测矩阵中提取得到范例候选子数据图。进一步地基于范例边界跟踪范围确定至少两个不同标度的目标边界跟踪范围，其中，每一不同标度的目标边界跟踪范围可以是范例候选子数据图的预设倍数，预设倍数可基于实际业务需求进行变更或者配置。最后，在得到每一不同标度的目标边界跟踪范围后，基于目标边界跟踪范围从初始检测矩阵中提取得到至少两个不同标度的目标候选子数据图，再将范例候选子数据图和至少两个不同标度的目标候选子数据图组成至少两个不同标度的候选子数据图。
65.5）将每一候选子数据图输入至运行数据异常检测模型中的每一异常检测子模块中，基于每一异常检测子模块的异常检测结果得到目标运行数据图中的目标子数据图。
66.其中，运行数据异常检测模型是用来检测目标运行数据图中每一异常运行数据具体所在的子数据图的神经网络。这里的运行数据异常检测模型是训练完成的神经网络，可用于检测目标运行数据图中每一异常运行数据具体所在的子数据图。其中，运行数据异常检测模型的输出结果就是目标运行数据图中异常运行数据所在的准确范围。运行数据异常检测模型包括至少两个异常检测子模块和线性回归模块，其中异常检测子模块是用来提取候选子数据图特征的神经网络，而线性回归模块可以用来对异常检测子模块获取到的异常运行数据知识矩阵进行分类从而得到目标子数据图的神经网络。
67.其中，每一异常检测子模块包括但不限于分别对应的异常检测主模块、异常检测从模块，其中，异常检测主模块和异常检测从模块都用来提取候选子数据图的特征的网络，异常检测主模块和异常检测从模块是一一对应的关系，由于异常检测主模块和异常检测从
模块的模型变量不同，则异常检测主模块和异常检测从模块输出的特征图也是不同的。具体地，通过运行数据异常检测模型将每一候选子数据图输入至对应的异常检测子模块，异常检测子模块将输入的候选子数据图输入至异常检测主模块，通过异常检测主模块对输入的候选子数据图进行异常检测，得到第一候选子数据图特征矩阵。异常检测子模块再将第一候选子数据图特征矩阵输入至与异常检测主模块对应的异常检测从模块，通过异常检测从模块对第一候选子数据图特征矩阵进行异常检测，得到第二候选子数据图特征矩阵。其中，在得到每一异常检测从模块输出的第二候选子数据图特征矩阵后，基于每一异常检测从模块输出的第二候选子数据图特征矩阵生成候选子数据图对应的异常运行数据知识矩阵。最后，运行数据异常检测模型将异常运行数据知识矩阵输入至线性回归模块中，通过线性回归模块对异常运行数据知识矩阵进行分类，得到目标运行数据图中的目标子数据图。其中，这里的目标子数据图是目标运行数据图中异常运行数据所在的具体准确位置。
68.6）基于目标子数据图，确定运行检测结果。
69.具体的，运行检测结果可以包括目标子数据图中各个图元素对应的运行数据的各个字段的信息、图元素的数量、以及各个图元素之间的影响关系等等，本公开对此不作具体限定。
70.在上述方案中，获取目标运行数据图；将目标运行数据图输入至预检测模型中，得到目标运行数据图对应的初始检测矩阵；基于初始检测矩阵获取目标运行数据图的每一图元素属于异常运行数据的置信值，基于置信值进行边界跟踪得到候选子数据图；基于候选子数据图从初始检测矩阵中确定至少两个不同标度的候选子数据图；将每一候选子数据图输入至运行数据异常检测模型中的每一异常检测子模块中，基于每一异常检测子模块的异常检测结果得到目标运行数据图中的目标子数据图。首先，通过预检测模型对目标运行数据图检测，得到对应的初始检测矩阵，基于初始检测矩阵中的目标运行数据图的每一图元素属于异常运行数据的置信值进行边界跟踪得到候选子数据图，从而快速地、无需人工参与就可以确定异常运行数据在目标运行数据图中的可能存在的位置，再通过运行数据异常检测模型对可能存在的位置进行再次检测，具体利用可能存在的位置的其他位置的信息来提高目标运行数据图中异常运行数据所在位置的准确性，可以有效地基于目标运行数据图中确定运行数据序列中存在异常的运行数据。
71.在一个实施例中，基于初始检测矩阵获取目标运行数据图的每一图元素属于异常运行数据的置信值，基于置信值进行边界跟踪得到候选子数据图，包括：1）基于置信值对初始检测矩阵进行零一编码得到对应的零一编码检测矩阵。
72.2）基于零一编码检测矩阵进行边界跟踪得到至少两个候选子数据图。
73.其中，零一编码是指就是将初始检测矩阵上的图元素的具体数据编码为零或者一，也就是将整个初始检测矩阵呈现出明显的只有0和1的矩阵。由于初始检测矩阵描述了目标运行数据图中每一图元素属于异常运行数据的置信值，因此可以使用阈值对初始检测矩阵进行零一编码处理，得到对应的零一编码检测矩阵。具体可以是，获取预设零一编码阈值，其中预设零一编码阈值可基于实际业务需求进行设置或者更新，对应每一属性的数据，该阈值可以不同，基于获取到预设零一编码阈值对初始检测矩阵进行零一编码处理，得到对应的零一编码检测矩阵。其中，零一编码检测矩阵中只有0和1，具体可以是将置信值大于预设零一编码阈值的图元素标注为1，而将置信值小于或者等于预设零一编码阈值的图元
