生产数据测试方法及装置与流程-j9九游会真人

1.本发明涉及人工智能技术领域，可应用于软件测试领域，具体地，涉及一种生产数据测试方法及装置。


背景技术：

2.随着业务的快速发展和计算机技术的广泛应用，计算机系统应用持续扩张，应用版本持续、快速上线，由于测试时间紧、任务重、场景复杂，版本投产后，难免出现或大或小、或多或少的生产问题。
3.出现生产问题的原因多种多样，其中很重要的一个原因是牵一发而动全身，系统交易之间往往存在潜在关系和关联关系，根据需求只修改对应交易程序往往是不够的，相关联的交易程序都必须同步完成必要的修改，同样，测试验证环节也必须覆盖到对应交易及其所有的关联交易。
4.测试中未能完全覆盖和验证到需求对应交易及其关联交易，未能及时发现应用版本存在的所有bug，版本投产后，当生产系统上的相关业务发生时，触发了版本遗留的bug,从而交易报错、业务无法办理。
5.如何保证版本能够及时完成测试后快速上线，确保版本投产后，所有业务均能正常开展，生产系统能够安全稳定运行，如何通过技术手段，通过技术赋能业务，来有效提高测试效率和质量，是一个技术难题。


技术实现要素：

6.本发明实施例的主要目的在于提供一种生产数据测试方法及装置，以高效完成对生产数据的测试验证，有效提高测试工作质量和效率，为安全生产保驾护航。
7.为了实现上述目的，本发明实施例提供一种生产数据测试方法，包括：
8.采集各账户的交易数据，根据所述交易数据构建频繁项集；
9.根据所述频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据；
10.根据版本变动对应的交易和所述频繁项集确定待测试交易；
11.根据所述待测试交易对应的组团交易风险数据确定测试顺序，按照所述测试顺序对所述待测试交易进行测试。
12.在其中一种实施例中，根据所述交易数据构建频繁项集包括：
13.根据所述交易数据的支持度和置信度构建所述频繁项集。
14.在其中一种实施例中，根据所述交易数据的支持度和置信度构建所述频繁项集包括：
15.确定所述交易数据的支持度与支持度阈值的比较结果；
16.确定所述交易数据的置信度与置信度阈值的比较结果；
17.根据所述交易数据的支持度与支持度阈值的比较结果，以及所述交易数据的置信度与置信度阈值的比较结果构建所述频繁项集。
18.在其中一种实施例中，根据所述频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据包括：
19.根据所述频繁项集中的交易数据的标签数据确定所述频繁项集中各交易数据的交易风险数据；
20.根据所述频繁项集中各交易数据的交易风险数据确定频繁项集的组团交易风险数据。
21.在其中一种实施例中，所述标签数据包括生产问题标签、账务标签和操作体验标签；
22.根据所述频繁项集中的交易数据的标签数据确定所述频繁项集中各交易数据的交易风险数据包括：
23.根据所述交易数据的所述生产问题标签、生产问题标签系数、所述账务标签、账务标签系数、所述操作体验标签和操作体验标签系数得到确定所述频繁项集中各交易数据的交易风险数据。
24.在其中一种实施例中，所述交易数据包括：交易代码、日志标识和柜员号；
25.所述生产数据测试方法还包括：
26.根据所述交易代码确定所述生产问题标签，根据所述日志标识确定所述账务标签，根据所述柜员号确定所述操作体验标签。
27.在其中一种实施例中，根据版本变动对应的交易和所述频繁项集确定待测试交易包括：
28.根据版本变动对应的交易和所述频繁项集确定关联交易；
29.根据所述版本变动对应的交易和所述关联交易确定所述待测试交易。
30.本发明实施例还提供一种生产数据测试装置，包括：
31.频繁项集构建模块，用于采集各账户的交易数据，根据所述交易数据构建频繁项集；
32.组团交易风险数据模块，用于根据所述频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据；
33.待测试交易模块，用于根据版本变动对应的交易和所述频繁项集确定待测试交易；
34.测试模块，用于根据所述待测试交易对应的组团交易风险数据确定测试顺序，按照所述测试顺序对所述待测试交易进行测试。
35.在其中一种实施例中，频繁项集构建模块具体用于：
36.根据所述交易数据的支持度和置信度构建所述频繁项集。
37.在其中一种实施例中，频繁项集构建模块包括：
38.支持度比较结果单元，用于确定所述交易数据的支持度与支持度阈值的比较结果；
39.置信度比较结果单元，用于确定所述交易数据的置信度与置信度阈值的比较结果；
40.频繁项集构建单元，用于根据所述交易数据的支持度与支持度阈值的比较结果，以及所述交易数据的置信度与置信度阈值的比较结果构建所述频繁项集。
41.在其中一种实施例中，组团交易风险数据模块包括：
42.交易风险数据单元，用于根据所述频繁项集中的交易数据的标签数据确定所述频繁项集中各交易数据的交易风险数据；
43.组团交易风险数据单元，用于根据所述频繁项集中各交易数据的交易风险数据确定频繁项集的组团交易风险数据。
44.所述标签数据包括生产问题标签、账务标签和操作体验标签；
45.交易风险数据单元具体用于：
46.根据所述交易数据的所述生产问题标签、生产问题标签系数、所述账务标签、账务标签系数、所述操作体验标签和操作体验标签系数得到确定所述频繁项集中各交易数据的交易风险数据。
