一种基于AI和信创的系统适配方法与装置与流程

本发明属于数据处理，尤其涉及一种基于ai和信创的系统适配方法与装置。

背景技术：

1、在信创的大环境下，除了进行服务器等硬件的国产化替代外，还需要实现对服务器以及其它硬件装置的软件系统的国产化替代，因此如何实现对软件系统的适配性分析成为亟待解决的技术问题。

2、为了解决上述技术问题，在发明专利cn202310444339.x《一种基于信创环境的实时计算框架的适配性测试方法》中通过将测试用例输入不同国产环境中所搭建的实时计算框架进行测试得到第二测试结果，基于第一判断结果以及第二测试结果，获得实时计算框架的适配结果，从而实现了对信创系统的适配性分析，但是却存在以下技术问题：

3、单一的采用某一种测试用例无法准确的反应信创环境下的软件系统的适配情况，若不能综合多种测试用例的测试结果实现对软件系统的适配情况的评估，则无法准确的实现对软件系统的适配结果的可靠评估。

4、对于不同的测试用例其调用的底层驱动模块的数量各不相同，因此若不能结合上述因素进行测试用例的测试深度的确定，则无法准确的得到软件系统的适配结果。

5、针对上述技术问题，本发明提供了一种基于ai和信创的系统适配方法与装置。

技术实现思路

1、为实现本发明目的，本发明采用如下技术方案：

2、根据本发明的一个方面，提供了一种基于ai和信创的系统适配方法。

3、一种基于ai和信创的系统适配方法，其特征在于，具体包括：

4、s1将待评估的信创环境下的软件系统的适配服务器作为待适配服务器，并基于所述待适配服务器的历史运行数据进行不同的底层驱动模块的使用情况和使用频繁度的确定，通过所述使用情况确定不同的底层驱动模块之间的关联系数；

5、s2通过不同的测试用例的测试数据进行不同的测试用例的调用的底层驱动模块的数量的确定，并结合不同的底层驱动模块的使用频繁度以及与其它的底层驱动模块的关联系数进行所述测试用例的测试结果的可靠性的确定；

6、s3根据不同的测试用例的测试结果的可靠性以及测试用例的数量进行所述待评估的信创环境下的软件系统的测试深度的确定，并当所述测试深度满足要求时，进入下一步骤；

7、s4基于所述测试用例的测试结果确定所述测试用例的资源占用数据、测试用用例耗时以及测试结果中的报错情况，采用基于机器学习算法的评估模型得到不同的测试用例的案例适配评估结果的确定，并结合不同的测试用例的测试结果的可靠性进行所述软件程序的适配性评估结果的输出。

8、本发明的有益效果在于：

9、1、通过使用情况确定不同的底层驱动模块之间的关联系数的确定，从而实现了根据不同的底层驱动模块的相同时间的使用情况对不同的底层驱动模块之间的关联系数的确定，进而准确的挖掘得到不同的底层驱动模块之间的内在关联关系，也为进一步实现对不同的测试用例的测试结果的可靠性以及参考价值的确定奠定了基础。

10、2、通过结合不同的底层驱动模块的使用频繁度以及与其它的底层驱动模块的关联系数进行测试用例的测试结果的可靠性的确定，不仅考虑到不同的底层驱动模块由于使用情况的差异导致的频繁度的差异，同时还考虑到不同的底层驱动模块的关联系数的差异导致的同时使用情况的差异，进而实现了对测试用例的测试结果的参考价值的准确评估，也为进一步实现对适配性结果的可靠输出奠定了基础。

11、3、通过结合不同的测试用例的测试结果的可靠性进行软件程序的适配性评估结果的输出，从而避免了原有的采用单一的测试用例或者单一的采用测试结果导致的适配性评估结果不够准确的技术问题，充分考虑到不同的测试用例由于参考价值的不同导致的对最终的适配性评估结果的准确输出的影响。