素标注为0。
74.进一步地，在得到零一编码检测矩阵后，基于零一编码检测矩阵进行边界跟踪得到至少两个候选子数据图。其中，边界跟踪是将标注为1的图元素的边界划分出来，得到至少两个候选子数据图。在一个实施例中，基于候选子数据图从初始检测矩阵确定至少两个不同标度的候选子数据图，包括：1）基于候选子数据图的图元素数量确定范例边界跟踪范围，基于范例边界跟踪范围从初始检测矩阵中提取得到范例候选子数据图。
75.其中，由于每一候选子数据图对应不同的图元素数量，有些候选子数据图比较大，而有些候选子数据图比较小，为了每一候选子数据图都包括候选子数据图，因此需要基于每一候选子数据图的图元素数量确定范例边界跟踪范围，范例边界跟踪范围是指提取候选子数据图的最小提取范围，标度较大的候选子数据图对应的范例边界跟踪范围就较宽，而标度较小的候选子数据图对应的范例边界跟踪范围就较窄。进一步地，在确定每一候选子数据图对应的范例边界跟踪范围后，基于范例边界跟踪范围从初始检测矩阵中提取得到每一候选子数据图对应的范例候选子数据图。
76.2）基于范例边界跟踪范围确定至少两个不同标度的目标边界跟踪范围，基于目标边界跟踪范围从初始检测矩阵中提取得到至少两个不同标度的目标候选子数据图。
77.3）将范例候选子数据图和目标候选子数据图组成至少两个不同标度的候选子数据图。
78.其中，在基于每一候选子数据图的图元素数量确定对应的范例边界跟踪范围后，可基于范例边界跟踪范围确定至少两个不同标度的目标边界跟踪范围。其中，具体可以是，至少两个不同标度的目标边界跟踪范围可以是范例边界跟踪范围的预设倍数，或者可以是范例候选子数据图的预设倍数作为目标边界跟踪范围等。其中，预设倍数可基于实际需要进行设置或者变更。进一步地，在得到至少两个不同标度的目标边界跟踪范围后，基于目标边界跟踪范围从初始检测矩阵中提取得到至少两个不同标度的目标候选子数据图。最后，将范例候选子数据图和目标候选子数据图组成至少两个不同标度的候选子数据图。
79.在一个实施例中，异常检测子模块包括异常检测主模块和异常检测从模块，将每一候选子数据图输入至运行数据异常检测模型中的每一异常检测子模块中，基于每一异常检测子模块的异常检测结果得到目标运行数据图中的目标子数据图，包括：1）通过运行数据异常检测模型将每一候选子数据图输入至对应的异常检测主模块，异常检测主模块对候选子数据图进行异常检测，得到对应的第一候选子数据图特征矩阵。
80.其中，运行数据异常检测模型中每一异常检测子模块包括一一对应关系的异常检测主模块和异常检测从模块，也就是说，一个异常检测子模块包括异常检测主模块和对应的异常检测从模块，异常检测主模块的输出作为异常检测从模块的输入。具体地，在基于候选子数据图从初始检测矩阵中确定至少两个不同标度的候选子数据图后，将不同标度的每一候选子数据图输入至运行数据异常检测模型中，运行数据异常检测模型将输入的每一候选子数据图输入至对应的异常检测主模块中。每一异常检测主模块对输入的候选子数据图进行异常检测，得到对应的第一候选子数据图特征矩阵。
81.2）通过运行数据异常检测模型将每一第一候选子数据图特征矩阵输入至与异常
检测主模块对应的异常检测从模块，异常检测从模块用于对第一候选子数据图特征矩阵提取得到第二候选子数据图特征矩阵。
82.具体地，每一异常检测主模块对输入的候选子数据图进行异常检测，得到对应的第一候选子数据图特征矩阵后，将每一异常检测主模块输出的第一候选子数据图特征矩阵输入至对应的异常检测从模块中，异常检测从模块对异常检测主模块输出的第一候选子数据图特征矩阵进行异常检测，得到第二候选子数据图特征矩阵。由于异常检测主模块和对应的异常检测从模块的网络模型变量不同，因此分别输出的第一候选子数据图特征矩阵和第二候选子数据图特征矩阵不同，第二候选子数据图特征矩阵通常比第一候选子数据图特征矩阵的特征表征比较准确。例如，将每一异常检测主模块输出的第一候选子数据图特征矩阵输入至对应的异常检测从模块中，通过异常检测从模块对第一候选子数据图特征矩阵进行异常检测，从而得到每一异常检测从模块对应的第二候选子数据图特征矩阵。其中，异常检测从模块可以包括卷积层网络、池化层网络、正则化层网络中的至少一者。
83.3）基于每一异常检测从模块输出的第二候选子数据图特征矩阵生成候选子数据图对应的异常运行数据知识矩阵。