47.在其中一种实施例中，所述交易数据包括：交易代码、日志标识和柜员号；
48.所述生产数据测试装置还包括：
49.标签模块，用于根据所述交易代码确定所述生产问题标签，根据所述日志标识确定所述账务标签，根据所述柜员号确定所述操作体验标签。
50.在其中一种实施例中，待测试交易模块包括：
51.关联交易单元，用于根据版本变动对应的交易和所述频繁项集确定关联交易；
52.待测试交易单元，用于根据所述版本变动对应的交易和所述关联交易确定所述待测试交易。
53.本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的生产数据测试方法的步骤。
54.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的生产数据测试方法的步骤。
55.本发明实施例还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现所述的生产数据测试方法的步骤。
56.本发明实施例的生产数据测试方法及装置根据交易数据构建频繁项集以根据频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据，然后根据版本变动对应的交易和频繁项集确定待测试交易以根据对应的组团交易风险数据确定测试顺序，按照测试顺序对待测试交易进行测试，可以高效完成对生产数据的测试验证，有效提高测试工作质量和效率，为安全生产保驾护航。
附图说明
57.为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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。
58.图1是本发明实施例中生产数据测试方法的流程图；
59.图2是本发明实施例中构建频繁项集的流程图；
60.图3是本发明实施例中s102的流程图；
61.图4是本发明实施例中s103的流程图；
62.图5是本发明实施例中生产数据测试装置的结构框图；
63.图6是本发明另一实施例中生产数据测试装置的结构框图；
64.图7是本发明一实施例中生产数据入湖处理模块的结构框图；
65.图8是本发明一实施例中生产数据入湖处理模块的工作流程图；
66.图9是本发明一实施例中频繁项集生成处理模块的结构框图；
67.图10是本发明一实施例中多标签标注处理模块的结构框图；
68.图11是本发明一实施例中版本需求匹配交易代码模块的结构框图；
69.图12是本发明一实施例中风险优先级生成处理模块的结构框图；
70.图13为本技术实施例的电子设备9600的系统构成的示意框图。
具体实施方式
71.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
72.本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
73.本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。本技术实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等均经过客户授权同意。
74.大型银行生产系统，包括生产主机系统和各开放平台系统，分别处理各种交易渠道、各种业务场景的生产业务数据，各系统上的数据都是生产数据的一部分，这些生产数据共同组成了全量的生产业务数据。
75.生产系统中的主机系统和各开放平台系统中发生的生产交易数据，通过入湖处理，都会入数据湖datalake，也就是说，datalake中的数据，包含了各类渠道、各种业务场景的全量生产交易数据。
76.本发明旨在通过一种利用大数据提升测试质量的方法与装置，对datalake中的海量生产业务数据进行深度挖掘，找到生产业务场景下交易之间的关联关系和频繁项集，在测试中，不仅对当期版本需求涉及的交易变化内容进行针对性的重点验证，而且对其关系密切的相关交易进行组团验证，模拟生产业务的实际场景、让验证工作更加贴近生产实际，同时，对生产交易进行多标签标注和统计，根据其发生过几次生产问题、是否涉及账务、是否涉及客户操作和体验等，对组团交易进行风险加权排序，根据组团交易的风险优先级依次进行针对性验证，从而挖掘业务行为之间的潜在关系，暴露出测试上是否对上下游联动交易进行测试覆盖，而根据风险优先级依次进行验证，也让测试工作更有针对性、更高效。避免因测试环境中，未能完全模拟覆盖生产系统的实际业务场景，未能充分发现版本存在的bug，而引发的相关生产问题发生。主要包括以下几个步骤：
77.步骤1)生产数据入湖处理：将生产系统交易数据，分别进行入湖处理，组成
datalak e数据，即全量的生产交易数据。对datalake数据进行数据清洗和转换，形成可以建模识别的建模数据源。
78.步骤2)频繁项集生成处理：以客户唯一标识(客户id)、客户账号进行属性构造，获取一段时间内的生产交易信息，利用apriori算法挖掘生产交易之间的潜在关系，生成生产交易频繁项集，得到组团交易。
79.步骤3)多标签标注处理：以生产交易代码、日志标识进行属性构造，根据发生过几次生产问题、是否涉及账务、是否涉及客户操作和体验等，对生产交易进行多标签标注和统计，作为组团交易进行风险系数计算的依据。
80.步骤4)版本需求匹配交易代码处理：版本需求变化，需要修改对应的程序，再根据pct(交易定义表)中交易代码与程序之间的对照关系，匹配得到需求变化内容与其对应交易代码之间的对照关系。