12、进一步的技术方案在于，所述待适配服务器的历史运行数据根据所述待适配服务器在适配所述软件程序之前的运行数据进行确定。

13、进一步的技术方案在于，所述底层驱动模块的使用频繁度的确定的方法为：

14、基于所述待适配服务器的历史运行数据进行不同的底层驱动模块的使用时长和使用次数的确定，并结合所述待适配服务器的运行时长进行所述底层驱动模块的使用频繁度的确定。

15、进一步的技术方案在于，所述测试用例的测试结果的可靠性的取值范围在0到1之间，其中所述测试用例的测试结果的可靠性越大，则所述测试用例的测试结果越能真实反应适配结果。

16、进一步的技术方案在于，所述机器学习算法采用包括神经网络、线性回归模型、深度神经网络的一种或者多种。

17、进一步的技术方案在于，结合不同的测试用例的测试结果的可靠性进行所述软件程序的适配性评估结果的输出，具体包括：

18、通过不同的测试用例的测试结果的可靠性对所述测试用例的案例适配评估结果进行修正得到不同的测试用例的案例修正适配评估结果，并将所述测试用例的案例修正适配评估结果进行归一化处理后的数量和作为所述软件程序的适配性评估结果的输出。

19、另一方面，本发明提供了一种计算机装置，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于ai和信创的系统适配方法。

20、另一方面，本申请实施例中提供一种计算机可读介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于ai和信创的系统适配方法。

21、其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

22、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

技术特征：

1.一种基于ai和信创的系统适配方法，其特征在于，具体包括：

2.如权利要求1所述的一种基于ai和信创的系统适配方法，其特征在于，所述待适配服务器的历史运行数据根据所述待适配服务器在适配所述软件程序之前的运行数据进行确定。

3.如权利要求1所述的一种基于ai和信创的系统适配方法，其特征在于，所述底层驱动模块的使用频繁度的确定的方法为：

4.如权利要求1所述的一种基于ai和信创的系统适配方法，其特征在于，所述底层驱动模块之间的关联系数的确定的方法为：

5.如权利要求4所述的一种基于ai和信创的系统适配方法，其特征在于，所述预设匹配次数根据所述底层驱动模块的平均使用时长以及所述历史运行数据所对应的待适配服务器的时长进行确定，其中所述底层驱动模块的平均使用时长越长，历史运行数据所对应的待适配服务器的时长越长，则所述预设匹配次数越大。

6.如权利要求1所述的一种基于ai和信创的系统适配方法，其特征在于，所述测试用例的测试结果的可靠性的确定的方法为：

7.如权利要求1所述的一种基于ai和信创的系统适配方法，其特征在于，所述测试用例的测试结果的可靠性的取值范围在0到1之间，其中所述测试用例的测试结果的可靠性越大，则所述测试用例的测试结果越能真实反应适配结果。

8.如权利要求1所述的一种基于ai和信创的系统适配方法，其特征在于，所述软件系统的测试深度的确定的方法为：

9.如权利要求1所述的一种基于ai和信创的系统适配方法，其特征在于，所述机器学习算法采用包括神经网络、线性回归模型、深度神经网络的一种或者多种。

10.一种计算机装置，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行权利要求1-9任一项所述的一种基于ai和信创的系统适配方法。

技术总结
本发明提供一种基于AI和信创的系统适配方法与装置，属于数据处理技术领域，具体包括：将待评估的信创环境下的软件系统的适配服务器作为待适配服务器，并基于所述待适配服务器的历史运行数据进行不同的底层驱动模块的使用情况和使用频繁度的确定，通过所述使用情况确定不同的底层驱动模块之间的关联系数，基于测试用例的测试结果确定测试用例的资源占用数据、测试用用例耗时以及测试结果中的报错情况，采用基于机器学习算法的评估模型得到不同的测试用例的案例适配评估结果的确定，并结合不同的测试用例的测试结果的可靠性进行软件程序的适配性评估结果的输出，从而实现了对信创环境下的软件系统的适配性的可靠评估。

技术研发人员：苗纯源,赵海斌,李泽鹏,冯磊,董栋,蔡頔,刘远,周海涛
受保护的技术使用者：国网河南省电力公司信息通信分公司
技术研发日：
技术公布日：2024/1/15