84.具体地，在得到每一异常检测从模块输出的第二候选子数据图特征矩阵后，需要基于每一异常检测从模块输出的第二候选子数据图特征矩阵生成候选子数据图对应的异常运行数据知识矩阵。其中，基于每一异常检测从模块输出的第二候选子数据图特征矩阵生成候选子数据图对应的异常运行数据知识矩阵具体可以是但不限于将每一异常检测从模块输出的第二候选子数据图特征矩阵进行叠加，得到每一候选子数据图对应的异常运行数据知识矩阵。或者基于每一异常检测从模块输出的第二候选子数据图特征矩阵中的特征进行计算得到每一候选子数据图对应的异常运行数据知识矩阵等。
85.4）将异常运行数据知识矩阵输入至运行数据异常检测模型中的线性回归模块中，通过线性回归模块对每一异常运行数据知识矩阵进行分类，得到目标运行数据图中的目标子数据图。
86.具体地，在得到每一候选子数据图对应的异常运行数据知识矩阵后，通过运行数据异常检测模型将每一候选子数据图对应的异常运行数据知识矩阵输入至线性回归模块中，线性回归模块是用于对每一异常运行数据知识矩阵进行分类的网络。进一步地，线性回归模块对输入的每一候选子数据图对应的异常运行数据知识矩阵进行线性回归，则得到目标运行数据图中的目标子数据图。也就是说，最后得到的目标运行数据图中的目标子数据图就是线性回归模块的分类结果为第一结果的异常运行数据知识矩阵对应的候选子数据图。
87.在一个实施例中，预检测模型的训练步骤包括：1）获取样本运行数据图集合，样本运行数据图集合中的样本运行数据图包括范例异常运行数据的范例异常子数据图。
88.2）将样本运行数据图集合中的样本运行数据图输入至第一预检测模型中，得到对应的样本初始检测矩阵。
89.其中，预检测模型和运行数据异常检测模型的训练是分别训练的，可以先对第一预检测模型进行训练得到预检测模型，再去训练第一运行数据检测模型得到运行数据异常检测模型。其中，预检测模型的训练过程具体可以是，先获取样本运行数据图集合，样本运
行数据图是用来训练第一预检测模型的样本数据图，样本运行数据图集合中的每一样本运行数据图包括范例异常运行数据的范例异常子数据图，其中，每一样本运行数据图中的范例异常运行数据的范例异常子数据图可通过标注人员进行标注。进一步地，将获取到的样本运行数据图集合中的样本运行数据图输入至第一预检测模型，第一预检测模型的网络结构包括但不限于编码层和解码层，第一预检测模型通过编码层将每一样本运行数据图进行编码压缩，提取每一样本运行数据图中维度更低的语义特征信息，再将获取到的每一语义特征信息通过解码层进行解码运算，计算样本运行数据图中每一图元素属于范例异常运行数据的置信值，从而得到样本初始检测矩阵。其中，样本初始检测矩阵中表征了样本运行数据图中每一图元素属于范例异常运行数据的置信值。
90.3）基于样本初始检测矩阵和范例异常子数据图计算得到差异向量，基于差异向量对第一预检测模型的模型变量进行更新，直至达到第一预设停止指标，得到预检测模型。
91.具体地，样本初始检测矩阵中描述了样本运行数据图中每一图元素属于范例异常运行数据的置信值，而在样本运行数据图中标注的范例异常子数据图中的每一图元素的置信值为1，认为样本运行数据图中标注的范例异常子数据图中的每一图元素百分之百属于范例异常运行数据。因此则可基于样本初始检测矩阵中每一图元素属于范例异常运行数据的置信值和样本运行数据图中标注的范例异常子数据图中的每一图元素的置信值计算得到差异向量，例如利用预设函数基于样本初始检测矩阵中每一图元素属于范例异常运行数据的置信值和样本运行数据图中标注的范例异常子数据图中的每一图元素的置信值计算得到差异向量。
92.进一步地，在计算得到第一预检测模型的差异向量后，基于差异向量对第一预检测模型的模型变量进行更新，直至达到第一预设停止指标，得到预检测模型。其中，第一预设停止指标可基于实际需求进行设置或者变更，例如当差异向量达到最小时，则可认为达到该预设停止指标，或者当差异向量无法再发生变化时，则可认为达到该预设停止指标。
93.在一个实施例中，运行数据异常检测模型的训练步骤包括：1）获取样本运行数据图集合，样本运行数据图集合中的样本运行数据图包括范例异常运行数据的范例异常子数据图。
94.2）将样本运行数据图集合中的样本运行数据图输入至预检测模型中，得到对应的样本初始检测矩阵。
95.其中，预检测模型和运行数据异常检测模型的训练是分别训练的，可以先对第一预检测模型进行训练得到预检测模型，再去训练第一运行数据检测模型得到运行数据异常检测模型。其中，样本运行数据图集合中的每一样本运行数据图包括范例异常运行数据的范例异常子数据图，其中，每一样本运行数据图中范例异常运行数据的范例异常子数据图可通过标注人员进行标注。
96.3）基于样本初始检测矩阵获取样本运行数据图的每一图元素属于范例异常运行数据的样本置信值，基于样本置信值进行边界跟踪得到范例候选子数据图。