81.步骤5)风险优先级生成处理：根据步骤2、3、4处理输出的结果，对当期版本需求变化对应的交易代码，所涉及的各组团交易分别进行风险系数加权计算，根据结果由高到低进行风险系数排序，据此，对各组团交易依序进行针对性验证。以下结合附图对本发明进行详细说明。
82.图1是本发明实施例中生产数据测试方法的流程图。如图1所示，生产数据测试方法包括：
83.s101：采集各账户的交易数据，根据所述交易数据构建频繁项集。
84.具体实施时，先进行生产数据入湖处理：大型银行生产系统，包括生产主机系统和各开放平台系统，两大类系统处理的生产交易数据，分别进行入湖处理。由于主机的码制是ebcdic码，因此，主机下传的数据需要经过“译码拆分”后，再进行入湖处理，两大类系统数据组成的datalake数据，即为全量的生产交易数据。对datalake数据进行数据清洗和转换，可以建模识别的建模数据源，为数据挖掘分析准备好数据。
85.一实施例中，根据所述交易数据构建频繁项集包括：
86.根据所述交易数据的支持度和置信度构建所述频繁项集。
87.表1
88.[0089][0090]
表1是交易清单示例表。如表1所示，本发明将建模数据源的数据按照客户唯一标识(客户id)、客户账号进行属性构造。获取一段时间内(比如2个小时，或者1天、一周、一个月，根据需要设置)的生产交易代码信息，将建模数据源只保留客户id、客户账号和交易代码。
[0091]
图2是本发明实施例中构建频繁项集的流程图。如图2所示，根据所述交易数据的支持度和置信度构建所述频繁项集包括：
[0092]
s201：确定所述交易数据的支持度与支持度阈值的比较结果。
[0093]
s202：确定所述交易数据的置信度与置信度阈值的比较结果。
[0094]
s203：根据所述交易数据的支持度与支持度阈值的比较结果，以及所述交易数据的置信度与置信度阈值的比较结果构建所述频繁项集。
[0095]
其中，支持度阈值s和置信度阈值c，用来控制当前应用集可以产生的频繁项个数和关联规则的准确程度。默认s＝0.4，即数据集中包含项集的记录数占整个数据集的所占比例大于等于0.4；默认c＝0.6，即项集的记录数占每个项记录数的所占比例大于等于0.6。
[0096]
项集是项的集合，包含k个项的项集称为k项集，比如，集合{a、c、d、f}是一个4项集。项集的出现频率是所有包含项集的事务计数，又称绝对支持度或支持度计数。
[0097]
项集a、b同时发生的概率称为关联规则的支持度(也称相对支持度)
[0098]
support(a＝》b)＝p(a∩b)；
[0099]
项集a发生，则项集b发生的概率称为关联规则的置信度(也称可靠度)
[0100]
confidence(a＝》b)＝p(b|a)。
[0101]
如果项集i的相对支持度满足预定义的最小支持度阈值(即项集在统计意义上的最低重要性)，则i是频繁项集。同时满足最小支持度阈值和最小置信度阈值(即关联规则的最低可靠性)的规则，称作强关联规则。
[0102]
项集a的支持度计数是事务数据集中包含项集a的事务个数，简称为项集的频率或计数。已知项集的支持度计数，则规则a＝》b的支持度和置信度可以从所有事务计数、项集a和项集a∩b的支持度计数推出：
[0103]
[0104][0105]
也就是说，一旦得到所有事务个数，a、b和a∩b的支持度计数，就可以导出对应的关联规则a＝》b和b＝》a，并可以检查该规则是否是强关联规则。
[0106]
通过apriopi算法，可以找出存在于事务数据集中的最大的频繁项集，再利用得到的最大频繁项集与预先设定的最小置信度阈值生成强关联规则。
[0107]
本实例中，使用支持度参数s和置信度参数c的默认值，表1示例中的数据经过计算和分析处理，得到了最大4项频繁集{a、d、e、g}和{b、e、f、i}。
[0108]
s102：根据所述频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据。
[0109]
图3是本发明实施例中s102的流程图。如图3所示，s102包括：
[0110]
s301：根据所述频繁项集中的交易数据的标签数据确定所述频繁项集中各交易数据的交易风险数据。
[0111]
其中，所述标签数据包括生产问题标签、账务标签和操作体验标签。所述交易数据包括：交易代码、日志标识和柜员号。
[0112]
一实施例中，所述生产数据测试方法还包括：
[0113]
根据所述交易代码确定所述生产问题标签，根据所述日志标识确定所述账务标签，根据所述柜员号确定所述操作体验标签。
[0114]
具体实施时，将建模数据源只保留生产交易代码、日志标识、柜员号。其中，由结算类日志获取的交易代码“日志标识”为1(涉及账务)，由管理类日志获取的交易代码“日志标识”为2(不涉及账务)，“柜员号”大于1000的，为银行工作人员使用(不涉及客户操作和体验)，“柜员号”小于1000的，为客户通过手机银行、网上银行、atm、存取款机cdm、电话银行call center、自助终端等等各种渠道使用(涉及客户操作和体验)。
[0115]
一实施例中，s301包括：
[0116]
根据所述交易数据的所述生产问题标签、生产问题标签系数、所述账务标签、账务标签系数、所述操作体验标签和操作体验标签系数得到确定所述频繁项集中各交易数据的交易风险数据。
[0117]
