CN120104978A 一种基于动态模型的测试大数据优化方法及系统 （杭州安泉数智科技有限公司）

(19)国家知识产权局(10)申请公布号CN120104978A(21)申请号202510577973.X(22)申请日2025.05.07(71)申请人杭州安泉数智科技有限公司道丹枫路399号2幢1901-1室谢姝航黄静(74)专利代理机构杭州山泰专利代理事务所(普通合伙)33438专利代理师汤荣花(54)发明名称及系统(57)摘要的测试大数据优化方法及系统。其中，一种基于后的生成器以及判别器，并通过优化后的生成器似度阈值的测试数据；接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及境；基于测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试量问题。詈2接入优化后的生成器以及判别器，并通过所述优化后的生成器以及判别器生成与真实接入用户操作行为模型以及人机交互模型，并通过所述用户操基于所述测试环境以及所述测试数据，通过基于知识图谱的数据质量测试规则库以及获取基于测试场景的真实数据以及随机噪声，并根据深度学习网络建立生成器以及判确定所述生成器与所述判别器之间的目标函数，在所述目标基于所述真实数据以及所述随机噪声对所述目标函数进行求基于所述用户操作行为模型，通过眼动追踪方法和用户行为模拟工具模拟真实用户在基于所述人机交互模型，通过自动化脚本动态调整测试环境中的硬件配置和网络参3获取生产环境数据；根据所述生产环境数据建立人机交互模型，所述人机交互模型包括硬件使用关系模型以及网络使用模型。7.根据权利要求6所述的一种基于动态模型的测试大数据优化方法，其特征在于，所述生产环境数据包括处理器使用率、并发用户数量以及网络流量在不同时段的波动数据，所述根据所述生产环境数据建立人机交互模型，所述人机交互模型包括硬件使用模型以及网根据所述处理器使用率以及所述并发用户数量确定预设时间段内生产环境中处理器使用率随并发用户数量增加的变化趋势；根据所述变化趋势，建立生产环境中处理器数量与用户数量之间的关系模型，所述关系模型为硬件使用模型；根据所述网络流量在不同时段的波动数据，建立网络流量的时间序列模型，所述时间序列模型为所述网络使用模型。8.根据权利要求1所述的一种基于动态模型的测试大数据优化方法，其特征在于，所述基于所述测试环境以及所述测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据之前，包括：获取任务知识、数据之间的关联关系以及数据质量问题信息；将所述任务知识、数据之间的关联关系以及数据质量问题信息构建成知识图谱；当任务发生变化或出现新的数据格式时，对所述知识图谱进行推理和更新，自动生成或调整数据质量测试规则，得到基于知识图谱的数据质量测试规则库。9.根据权利要求8所述的一种基于动态模型的测试大数据优化方法，其特征在于，所述基于所述测试环境以及所述测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据，包括：利用区块链技术记录测试数据的全生命周期，所述全生命周期包括测试数据的采集、当检测所述测试数据存在质量问题时，通过区块链的链式结构进行问题追溯，得到优化后的测试数据。10.一种基于动态模型的测试大数据优化系统，包括：测试数据生成模块，用于接入优化后的生成器以及判别器，并通过所述优化后的生成器以及判别器生成与真实数据之间相似度小于相似度阈值的测试数据；自适应性能测试环境模拟模块，用于接入用户操作行为模型以及人机交互模型，并通过所述用户操作行为模型以及所述人机交互模型动态调整测试环境以匹配生产环境；智能动态数据质量测试模块，用于基于所述测试环境以及所述测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据。4一种基于动态模型的测试大数据优化方法及系统技术领域[0001]本说明书的一个或多个实施例涉及数据测试技术领域，具体涉及一种基于动态模型的测试大数据优化方法及系统。背景技术[0002]随着科技不断发展，当前大数据测试领域常采用DataFactory等大数据生成工具，结合随机数生成等算法，依据软件的业务规则和数据特征生成大规模、多样化的测试数据。然而，该方法生成的数据真实性欠佳，生成的数据与实际业务数据仍存在差距，难以反映系统在真实环境中的表现。而且，随着测试数据量不断增长，数据管理平台可能出现性能瓶外，测试环境与生产环境存在偏差，影响对系统性能的准确评估。