97.其中，在得到样本初始检测矩阵后，可基于样本初始检测矩阵描述的每一图元素属于范例异常运行数据的置信值进行边界跟踪得到范例候选子数据图。具体地，可先对样本初始检测矩阵进行零一编码，得到样本零一编码检测矩阵，可基于处理后的样本零一编码检测矩阵进行边界跟踪，得到范例候选子数据图。这里的范例候选子数据图是范例异常
运行数据可能存在的位置，并不是范例异常运行数据的准确位置，后续还需要通过第一运行数据检测模型基于范例候选子数据图得到范例异常运行数据的准确位置。
98.其中，基于处理后的样本零一编码检测矩阵进行边界跟踪，得到范例候选子数据图具体可以是将样本零一编码检测矩阵中为1的区域划分为范例候选子数据图，因此最后基于置信值进行边界跟踪得到至少两个范例候选子数据图。
99.4）基于范例候选子数据图从样本初始检测矩阵中确定至少两个不同标度的样本候选子数据图。
100.其中，基于样本初始检测矩阵中描述样本运行数据图中每一图元素属于范例异常运行数据的置信值进行边界跟踪得到至少两个范例候选子数据图，基于每一范例候选子数据图从样本初始检测矩阵中确定对应的至少两个不同标度的样本候选子数据图。也就是说，每一范例候选子数据图都对应至少两个不同标度的样本候选子数据图，而每一不同标度的样本候选子数据图中都包括范例候选子数据图，但每一不同标度的样本候选子数据图中还包括其他背景图元素，这里的图元素是指除了范例候选子数据图中的图元素之外的其他图元素。
101.其中，基于每一范例候选子数据图从样本初始检测矩阵中确定对应的至少两个不同标度的样本候选子数据图，具体可以是，先基于每一范例候选子数据图的图元素数量确定训练范例边界跟踪范围，再基于训练范例边界跟踪范围从样本初始检测矩阵中提取得到训练范例候选子数据图。进一步地基于训练范例边界跟踪范围确定至少两个不同标度的训练目标边界跟踪范围，其中，每一不同标度的训练目标边界跟踪范围可以是训练范例候选子数据图的预设倍数，预设倍数可基于实际业务需求进行变更或者设置。最后，在得到每一不同标度的训练目标边界跟踪范围后，基于训练目标边界跟踪范围从样本初始检测矩阵中提取得到至少两个不同标度的训练目标候选子数据图，再将训练范例候选子数据图和至少两个不同标度的训练目标候选子数据图组成至少两个不同标度的样本候选子数据图。
102.5）基于范例异常子数据图和样本候选子数据图进行对照，确定每一样本候选子数据图对应的数据类型，数据类型包括异常候选子数据图和正常候选子数据图。
103.具体地，在得到每一范例候选子数据图对应的至少两个不同标度的样本候选子数据图后，将范例候选子数据图对应的样本候选子数据图和范例候选子数据图对应的范例异常子数据图进行对照，确定每一样本候选子数据图对应的数据类型。其中，具体可以是，在将范例候选子数据图对应的样本候选子数据图和范例候选子数据图对应的范例异常子数据图进行对照时，可以是以范例候选子数据图的某一张样本候选子数据图与对应的范例异常子数据图进行对照，若该样本候选子数据图和范例异常子数据图吻合时，则可确定该样本候选子数据图的数据类型为异常候选子数据图，反之，则确定该样本候选子数据图的数据类型为正常候选子数据图。其中，当确定该样本候选子数据图的数据类型后，该范例候选子数据图的其他标度的样本候选子数据图也为该样本候选子数据图的数据类型。也就是说，范例候选子数据图的不同标度的样本候选子数据图的数据类型都相同，若范例候选子数据图的某一种样本候选子数据图的数据类型为异常候选子数据图，则范例候选子数据图的其他样本候选子数据图的数据类型也会异常候选子数据图。
104.6）将每一样本候选子数据图输入至第一运行数据检测模型中的每一异常检测主模块中，通过每一异常检测主模块对样本候选子数据图进行异常检测，得到对应的第一样
本候选子数据图特征矩阵。
105.具体地，在基于范例候选子数据图从样本初始检测矩阵中确定至少两个不同标度的样本候选子数据图后，将每一样本候选子数据图输入至第一运行数据检测模型中的每一异常检测主模块中，通过每一异常检测主模块对样本候选子数据图进行异常检测，得到对应的第一样本候选子数据图特征矩阵。
106.7）将第一样本候选子数据图特征矩阵输入至与异常检测主模块对应的边界跟踪模块，基于边界跟踪模块输出的样本边界跟踪结果和样本候选子数据图计算得到边界跟踪差异向量。
107.其中，在训练过程中，第一运行数据检测模型的边界跟踪模块是需要用来进行训练的。具体地，将每一异常检测主模块输出的第一样本候选子数据图特征矩阵输入至与异常检测主模块对应的边界跟踪模块，边界跟踪模块对输入的第一样本候选子数据图特征矩阵进行边界跟踪，得到样本边界跟踪结果。其中，边界跟踪模块对输入的第一样本候选子数据图特征矩阵进行边界跟踪具体可以是将第一样本候选子数据图特征矩阵中的范例候选子数据图跟踪划分出来，作为样本边界跟踪结果。其中，边界跟踪模块处理的范例候选子数据图比基于样本置信值进行边界跟踪得到的范例候选子数据图的准确度高。