在使用深度学习模型训练时，需要对大量的数据进行人工标注，实际场景下，单个实例往往存在多个标签，手动的标注多个标签比标注单个标签更为复杂。多标签学习算法普遍考虑了训练数据中标签间的关系，而实际样本中还存在着未被充分利用的特征信息，一个标签往往可以由一类特征组合而成，多标签数据集中各个类标签的特征，往往与训练数据的某个特征存在着密切关系，实例中的特征隐藏着对标签表达能力的信息。
[0118]
假设输入数据x和y，x＝{x
i1
，x
i2
，......x
in
}，y＝{y1,y2,......yc}其中n代表实例的个数，c表示标签的数量。xi＝{x
i1
，x
i2
，......，x
in
}表示第i个实例的特征向量，yi＝{y
i1
，y
i2
，......，y
ic
}表示实例中可能存在的标签的集合。可以充分挖掘标签与特征之间的特殊关系来进行一些多标签标注。
[0119]
表2
[0120][0121]
表2是本发明实施例中交易风险数据的示意表。如表2所示，在本发明中，数据x是“交易代码”，对应表2的第二列数据，数据y是三个标签，对应表2的第三、四、五列数据。标签的数量c＝3，三个标签分别是：“发生过几次生产问题”、“是否涉及账务”、“是否涉及客户操作和体验”。
[0122]
其中，“发生过几次生产问题”，是以某交易(交易代码)在生产问题库中登记信息为依据，没有登记过、则其值为0(未发生过生产问题)，发生过几次生产问题、则其值为几；
[0123]“是否涉及账务”，是以“日志标识”为依据，日志标识为“结算类”则为1(涉及账务)，日志标识为“管理类”则为0(不涉及账务)；
[0124]“是否涉及客户操作和体验”，是以“柜员号”为依据，柜员号小于1000号则为1(涉及)、否则为0(不涉及)。
[0125]
本发明使用如上三个标签，对生产交易进行多标签标注和统计，作为组团交易风险系数计算的依据。
[0126]
生产交易的多标签标注结果往往对应不同的风险等级，这里设置加权系数λ进行区分。比如，本实例中，将三个标签“发生过几次生产问题”、“是否涉及账务”、“是否涉及客户操作和体验”的加权系数λ1、λ2、λ3可以分别设置为3、2、1。
[0127]
一实施例中，可以通过确定交易数据的交易风险数据，其中yj代表第j个标签，λj为对应的权重。
[0128]
s302：根据所述频繁项集中各交易数据的交易风险数据确定频繁项集的组团交易风险数据。
[0129]
其中，频繁项集的组团交易风险数据为频繁项集中各交易数据的交易风险数据的和。
[0130]
s103：根据版本变动对应的交易和所述频繁项集确定待测试交易。
[0131]
图4是本发明实施例中s103的流程图。如图4所示，s103包括：
[0132]
s401：根据版本变动对应的交易和所述频繁项集确定关联交易。
[0133]
s402：根据所述版本变动对应的交易和所述关联交易确定所述待测试交易。
[0134]
s104：根据所述待测试交易对应的组团交易风险数据确定测试顺序，按照所述测试顺序对所述待测试交易进行测试。
[0135]
具体实施时，可以将组团交易风险数据由高到低进行排序，据此结果对各风险数据依次进行针对性测试和验证。
[0136]
以前面获得的两个频繁项集(组团交易)为例，结合表2中取值，计算组团交易{a、d、e、g}和{b、e、f、i}的“风险系数(fxxs)”分别如下：
[0137]
fxxs-1＝fxxs-a fxxs-d fxxs-e fxxs-g
[0138]
＝(3
×
0 2
×
0 1
×
1) (3
×
0 2
×
1 1
×
1) (3
×
1 2
×
1 1
×
0) (3
×
0 2
×
1 1
×
1)＝1 3 5 3＝12
[0139]
fxxs-2＝fxxs-b fxxs-e fxxs-f fxxs-i
[0140]
＝(3
×
3 2
×
0 1
×
0) (3
×
1 2
×
1 1
×
0) (3
×
2 2
×
1 1
×
0) (3
×
1 2
×
0 1
×
1)＝9 5 8 4＝26
[0141]
比如，版本需求变化修改了对应的程序和交易代码e，那么在重点验证交易e的同时，需要结合生产实际场景中其相关的频繁交易(组团交易)进行重点验证、且根据组团交易的风险系数大小依次安排验证，示例中的fxxs-2大于fxxs-1，因此，优先验证组团交易{b、e、f、i}，以此类推。
[0142]
图1所示的生产数据测试方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的生产数据测试方法及装置根据交易数据构建频繁项集以根据频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据，然后根据版本变动对应的交易和频繁项集确定待测试交易以根据对应的组团交易风险数据确定测试顺序，按照测试顺序对待测试交易进行测试，可以高效完成对生产数据的测试验证，有效提高测试工作质量和效率，为安全生产保驾护航。
[0143]
本发明实施例的具体流程如下：
[0144]
1、采集各账户的交易数据。
[0145]
2、确定所述交易数据的支持度与支持度阈值的比较结果，确定所述交易数据的置信度与置信度阈值的比较结果。
[0146]
3、根据所述交易数据的支持度与支持度阈值的比较结果，以及所述交易数据的置信度与置信度阈值的比较结果构建所述频繁项集。
[0147]