同时，现有的性能指标存在局限性，常用的响应时间、吞吐量等指标无法全面准确地衡量一些复杂业务场景和用户体验指标，比如系统的交互流畅性、数据可视化的加载速度等。另外测试规则也具有局限性，通常是基于现有的业务需求和已知的数据问题制定，难以覆盖所有潜在的数据质量风险。因此，亟需一种能够优化测试数据质量、精准评估系统性能、高效保障数据质量的基于动态模型的测试大数据优化方法。发明内容[0003]本说明书实施例提供了一种基于动态模型的测试大数据优化方法及系统，其技术方案如下：第一方面，本说明书实施例提供了一种基于动态模型的测试大数据优化方法，包括：接入优化后的生成器以及判别器，并通过优化后的生成器以及判别器生成与真实数据之间相似度小于相似度阈值的测试数据；接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境；基于测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据。[0004]第二方面，本说明书实施例提供了一种基于动态模型的测试大数据优化系统，包括：测试数据生成模块，用于接入优化后的生成器以及判别器，并通过优化后的生成器以及判别器生成与真实数据之间相似度小于相似度阈值的测试数据；自适应性能测试环境模拟模块，用于接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境；智能动态数据质量测试模块，用于基于测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据。[0005]本说明书一些实施例提供的技术方案带来的有益效果至少包括：本说明书实施例可以通过接入优化后的生成器以及判别器，并通过优化后的生成器以及判别器生成与真实数据之间相似度小于相似度阈值的测试数据，从而为性能和质量5测试提供接近真实任务场景的数据；接着，本说明书实施例还可以接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境，本说明书实施例依据生产环境动态调整性能测试环境，从而为其他模块提供了精准测试环境；另外，本说明书实施例还可以利用测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯。[0006]本说明书实施例不仅可以生成高度逼真的测试数据，提升测试准确性，还能够精准评估系统性能，快速定位数据质量问题。本说明书实施例具备优化测试数据质量、精准评估系统性能、高效保障数据质量的功能，适用于各类对大数据处理和分析有高要求的场景，如电商平台大数据分析系统、金融机构数据处理系统等，有效确保大数据系统在复杂任务场景下稳定、可靠且高效地运行，满足不同行业对大数据系统的质量需求。附图说明[0007]为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例中所需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说明书的一些实施例，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。[0008]图1是本说明书提供的一种基于动态模型的测试大数据优化方法的应用场景示意[0009]图2是本说明书提供的一种基于动态模型的测试大数据优化方法的流程示意图。[0010]图3是本说明书提供的生成器与判别器优化过程的流程示意图。[0011]图4是本说明书提供的动态调整测试环境的流程示意图。[0012]图5是本说明书提供的根据生产环境数据建立人机交互模型的流程示意图。[0013]图6是本说明书提供的建立基于知识图谱的数据质量测试规则库的流程示意图。[0014]图7是本说明书提供的通过区块链技术进行问题追溯的流程示意图。[0015]图8是本说明书提供的一种基于动态模型的测试大数据优化系统的结构示意图。[0016]图9为本说明书提供的一种电子设备的结构示意图。具体实施方式[0017]下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他[0019]本申请所涉及的数据，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的采集、使用和处理均遵守相关国家和地区的相关法律法规和标准。[0020]本说明书多个实施例提供的一种基于动态模型的测试大数据优化方法，该一种基于动态模型的测试大数据优化方法的执行主体可以是本发明实施例提供的基于动态模型6的测试大数据优化系统。