108.进一步地，基于边界跟踪模块的样本边界跟踪结果和样本候选子数据图计算得到边界跟踪差异向量。具体可以是，将边界跟踪模块的样本边界跟踪结果和样本候选子数据图进行对照计算，得到边界跟踪差异向量；或者是将边界跟踪模块的样本边界跟踪结果和样本候选子数据图进行加权计算，得到边界跟踪差异向量；或者还可以是利用预设损失函数将边界跟踪模块的样本边界跟踪结果和样本候选子数据图进行计算，得到边界跟踪差异向量等。
109.8）将第一样本候选子数据图特征矩阵输入至与异常检测主模块对应的异常检测从模块，基于异常检测从模块输出得到范例候选子数据图对应的样本数据类别与数据类型计算得到分类差异向量。
110.具体地，将每一异常检测主模块输出的第一样本候选子数据图特征矩阵输入至对应的异常检测从模块中，异常检测从模块用于对输入的第一样本候选子数据图特征矩阵进行异常检测，得到每一异常检测从模块输出的第二样本候选子数据图特征矩阵。进一步地，可以将每一异常检测从模块输出的第二样本候选子数据图特征矩阵进行融合。再将每一范例候选子数据图对应的融合后的第二运行数据检测模型通过第一运行数据检测模型的训练线性回归模块对其进行分类，得到每一范例候选子数据图对应的样本数据类别。其中，样本数据类别可以是异常候选子数据图，或者正常候选子数据图。
111.其中，由于范例候选子数据图对应的数据类型包括异常候选子数据图和正常候选子数据图，可基于异常检测从模块输出得到范例候选子数据图对应的样本数据类别与数据类型计算得到分类差异向量。例如，若异常检测从模块输出得到范例候选子数据图对应的样本数据类别与数据类型相同，说明分类差异向量越小，反之，说明分类差异向量越小。
112.9）基于边界跟踪差异向量和分类差异向量确定第一运行数据检测模型的目标差异向量，基于目标差异向量对第一运行数据检测模型的模型变量进行更新，直至达到第二预设停止指标，得到训练完成的运行数据异常检测模型。
113.具体地，在得到边界跟踪差异向量和分类差异向量后，基于边界跟踪差异向量和
分类差异向量确定目标差异向量，具体可以是将边界跟踪差异向量和分类差异向量进行加权计算，得到第一运行数据检测模型的目标差异向量。或者还可以是将边界跟踪差异向量和分类差异向量进行均值计算，得到第一运行数据检测模型的目标差异向量。紧接着，基于目标差异向量对第一运行数据检测模型的模型变量进行更新，直至达到第二预设停止指标，得到训练完成的运行数据异常检测模型。其中，第二预设停止指标可基于实际需要进行变更或设置，例如，当目标差异向量达到最小时，则可认为达到该预设停止指标；或者当目标差异向量不再发生变化时，则可认为达到该预设停止指标。
114.在一个实施例中，将第一样本候选子数据图特征矩阵输入至与异常检测主模块对应的边界跟踪模块，基于边界跟踪模块输出的样本边界跟踪结果和样本候选子数据图计算得到边界跟踪差异向量，包括：1）通过第一运行数据检测模型将每一异常检测主模块获取到的第一样本候选子数据图特征矩阵输入至对应的边界跟踪模块中，得到每一边界跟踪模块输出的边界跟踪结果。
115.其中，第一运行数据检测模型中每一异常检测主模块输出对应的第一样本候选子数据图特征矩阵后，将每一第一样本候选子数据图特征矩阵输入至与每一异常检测主模块对应的边界跟踪模块中，每一边界跟踪模块分别对输入的第一样本候选子数据图特征矩阵进行边界跟踪，得到每一边界跟踪模块输出的边界跟踪结果。具体地，将每一异常检测主模块输出的第一样本候选子数据图特征矩阵输入至与异常检测主模块对应的边界跟踪模块，边界跟踪模块对输入的第一样本候选子数据图特征矩阵进行边界跟踪，得到边界跟踪结果。其中，边界跟踪模块对输入的第一样本候选子数据图特征矩阵进行边界跟踪具体可以是将第一样本候选子数据图特征矩阵中的范例候选子数据图跟踪划分出来，作为边界跟踪结果。
116.2）基于每一边界跟踪结果和对应的样本候选子数据图计算得到每一边界跟踪模块对应的边界跟踪差异子向量。
117.3）根据每一边界跟踪模块对应的边界跟踪差异子向量得到边界跟踪差异向量。
118.具体地，基于每一边界跟踪模块的边界跟踪结果和样本候选子数据图计算得到边界跟踪差异向量。具体可以是，将每一边界跟踪模块的和样本候选子数据图进行对照计算，得到每一边界跟踪模块对应的边界跟踪差异子向量。或者将每一边界跟踪模块的边界跟踪结果和样本候选子数据图进行加权计算，得到每一边界跟踪模块对应的边界跟踪差异子向量。或者还可以是利用预设损失函数将每一边界跟踪模块的边界跟踪结果和样本候选子数据图进行计算，得到每一边界跟踪模块对应的边界跟踪差异子向量。