4、根据所述交易代码确定所述生产问题标签，根据所述日志标识确定所述账务标签，根据所述柜员号确定所述操作体验标签。
[0148]
5、根据所述交易数据的所述生产问题标签、生产问题标签系数、所述账务标签、账务标签系数、所述操作体验标签和操作体验标签系数得到确定所述频繁项集中各交易数据的交易风险数据。
[0149]
6、根据所述频繁项集中各交易数据的交易风险数据确定频繁项集的组团交易风险数据。
[0150]
7、根据版本变动对应的交易和所述频繁项集确定关联交易。
[0151]
8、根据所述版本变动对应的交易和所述关联交易确定所述待测试交易。
[0152]
9、根据所述待测试交易对应的组团交易风险数据确定测试顺序，按照所述测试顺序对所述待测试交易进行测试。
[0153]
综上，本发明旨在通过一种利用大数据提升测试质量的方法与装置，对datalake中的海量生产业务数据进行深度挖掘，找到生产业务场景下交易之间的关联关系和频繁项集，在测试中，不仅对当期版本需求涉及的交易变化内容进行针对性的重点验证，而且对其关系密切的相关交易进行组团验证，模拟生产业务的实际场景、让验证工作更加贴近生产实际，同时，对生产交易进行多标签标注和统计，根据其发生过几次生产问题、是否涉及账务、是否涉及客户操作和体验等，对组团交易进行风险加权排序，根据组团交易的风险优先级依次进行针对性验证，从而挖掘业务行为之间的潜在关系，暴露出测试上是否对上下游联动交易进行测试覆盖，而根据风险优先级依次进行验证，也让测试工作更有针对性、更高效。避免因测试环境中，未能完全模拟覆盖生产系统的实际业务场景，未能充分发现版本存在的bug，而引发的相关生产问题发生。
[0154]
本发明通过识别生产交易数据之间的潜在关系，模拟实际生产场景的客户业务行为和习惯，在进行需求对应交易程序重点验证的同时，对其相关联的频繁交易(组团交易)进行重点验证、且根据组团交易的风险系数大小依次安排验证，更有针对性、更高效，可以在测试验证环节覆盖到需求对应交易及其所有的关联交易。避免版本需求对应交易程序改了，但是相关联的交易程序未全部完成同步修改，而带来的相关生产问题发生。深入挖掘生产数据潜能，让数据说话，彰显数据背后的真实含义，用生产数据来驱动和指导测试工作，有效提高测试工作质量和效率，为安全生产保驾护航。
[0155]
基于同一发明构思，本发明实施例还提供了一种生产数据测试装置，由于该装置解决问题的原理与生产数据测试方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
[0156]
图5是本发明实施例中生产数据测试装置的结构框图。如图5所示，生产数据测试装置包括：
[0157]
频繁项集构建模块，用于采集各账户的交易数据，根据所述交易数据构建频繁项集；
[0158]
组团交易风险数据模块，用于根据所述频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据；
[0159]
待测试交易模块，用于根据版本变动对应的交易和所述频繁项集确定待测试交易；
[0160]
测试模块，用于根据所述待测试交易对应的组团交易风险数据确定测试顺序，按照所述测试顺序对所述待测试交易进行测试。
[0161]
在其中一种实施例中，频繁项集构建模块具体用于：
[0162]
根据所述交易数据的支持度和置信度构建所述频繁项集。
[0163]
在其中一种实施例中，频繁项集构建模块包括：
[0164]
支持度比较结果单元，用于确定所述交易数据的支持度与支持度阈值的比较结果；
[0165]
置信度比较结果单元，用于确定所述交易数据的置信度与置信度阈值的比较结
果；
[0166]
频繁项集构建单元，用于根据所述交易数据的支持度与支持度阈值的比较结果，以及所述交易数据的置信度与置信度阈值的比较结果构建所述频繁项集。
[0167]
在其中一种实施例中，组团交易风险数据模块包括：
[0168]
交易风险数据单元，用于根据所述频繁项集中的交易数据的标签数据确定所述频繁项集中各交易数据的交易风险数据；
[0169]
组团交易风险数据单元，用于根据所述频繁项集中各交易数据的交易风险数据确定频繁项集的组团交易风险数据。
[0170]
所述标签数据包括生产问题标签、账务标签和操作体验标签；
[0171]
交易风险数据单元具体用于：
[0172]
根据所述交易数据的所述生产问题标签、生产问题标签系数、所述账务标签、账务标签系数、所述操作体验标签和操作体验标签系数得到确定所述频繁项集中各交易数据的交易风险数据。
[0173]
在其中一种实施例中，所述交易数据包括：交易代码、日志标识和柜员号；
[0174]
所述生产数据测试装置还包括：
[0175]
标签模块，用于根据所述交易代码确定所述生产问题标签，根据所述日志标识确定所述账务标签，根据所述柜员号确定所述操作体验标签。
[0176]
在其中一种实施例中，待测试交易模块包括：
[0177]
关联交易单元，用于根据版本变动对应的交易和所述频繁项集确定关联交易；
[0178]
待测试交易单元，用于根据所述版本变动对应的交易和所述关联交易确定所述待测试交易。
[0179]
图6是本发明另一实施例中生产数据测试装置的结构框图。如图6所示，在实际应用中，生产数据测试装置包括：生产数据入湖处理模块1，频繁项集生成处理模块2，多标签标注处理模块3，版本需求匹配交易代码处理模块4，风险优先级生成处理模块5。
[0180]