[0021]本说明书在结合一个或多个实施例对一种基于动态模型的测试大数据优化方法进行详细阐述之前，先介绍该一种基于动态模型的测试大数据优化方法应用的场景。[0022]请参阅图1,图1为本发明实施例所提供的一种基于动态模型的测试大数据优化方法的应用场景示意图。本实施例中，基于动态模型的测试大数据优化系统100可以包括大数据测试优化设备110、用户终端120等。大数据测试优化设备110和用户终端120之间通信连[0023]本实施例中，用户终端120可以为手机、平板电脑者个人电脑(PersonalComputer,PC)等设备等。用户终端120可以将用户操作行为等真实数据上传至大数据测试优化设备110等。[0024]本说明实施例的大数据测试优化设备110可以是单一服务器，也可以是由多个服务器组成的服务器集群，由多个服务器来实现本申请的基于动态模型的测试大数据优化方[0025]本实施例中，大数据测试优化设备110可以接入优化后的生成器以及判别器，并通过优化后的生成器以及判别器生成与真实数据之间相似度小于相似度阈值的测试数据；接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境；基于测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据等。[0026]需要说明的是，图1所示的基于动态模型的测试大数据优化系统的场景示意图，仅仅是一个示例，本发明实施例描述的基于动态模型的测试大数据优化系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着基于动态模型的测试大数据优化系统的演变和新场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。[0027]请参阅图2,图2是本发明实施例提供的一种基于动态模型的测试大数据优化方法的流程示意图。该基于动态模型的测试大数据优化方法可以由图1所示的基于动态模型的测试大数据优化系统100执行。该基于动态模型的测试大数据优化方法至少可以包括以下200、接入优化后的生成器以及判别器，并通过优化后的生成器以及判别器生成与真实数据之间相似度小于相似度阈值的测试数据。[0028]在一些实施例中，请参阅图3,图3是本发明实施例提供的生成器与判别器优化过程的流程示意图。接入优化后的生成器以及判别器之前，包括：2000、获取基于测试场景的真实数据以及随机噪声，并根据深度学习网络建立生成器以及判别器；2010、确定生成器与判别器之间的目标函数；2020、基于真实数据以及随机噪声对目标函数进行求解，得到优化后的生成器以及优化后的判别器。[0029]在本实施例中，测试场景的真实数据为实际的生产环境的数据，用于真实地反映任务场景和用户行为。大数据测试优化设备110可以先向用户终端120发送关于获取真实数据的询问信息，用户终端120接收到询问信息后，在经用户同意上传真实数据后，用户终端7120可以向大数据测试优化设备110发送测试场景的真实数据。本实施例的随机噪声为一个随机向量，其元素可以从一个概率分布(如标准正态分布或均匀分布)中抽取。[0030]在本实施例中，生成器的目标为生成与真实数据类似的数据。本实施例可以通过深度学习网络建立生成器，生成器包括但不限于全连接神经网络、卷积神经网络、循环神经施例可以通过深度学习网络建立判别器，判别器包括但不限于全连接神经网络、卷积神经[0031]本实施例在构建目标函数过程中，目标函数需要满足：当输入至判别器的样本来自真实数据的分布时，判别器的输出值最大；当输入至判别器的样本来自随机噪声的分布时，判别器的输出值最小；当生成器的生成样本输入至判别器时，判别器判定生成样本为真的概率最大。G为生成器，生成器G用于将随机噪声z映射到生成数据G(z),D为判别器，x为真实[0033]本实施例引入生成器和判别器来生成测试数据。例如，在电商平台场景中，本实施例可以先收集大量真实的用户行为数据、交易数据和商品数据，将其作为训练集。生成器学习真实数据的分布和特征，判别器则区分生成数据与真实数据。通过生成器以及判别器之间的对抗训练，生成更接近真实任务场景的测试数据。例如在生成用户购买行为数据时，本实施例不仅能模拟出不同用户的购买时间、购买商品种类和数量，还能根据用户的消费层次和偏好，生成符合其购买逻辑的行为序列。[0034]在本实施例中，当生成用户购买行为数据时，为了更真实地模拟真实用户的行为，除了考虑不同用户的购买时间、购买商品种类和数量，以及用户的消费层次和偏好外，本实施例还可以引入更多表征用户的辅助数据生成中间变量，包括但不限于用户的发薪日、家更真实的用户行为数据。