119.进一步地，在得到每一边界跟踪模块对应的边界跟踪差异子向量，可基于每一边界跟踪模块对应的边界跟踪差异子向量计算得到边界跟踪差异向量。具体可以是，根据每一边界跟踪模块对应的边界跟踪差异子向量得到边界跟踪差异向量。例如，将每一边界跟踪模块对应的边界跟踪差异子向量进行求和得到边界跟踪差异向量。或者将每一边界跟踪模块对应的边界跟踪差异子向量进行均值计算，得到边界跟踪差异向量。或者还可以是将每一边界跟踪模块对应的边界跟踪差异子向量进行加权求和，得到边界跟踪差异向量等。
120.在一个实施例中，将第一样本候选子数据图特征矩阵输入至与异常检测主模块对应的异常检测从模块，基于异常检测从模块输出得到范例候选子数据图对应的样本数据类
别与数据类型计算得到分类差异向量，包括：1）通过第一运行数据检测模型将每一异常检测主模块获取到的第一样本候选子数据图特征矩阵输入至对应的异常检测从模块中，得到每一异常检测从模块输出的第二样本候选子数据图特征矩阵。
121.2）基于每一异常检测从模块输出的第二样本候选子数据图特征矩阵生成范例候选子数据图的样本异常运行数据知识矩阵。
122.具体地，第一运行数据检测模型将异常检测主模块输出的第一样本候选子数据图特征矩阵输入至对应的异常检测从模块中，异常检测从模块用于对输入的第一样本候选子数据图特征矩阵进行异常检测，得到每一异常检测从模块输出的第二样本候选子数据图特征矩阵。
123.进一步地，需要将每一异常检测从模块输出的第二样本候选子数据图特征矩阵进行融合，得到每一范例候选子数据图对应的样本异常运行数据知识矩阵。
124.3）将样本异常运行数据知识矩阵输入至第一运行数据检测模型中的训练线性回归模块中，得到范例候选子数据图对应的样本数据类别。
125.4）基于样本数据类别和数据类型计算得到对应的分类差异向量。
126.具体地，将每一范例候选子数据图对应的样本异常运行数据知识矩阵通过第一运行数据检测模型的训练线性回归模块对其进行分类，得到每一范例候选子数据图对应的样本数据类别。其中，具体可以是，每一范例候选子数据图对应的样本异常运行数据知识矩阵通过分类器进行分类，得到对应的样本数据类别。例如，样本数据类别可以是异常数据类别，或者正常数据类别。
127.其中，由于范例候选子数据图对应的数据类型包括异常候选子数据图和正常候选子数据图，可基于异常检测从模块输出得到范例候选子数据图对应的样本数据类别与数据类型计算得到分类差异向量。例如，若异常检测从模块输出得到范例候选子数据图对应的样本数据类别与数据类型相同，说明分类差异向量越小，反之，则说明分类差异向量越大。
128.在一个实施例中，运行数据异常检测模型包括至少两个异常检测子模块和线性回归模块，每一异常检测子模块包括分别对应的异常检测主模块、异常检测从模块，异常检测从模块包括卷积层网络、池化层网络、正则化层网络中的至少一者，每一异常检测子模块存在相同的网络结构、模型变量相互独立。
129.在一个具体的实施例中，提供了图1所示的基于图形化测试平台的自动测试方法中步骤s103的一种具体执行方案，包括以下步骤：1）获取样本运行数据图集合，样本运行数据图集合中的样本运行数据图包括范例异常运行数据的范例异常子数据图。
130.2）将样本运行数据图集合中的样本运行数据图输入至第一预检测模型中，得到对应的样本初始检测矩阵。
131.3）基于样本初始检测矩阵和范例异常子数据图计算得到差异向量，基于差异向量对第一预检测模型的模型变量进行更新，直至达到预设停止指标，得到预检测模型。
132.4）获取样本运行数据图集合，样本运行数据图集合中的样本运行数据图包括范例异常运行数据的范例异常子数据图。
133.5）将样本运行数据图集合中的样本运行数据图输入至预检测模型中，得到对应的
样本初始检测矩阵。
134.6）基于样本初始检测矩阵获取样本运行数据图的每一图元素属于范例异常运行数据的样本置信值，基于样本置信值进行边界跟踪得到范例候选子数据图。
135.7）基于范例候选子数据图从样本初始检测矩阵中确定至少两个不同标度的样本候选子数据图。
136.8）基于范例异常子数据图和样本候选子数据图进行对照，确定每一样本候选子数据图对应的数据类型，数据类型包括异常候选子数据图和正常候选子数据图。
137.9）将每一样本候选子数据图输入至第一运行数据检测模型中的每一异常检测主模块中，通过每一异常检测主模块对样本候选子数据图进行异常检测，得到对应的第一样本候选子数据图特征矩阵。
138.10）将第一样本候选子数据图特征矩阵输入至与异常检测主模块对应的边界跟踪模块，基于边界跟踪模块输出的样本边界跟踪结果和样本候选子数据图计算得到边界跟踪差异向量。
139.10.1）通过第一运行数据检测模型将每一异常检测主模块获取到的第一样本候选子数据图特征矩阵输入至对应的边界跟踪模块中，得到每一边界跟踪模块输出的边界跟踪结果。