其中，生产数据入湖处理模块1与频繁项集生成处理模块2和多标签标注处理模块3相连，而频繁项集生成处理模块2、多标签标注处理模块3和版本需求匹配交易代码处理模块4，作为风险优先级生成处理模块5的三个输入，都与后者相连。
[0181]
生产数据入湖处理：大型银行生产系统，包括生产主机系统和各开放平台系统，两大类系统处理的生产交易数据，分别进行入湖处理。由于主机的码制是ebcdic码，因此，主机下传的数据需要经过“译码拆分”后，再进行入湖处理，两大类系统数据组成的datalake数据，即为全量的生产交易数据。对datalake数据进行数据清洗和转换，可以建模识别的建模数据源，为数据挖掘分析准备好数据。
[0182]
频繁项集生成处理：以客户唯一标识(客户id)、客户账号进行属性构造，获取一段时间内(比如2个小时，或者1天、一周、一个月，根据需要设置)的生产交易信息，利用apriori算法挖掘生产交易之间的潜在关系，生成生产交易频繁项集，得到组团交易。
[0183]
多标签标注处理：以生产交易代码、日志标识进行属性构造，根据发生过几次生产问题、是否涉及账务、是否涉及客户操作和体验等，对生产交易进行多标签标注和统计，做为组团交易进行风险系数计算的依据。
[0184]
版本需求匹配交易代码：实现版本需求变化，需要修改对应的程序，再根据pct(交
易定义表)中交易代码与程序之间的对照关系，匹配得到需求变化内容与其对应交易代码之间的对照关系。
[0185]
风险优先级生成处理：根据其三个输入项的输入信息，对当期版本需求变化对应的交易代码，所涉及的各组团交易分别进行风险系数加权计算，根据计算结果，将各组团交易进行排序，风险系数由高到低，据此，对各组团交易依次进行针对性验证。
[0186]
图7是本发明一实施例中生产数据入湖处理模块的结构框图。图8是本发明一实施例中生产数据入湖处理模块的工作流程图。如图7-图8所示，生产数据入湖处理模块包括四个单元，分别是生产主机系统处理单元11，各开放平台系统处理单元12，入湖处理单元13，数据清洗与转换单元14。其中：
[0187]
生产主机系统处理单元11：生产主机系统作为业务处理的主力军，运行稳定、速度快、处理能力强，目前仍然承担大部分生产业务、重点业务的处理工作。由于主机的码制是ebcdic码，因此，其下传数据需要经过“译码拆分”后再给下游继续处理。
[0188]
开放平台系统处理单元12：各开放平台系统主要承担各类特色业务、特殊任务的处理工作，随着分布式的持续推广和应用，开放平台系统也承担了越来越多的各类生产业务处理工作。
[0189]
入湖处理单元13：大型银行生产系统，包括生产主机系统和各开放平台系统，两类系统处理的生产交易数据，分别进行入湖处理，形成的datalake数据，组成了全量的生产交易数据。
[0190]
数据清洗与转换单元14：对datalake数据进行清洗和转换，处理不同类型的数据，将不规范的数据如缺失、异常、重复和非法都清洗出去，确保数据的准确性、独立性，将清洗后数据进行转换，形成可以建模识别的建模数据源。
[0191]
图9是本发明一实施例中频繁项集生成处理模块的结构框图。如图9所示，频繁项集生成处理模块包括四个单元，分别是属性构建单元21，数据筛选单元22，参数设置单元23，频繁项集生成单元24。其中：
[0192]
属性构建单元21：用来将建模数据源的数据，按照客户唯一标识(客户id)、客户账号进行属性构造。
[0193]
数据筛选单元22：获取一段时间内(比如2个小时，或者1天、一周、一个月，根据需要设置)的生产交易代码信息，将建模数据源只保留客户id、客户账号和交易代码。
[0194]
参数设置单元23：设置apriori算法的支持度参数s和置信度参数c，用来控制当前应用集可以产生的频繁项个数和关联规则的准确程度。默认s＝0.4，即数据集中包含项集的记录数占整个数据集的所占比例大于等于0.4；默认c＝0.6，即项集的记录数占每个项记录数的所占比例大于等于0.6。
[0195]
频繁项集生成单元24：包括频繁项集构建模块，以客户唯一标识(客户id)、客户账号进行属性构造，利用apriori算法挖掘生产交易之间的潜在关系，生成生产交易频繁项集。
[0196]
图10是本发明一实施例中多标签标注处理模块的结构框图。如图10所示，多标签标注处理模块包括三个单元，分别是属性构建单元31，数据筛选单元32，多标签标注和统计单元33。其中：
[0197]
属性构建单元31：用来将建模数据源的数据，按照生产交易代码、日志标识进行属
性构造。
[0198]
数据筛选单元32：将建模数据源只保留生产交易代码、日志标识、柜员号。其中，由结算类日志获取的交易代码“日志标识”为1(涉及账务)，由管理类日志获取的交易代码“日志标识”为2(不涉及账务)，“柜员号”大于1000的，为银行工作人员使用(不涉及客户操作和体验)，“柜员号”小于1000的，为客户通过手机银行、网上银行、atm、存取款机cdm、电话银行call center、自助终端等等各种渠道使用(涉及客户操作和体验)。
[0199]
多标签标注和统计单元33：包括标签模块，在使用深度学习模型训练时，需要对大量的数据进行人工标注，实际场景下，单个实例往往存在多个标签，手动的标注多个标签比标注单个标签更为复杂。多标签学习算法普遍考虑了训练数据中标签间的关系，而实际样本中还存在着未被充分利用的特征信息，一个标签往往可以由一类特征组合而成，多标签数据集中各个类标签的特征，往往与训练数据的某个特征存在着密切关系，实例中的特征隐藏着对标签表达能力的信息。