[0035]例如，本实施例可以将发薪日作为用户的辅助数据。由于不同用户的发薪日存在差异，这会直接影响其消费能力和购买时机。本实施例经过用户同意后可以通过收集大量用户的发薪日数据，分析其分布规律，构建发薪日模型，从而通过发薪日模型来生成测试数据中的发薪日数据。[0036]再如，家庭成员数量和结构对用户购买行为有重要影响。有小孩的家庭，在母婴用品、教育产品等方面的购买需求会明显增加；有老人的家庭，则可能更关注保健品、医疗用品等。本实施例可以根据用户的家庭结构信息，模拟不同的购买场景。比如，有年幼孩子的可以定期购买降压药、血糖仪等保健和医疗用品。[0037]再如，用户的社交活动也会影响其购买决策。社交活跃的用户，可能会因为参加聚能较低。本实施例可以通过分析用户的社交平台数据、社交活动频率等信息，构建社交状态8模型。对于社交活跃的用户，在临近社交活动时，模拟其购买相关商品的行为；对于社交较少的用户，则减少这类商品的购买模拟。[0038]本实施例在生成模拟的用户购买行为数据后，可以将其与用户已有真实购物数据进行比较，通过计算数据的相似度、偏差率等指标，评估模拟数据的可信度。对于低于可信度阈值的模拟数据，进一步调整模拟参数，优化生成模型。例如，如果模拟数据中用户购买某类商品的频率与真实数据相差较大，分析原因，可能是模拟过程中对用户偏好的把握不够准确，或者没有充分考虑到某些影响因素，本实施例可以针对性地进行调整，重新生成数据，直到获得较高可信度的模拟中间数据。[0039]210、接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境。[0040]在一些实施例中，请参阅图4,图4是本发明实施例提供的动态调整测试环境的流程示意图。接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境，包括：2100、接入用户操作行为模型，用户操作行为模型用于模拟真实用户的操作行为2110、接入人机交互模型，人机交互模型用于预测生产环境资源使用数据和网络2120、基于用户操作行为模型，通过眼动追踪方法和用户行为模拟工具模拟真实用户在使用大数据分析系统时的操作行为；2130、基于人机交互模型，通过自动化脚本动态调整测试环境中的硬件配置和网络参数，使测试环境与生产环境保持一致。[0041]本实施例可以利用云计算技术和智能监控系统，实时检测生产环境的硬件资源使用情况、网络流量和负载变化等参数。在测试环境中，通过自动化脚本动态调整硬件配置(如虚拟机的CPU核心数、内存大小)和网络参数(如网络延迟、带宽),使测试环境与生产环境保持高度一致。同时，本实施例还可以引入眼动追踪技术和用户行为模拟工具，模拟真实用户在使用大数据分析系统时的操作行为，如点击、滑动、输入等，更真实地测试系统在实际使用中的性能。[0042]在一些实施例中，用户操作行为模型之前，包括：获取真实用户的操作行为数据；通过特征提取方法提取真实用户的操作行为数据对应的行为特征；根据行为特征建立用户操作行为模型。[0043]本实施例可以通过对大量真实用户在使用大数据分析系统时的操作进行实际检测和记录，收集真实用户的操作行为数据，获取对应的行为特征，从而建立起用户操作行为模型。例如，本实施例可以分析不同用户在不同页面的点击习惯，统计特定功能模块的滑动操作频率等，以此为依据来驱动用户行为模拟工具进行模拟操作。[0044]在一些实施例中，接入人机交互模型之前，包括：获取生产环境数据；根据生产环境数据建立人机交互模型，人机交互模型包括硬件使用关系模型以及网络使用模型。[0045]本实施例中，建立人机交互模型涉及到的生产环境数据包括但不限于：生产环境的硬件资源使用情况(如CPU使用率、内存占用量)、网络流量(数据传输量、请求数量等)、负载变化(并发用户数、任务处理量等)等；本实施例测试环境涉及到的动态调整参数包括9但不限于：测试环境中需要调整的硬件配置参数(CPU核心数、内存大小)和网络参数(网络[0046]在一些实施例中，请参阅图5,图5是本发明实施例提供的根据生产环境数据建立人机交互模型的流程示意图。生产环境数据包括处理器使用率、并发用户数量以及网络流量在不同时段的波动数据，根据生产环境数据建立人机交互模型，人机交互模型包括硬件2112、根据处理器使用率以及并发用户数量确定预设时间段内生产环境中处理器使用率随并发用户数量增加的变化趋势；2114、根据变化趋势，建立生产环境中处理器数量与用户数量之间的关系模型，关系模型为硬件使用模型；2116、根据网络流量在不同时段的波动数据，建立网络流量的时间序列模型，时间序列模型为网络使用模型。