140.10.2）基于每一边界跟踪结果和对应的样本候选子数据图计算得到每一边界跟踪模块对应的边界跟踪差异子向量。
141.10.3）根据每一边界跟踪模块对应的边界跟踪差异子向量得到边界跟踪差异向量。
142.11）将第一样本候选子数据图特征矩阵输入至与异常检测主模块对应的异常检测从模块，基于异常检测从模块输出得到范例候选子数据图对应的样本数据类别与数据类型计算得到分类差异向量。
143.11.1）通过第一运行数据检测模型将每一异常检测主模块获取到的第一样本候选子数据图特征矩阵输入至对应的异常检测从模块中，得到每一异常检测从模块输出的第二样本候选子数据图特征矩阵。
144.11.2）基于每一异常检测从模块输出的第二样本候选子数据图特征矩阵生成范例候选子数据图的样本异常运行数据知识矩阵。
145.11.3）将样本异常运行数据知识矩阵输入至第一运行数据检测模型中的训练线性回归模块中，得到范例候选子数据图对应的样本数据类别。
146.11.4）基于样本数据类别和数据类型计算得到对应的分类差异向量。
147.12）基于边界跟踪差异向量和分类差异向量确定第一运行数据检测模型的目标差异向量，基于目标差异向量对第一运行数据检测模型的模型变量进行更新，直至达到预设停止指标，得到训练完成的运行数据异常检测模型。
148.13）获取目标运行数据图。
149.14）将目标运行数据图输入至预检测模型中，得到目标运行数据图对应的初始检测矩阵。
150.14.1）预检测模型通过编码层对目标运行数据图进行编码，得到编码结果。
151.14.2）预检测模型将编码结果输入至解码层，通过编码层对编码结果进行解码，得
到目标运行数据图的每一图元素属于异常运行数据的置信值组成初始检测矩阵。
152.15）基于初始检测矩阵获取目标运行数据图的每一图元素属于异常运行数据的置信值，基于置信值进行边界跟踪得到候选子数据图。
153.15.1）基于置信值对初始检测矩阵进行零一编码得到对应的零一编码检测矩阵。
154.15.2）基于零一编码检测矩阵进行边界跟踪得到至少两个候选子数据图。
155.16）基于候选子数据图从初始检测矩阵中确定至少两个不同标度的候选子数据图。
156.16.1）基于候选子数据图的图元素数量确定范例边界跟踪范围，基于范例边界跟踪范围从初始检测矩阵中提取得到范例候选子数据图。
157.16.2）基于范例边界跟踪范围确定至少两个不同标度的目标边界跟踪范围，基于目标边界跟踪范围从初始检测矩阵中提取得到至少两个不同标度的目标候选子数据图。
158.16.3）将范例候选子数据图和目标候选子数据图组成至少两个不同标度的候选子数据图。
159.17）将每一候选子数据图输入至运行数据异常检测模型中的每一异常检测子模块中，基于每一异常检测子模块的异常检测结果得到目标运行数据图中的目标子数据图。
160.17.1）通过运行数据异常检测模型将每一候选子数据图输入至对应的异常检测主模块，异常检测主模块对候选子数据图进行异常检测，得到对应的第一候选子数据图特征矩阵。
161.17.2）通过运行数据异常检测模型将每一第一候选子数据图特征矩阵输入至与异常检测主模块对应的异常检测从模块，异常检测从模块用于对第一候选子数据图特征矩阵提取得到第二候选子数据图特征矩阵。
162.17.3）基于每一异常检测从模块输出的第二候选子数据图特征矩阵生成候选子数据图对应的异常运行数据知识矩阵。
163.17.4）将异常运行数据知识矩阵输入至运行数据异常检测模型中的线性回归模块中，通过线性回归模块对每一异常运行数据知识矩阵进行分类，得到目标运行数据图中的目标子数据图。
164.18）基于目标子数据图，确定运行检测结果。
165.下面参考图2，图2是根据一示例性实施例示出的一种图形化测试平台的结构示意图，其示出了适于用来实现本公开实施例的图形化测试平台200的结构示意图。本公开实施例中的图形化测试平台200可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda（个人数字助理）、pad（平板电脑）等等的移动终端以及诸如服务器、计算集群、数字tv、台式计算机等等的固定终端。图2示出的图形化测试平台200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
166.如图2所示，图形化测试平台200可以包括处理装置201（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（rom）202中的程序或者从存储装置208加载到随机访问存储器（ram）203中的程序而执行各种适当的动作和处理。在ram 203中，还存储有图形化测试平台200操作所需的各种程序和数据。处理装置201、rom 202以及ram 203通过总线204彼此相连。输入/输出（i/o）接口205也连接至总线204。