[0200]
图11是本发明一实施例中版本需求匹配交易代码模块的结构框图。如图11所示，版本需求匹配交易代码模块包括两个单元，分别是pct设置单元41，版本需求匹配交易代码单元42。其中：
[0201]
pct设置单元41：pct是交易定义表，主要内容是交易(代码)与程序之间的对应关系；
[0202]
版本需求匹配交易代码单元42：包括待测试交易模块，版本需求变化需要修改对应的程序，再根据pct中交易代码与程序之间的对应关系，得到需求变化内容与其对应交易代码之间的对应关系。
[0203]
图12是本发明一实施例中风险优先级生成处理模块的结构框图。如图12所示，风险优先级生成处理模块包括三个单元，分别是加权系数设置单元51，生产交易风险系数生成单元52，组团交易风险优先级生成单元53。其中：
[0204]
加权系数设置单元51：生产交易的多标签标注结果，往往对应不同的风险等级，这里设置加权系数λ进行区分。
[0205]
生产交易风险系数生成单元52：生产交易风险系数的值为交易的风险加权系数与其对应标签取值乘积的和。
[0206]
组团交易风险优先级生成单元53：包括组团交易风险数据模块和测试模块，根据模块4获取了当期版本需求变化对应修改的程序和交易(代码)，根据模块2获取了实际场景的生产交易频繁项集与关联规则，两者组合得到当前版本修改交易涉及的频繁项集即“组团交易”，将“组团交易”中各交易的“风险系数”相加，得到此“组团交易”的“风险系数”。将各“组团交易”的“风险系数”进行排序，风险系数由高到低，据此结果，对各“风险系数”依次进行针对性测试和验证。
[0207]
综上，本发明实施例的生产数据测试装置根据交易数据构建频繁项集以根据频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据，然后根据版本变动对应的交易和频繁项集确定待测试交易以根据对应的组团交易风险数据确定测试顺序，按照测试顺序对待测试交易进行测试，可以高效完成对生产数据的测试验证，有效提高测试工作质量和效率，为安全生产保驾护航。
[0208]
图13为本技术实施例的电子设备9600的系统构成的示意框图。如图13所示，该电
子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图13是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
[0209]
一实施例中，生产数据测试方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
[0210]
采集各账户的交易数据，根据所述交易数据构建频繁项集；
[0211]
根据所述频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据；
[0212]
根据版本变动对应的交易和所述频繁项集确定待测试交易；
[0213]
根据所述待测试交易对应的组团交易风险数据确定测试顺序，按照所述测试顺序对所述待测试交易进行测试。
[0214]
从上述描述可知，本技术提供的生产数据测试方法根据交易数据构建频繁项集以根据频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据，然后根据版本变动对应的交易和频繁项集确定待测试交易以根据对应的组团交易风险数据确定测试顺序，按照测试顺序对待测试交易进行测试，可以高效完成对生产数据的测试验证，有效提高测试工作质量和效率，为安全生产保驾护航。
[0215]
在另一个实施方式中，生产数据测试装置可以与中央处理器9100分开配置，例如可以将生产数据测试装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现生产数据测试方法的功能。
[0216]
如图13所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图13中所示的所有部件；此外，电子设备9600还可以包括图13中没有示出的部件，可以参考现有技术。
[0217]
如图13所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
[0218]
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
[0219]
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0220]
该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲器9141(有时被称为缓冲存储器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
[0221]
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如
联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0222]
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0223]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