[0047]本实施例可以通过对采集到的生产环境数据进行分析，建立生产环境资源使用和网络状态的模型，即硬件使用关系模型以及网络使用模型。例如，根据一段时间内生产环境中CPU使用率随并发用户数增加的变化趋势，建立两者之间的关系模型；本实施例还可以根据网络流量在不同业务时段的波动情况，建立网络流量的时间序列模型。在测试环境中，自动化脚本根据这些模型以及实时监测到的生产环境数据，计算出需要调整的硬件配置和网络参数值。比如，若生产环境中CPU使用率达到80%,且根据模型计算出此时对应的合理CPU核心数为4核，则自动化脚本将测试环境中虚拟机的CPU核心数调整为4核；若生产环境网络流量增大导致网络延迟达到50ms,根据模型确定此时测试环境的网络延迟也应调整为50ms,本实施例通过自动化脚本进行相应调整。[0048]220、基于测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据。[0049]在一些实施例中，请参阅图6,图6是本发明实施例提供的建立基于知识图谱的数据质量测试规则库的流程示意图。基于测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据之2200、获取任务知识、数据之间的关联关系以及数据质量问题信息；2210、将任务知识、数据之间的关联关系以及数据质量问题信息构建成知识图谱；2220、当任务发生变化或出现新的数据格式时，对知识图谱进行推理和更新，自动生成或调整数据质量测试规则，得到基于知识图谱的数据质量测试规则库。[0050]本实施例可以建立基于知识图谱的数据质量测试规则库，将任务知识、数据之间的关联关系以及常见的数据质量问题构建成知识图谱。当任务发生变化或出现新的数据格式时，本实施例的大数据测试优化设备110可以通过对知识图谱的推理和更新，自动生成或调整数据质量测试规则。例如在电商平台中，当引入新的促销活动导致数据格式和任务逻辑发生变化时，知识图谱能够快速识别相关的数据实体和关系，更新测试规则。[0051]在一些实施例中，请参阅图7,图7是本发明实施例提供的通过区块链技术进行问题追溯的流程示意图。基于测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据，包括：2230、利用区块链技术记录测试数据的全生命周期，全生命周期包括测试数据的2240、当检测测试数据存在质量问题时，通过区块链的链式结构进行问题追溯，得到优化后的测试数据。[0052]本实施例在数据问题追溯方面，可以利用区块链技术记录数据的全生命周期，包括数据的采集、传输、存储和处理过程等，每个环节的操作和数据变化记录于区块链上，当检测到出现数据质量问题时，本实施例可以通过区块链的链式结构快速准确地追溯到问题的根源。[0053]本说明书实施例可以通过接入优化后的生成器以及判别器，并通过优化后的生成器以及判别器生成与真实数据之间相似度小于相似度阈值的测试数据，从而为性能和质量测试提供接近真实任务场景的数据；接着，本说明书实施例还可以接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境，本说明书实施例依据生产环境动态调整性能测试环境，从而为其他模块提供了精准测试环境；另外，本说明书实施例还可以利用测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯。[0054]本说明书实施例不仅可以生成高度逼真的测试数据，提升测试准确性，还能够精准评估系统性能，快速定位数据质量问题。本说明书实施例具备优化测试数据质量、精准评估系统性能、高效保障数据质量的功能，适用于各类对大数据处理和分析有高要求的场景，如电商平台大数据分析系统、金融机构数据处理系统等，有效确保大数据系统在复杂任务场景下稳定、可靠且高效地运行，满足不同行业对大数据系统的质量需求。[0055]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。[0056]请参阅图8,图8为本说明书实施例提供的一种基于动态模型的测试大数据优化系统的结构示意图。[0057]如图8所示，该基于动态模型的测试大数据优化系统至少可以包括测试数据生成模块800、自适应性能测试环境模拟模块810以及智能动态数据质量测试模块820,其中：测试数据生成模块800,用于接入优化后的生成器以及判别器，并通过优化后的生成器以及判别器生成与真实数据之间相似度小于相似度阈值的测试数据；自适应性能测试环境模拟模块810,用于接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境；智能动态数据质量测试模块820,用于基于测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯，得到优化后的测试数据。