167.通常，以下装置可以连接至i/o接口205：包括例如触摸屏、触摸板、键盘、鼠标、摄
像头、麦克风、加速度计、陀螺仪等的输入装置206；包括例如液晶显示器（lcd）、扬声器、振动器等的输出装置207；包括例如磁带、硬盘等的存储装置208；以及通信装置209。通信装置209可以允许图形化测试平台200与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的图形化测试平台200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
168.该图形化测试平台200可以用于执行上述的基于图形化测试平台的自动测试方法的步骤，以实现准确地对电子仪器进行测试，确保电子仪器能够可靠地运行。
169.特别地，根据本公开的实施例，上文参考流程图描述的过程以及文字描述的步骤可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置209从网络上被下载和安装，或者从存储装置208被安装，或者从rom 202被安装。在该计算机程序被处理装置201执行时，执行本公开实施例的方法中限定的上述功能。
170.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。
171.在一些实施方式中，客户端、服务器可以利用诸如http（hypertext transfer protocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“lan”），广域网（“wan”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
172.上述计算机可读介质可以是上述图形化测试平台中所包含的；也可以是单独存在，而未装配入该图形化测试平台中。
173.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该图形化测试平台200执行时，使得该图形化测试平台200实现本公开实施例的方法中限定的上述功能。
174.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算
机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在相频计算机上执行、部分地在相频计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（lan）或广域网（wan）——连接到相频计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
175.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
176.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（fpga）、专用集成电路（asic）、专用标准产品（assp）、片上系统（soc）、复杂可编程逻辑设备（cpld）等等。
177.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦除可编程只读存储器（eprom或快闪存储器）、光纤、便捷式紧凑盘只读存储器（cd-rom）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
178.基于相同的发明构思，图3是根据一示例性实施例示出的一种基于图形化测试平台的自动测试系统的示意图，如图3所示，该系统包括图形化测试平台200，以及与所述图形化测试平台通信连接的待测试的电子仪器300。该图形化测试平台200可以被提供为服务器或者计算集群，该图形化测试平台200可以通过该通信连接，获取电子仪器300运行所生成的运行数据序列，并且，该图形化测试平台200可以用于执行上述方法实施例中提及的各个步骤，进而实现电子仪器的自动化测试。
179.值得说明的是，在图3中示例性地示出了三个电子仪器300，在实际应用时，与该图形化测试平台200通信连接的电子仪器300可以是一个或者是多个，例如大于或小于三个，本公开对此不作限定。
180.其中，该通信连接可以是以太网连接、蓝牙连接或者通信线缆连接，本公开对此不作限定。
181.出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。