(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210527328.3 (22)申请日 2022.05.16 (71)申请人 宝德计算机系统股份有限公司 地址 518110 广东省深圳市龙华区龙华 街 道清湖社区清湖村宝能科技园7栋16 层 (72)发明人 代舜　李瑞杰　吕腾　陈军民　 林乐　许飞扬　彭木兴　陶雪莲　 莫良伟　宋健　王杰　蔡坤　 (74)专利代理 机构 深圳腾文知识产权代理有限 公司 44680 专利代理师 刘洵 (51)Int.Cl. G06F 11/34(2006.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种服务器压力测试方法、 装置及计算机存 储介质 (57)摘要 本申请公开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。 本申 请方法包括： 向待测服务器发送重启指令， 以使 得待测服务器重启； 获取第一图片及第二图片； 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； 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； 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； 若待测 服务器重启成功， 则将待测服务器的重启次数加 一； 判断待测服务器的重启次数是否达到预设重 启次数； 若重启次数尚未达到预设重启次数， 则 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； 若重启次数达到预设重启次 数， 则确定待测服 务器的压力测试通过。 权利要求书3页 说明书13页 附图4页 CN 114816961 A 2022.07.29 CN 114816961 A 1.一种服 务器压力测试 方法， 其特 征在于， 所述 服务器压力测试 方法包括： 向待测服 务器发送重启指令， 以使得 所述待测服 务器重启； 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； 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； 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； 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； 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； 判断所述待测服 务器的重启次数 是否达到预设重启次数； 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； 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。 2.根据权利要求1所述的服务器压力测试方法， 其特征在于， 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： 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。 3.根据权利要求2所述的服务器压力测试方法， 其特征在， 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： 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。 4.根据权利要求1所述的服务器压力测试方法， 其特征在， 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： 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； 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； 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。 5.根据权利要求4所述的服务器压力测试方法， 其特征在于， 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： 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； 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： 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。权　利　要　求　书 1/3 页 2 CN 114816961 A 26.根据权利要求4所述的服务器压力测试方法， 其特征在于， 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： 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； 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； 判断所述损失值是否大于预设损失值； 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。 7.根据权利要求6所述的服务器压力测试方法， 其特征在于， 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： 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。 8.根据权利要求1至7中任一项所述的服务器压力测试方法， 其特征在于， 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： 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； 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； 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； 获取所述第一视频文件的第一帧率； 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； 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； 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； 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。 9.一种服 务器压力测试装置， 其特 征在于， 所述 服务器压力测试装置包括： 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； 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； 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； 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； 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； 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；权　利　要　求　书 2/3 页 3 CN 114816961 A 3