[0224]
本发明实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的生产数据测试方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的生产数据测试方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0225]
采集各账户的交易数据，根据所述交易数据构建频繁项集；
[0226]
根据所述频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据；
[0227]
根据版本变动对应的交易和所述频繁项集确定待测试交易；
[0228]
根据所述待测试交易对应的组团交易风险数据确定测试顺序，按照所述测试顺序对所述待测试交易进行测试。
[0229]
综上，本发明实施例的计算机可读存储介质根据交易数据构建频繁项集以根据频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据，然后根据版本变动对应的交易和频繁项集确定待测试交易以根据对应的组团交易风险数据确定测试顺序，按照测试顺序对待测试交易进行测试，可以高效完成对生产数据的测试验证，有效提高测试工作质量和效率，为安全生产保驾护航。
[0230]
本发明实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的生产数据测试方法中全部步骤的一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述实施例中的生产数据测试方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0231]
采集各账户的交易数据，根据所述交易数据构建频繁项集；
[0232]
根据所述频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据；
[0233]
根据版本变动对应的交易和所述频繁项集确定待测试交易；
[0234]
根据所述待测试交易对应的组团交易风险数据确定测试顺序，按照所述测试顺序对所述待测试交易进行测试。
[0235]
综上，本发明实施例的计算机程序产品根据交易数据构建频繁项集以根据频繁项集中的交易数据的标签数据确定频繁项集的组团交易风险数据，然后根据版本变动对应的交易和频繁项集确定待测试交易以根据对应的组团交易风险数据确定测试顺序，按照测试
顺序对待测试交易进行测试，可以高效完成对生产数据的测试验证，有效提高测试工作质量和效率，为安全生产保驾护航。
[0236]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件 程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0237]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0238]
虽然本技术提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
[0239]
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
[0240]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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。
[0241]
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0242]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0243]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0244]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0245]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0246]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0247]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0248]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0249]
本说明书中的各实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0250]
本说明书中的各实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的
部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0251]
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。