[0058]在一些实施例中，大数据测试优化系统还包括模型优化模块，模型优化模块用于：获取基于测试场景的真实数据以及随机噪声，并根据深度学习网络建立生成器以及判别器；确定生成器与判别器之间的目标函数，在目标函数中，当输入至判别器的样本来自真实接入人机交互模型，人机交互模型用于预测生产环境资源使用数据据处理器使用率以及并发用户数量确定预设时间段内生产环境中处理器使用率随并发用关联关系以及数据质量问题信息构建成知识图谱；当任务发生变化或出现新的数据格式为性能和质量测试提供接近真实任务场景的数据；接着，本说明书实施例还可以接入用户操作行为模型以及人机交互模型，并通过用户操作行为模型以及人机交互模型动态调整测试环境以匹配生产环境，本说明书实施例依据生产环境动态调整性能测试环境，从而为其他模块提供了精准测试环境；另外，本说明书实施例还可以利用测试环境以及测试数据，通过基于知识图谱的数据质量测试规则库以及区块链技术进行数据质量检测和问题追溯。[0067]本说明书实施例不仅可以生成高度逼真的测试数据，提升测试准确性，还能够精准评估系统性能，快速定位数据质量问题。本说明书实施例具备优化测试数据质量、精准评估系统性能、高效保障数据质量的功能，适用于各类对大数据处理和分析有高要求的场景，如电商平台大数据分析系统、金融机构数据处理系统等，有效确保大数据系统在复杂任务场景下稳定、可靠且高效地运行，满足不同行业对大数据系统的质量需求。[0068]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相互参见即可，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，对于基于动态模型的测试大数据优化系统实施例而言，由于其基本相似于一种基于动态模型的测试大数据优化方法实施例，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。[0069]请参阅图9示出的本说明书实施例提供的基于动态模型的测试大数据优化系统的一种电子设备的结构示意图。[0070]如图9所示，该电子设备900可以包括：至少一个处理器910、至少一个网络接口940、用户接口930、存储器950以及至少一个通信总线920。[0071]其中，通信总线920可用于实现上述各个组件的连接通信。[0072]其中，用户接口930可以包括按键，可选用户接口还可以包括标准的有线接口、无线接口。模块等。[0074]其中，处理器910可以包括一个或者多个处理核心。处理器910利用各种接口和线路连接整个电子设备900内的各个部分，通过运行或执行存储在存储器950内的指令、程序、代码集或指令集，以及调用存储在存储器950内的数据，执行电子设备900的各种功能和处910可集成CPU以及GPU等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制。[0075]其中，存储器950可以包括RAM,也可以包括ROM。可选的，该存储器950包括非瞬时包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器950可选的还可以是至少一个位于远离前述处理器910的存储装置。作为一种计算机存储介质的存储器950中可以包括操作系统、通信模块、用户接口模块以及基于动态模型的测试大数据优化应用程序。处理器910可以用于调用存储器950中关于大数据测试优化系统的存储的基于动态模型的测试大数据优化应用程序，并执行前述实施例中提及的关于基于动态模型的测试大数据优化方法中的步骤。[0076]本说明书实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述图2～图7所示实施例中的一个或多个的步骤。上述电子设备的各组成模块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，可以存储在计算机可读取存储介质中。[0077]在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本说明书实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储