1.一种计算机网络应用程序测试过程监测的方法，其特征在于，包括以下步骤：S1，初始化测试环境：基于虚拟化技术创建隔离的测试环境，确保与实际运行环境的高一致性，并支持动态调整环境参数；

S2，多源数据融合：在测试过程中，集成多种数据源，包括网络流量、系统日志、用户行为和性能指标，通过边缘计算节点实现实时数据采集与初步处理；

S3，异常检测：采用改进的深度学习算法对实时数据进行分析，识别出潜在的异常行为和性能瓶颈，并利用自适应模型更新机制来检测；

其中，所述采用改进的深度学习算法对实时数据进行分析，识别出潜在的异常行为和性能瓶颈具体包括：S31，数据预处理：对实时数据进行归一化处理，确保数据在同一量纲上，采用滑动窗口技术，将实时数据流分割成若干时间窗口，提取每个窗口内的数据特征；

S32，特征提取：利用卷积神经网络提取数据的局部特征，采用长短期记忆网络捕捉数据的时间依赖性；

S33，模型训练：将提取的特征输入到深度神经网络中进行分类和回归分析，识别正常行为与异常行为，采用改进的损失函数，增加异常行为的惩罚项；

S34，模型优化：使用自适应学习率优化算法对深度神经网络模型进行训练；

S35，实时数据分析：将边缘计算节点采集的数据进行预处理后实时输入到深度神经网络模型中，进行在线分析；

S36：异常行为识别：深度神经网络模型对输入的数据进行分类和回归，识别异常行为和性能瓶颈，通过设置异常阈值，当模型输出的异常评分超过阈值时，标记为异常行为；

S37，性能瓶颈检测：对性能指标数据进行回归分析，识别出系统性能的瓶颈点；

S4，智能反馈：通过可视化工具将检测结果展示给测试人员，同时支持自动生成报告和提醒；

S5，动态资源调度：根据智能反馈中的检测结果，自动调整测试环境中的计算资源和网络资源。

2.根据权利要求1所述的计算机网络应用程序测试过程监测的方法，其特征在于，所述初始化测试环境具体包括：S11，选择虚拟化平台：选择Hyper‑V虚拟化平台创建隔离的测试环境；

S12,创建虚拟环境模板：创建与实际运行环境一致的操作系统镜像和应用程序镜像；

使用Hyper‑V管理器将操作系统镜像和应用程序镜像保存为镜像模板；配置网络环境，包括IP地址、子网掩码和网关；

S13，部署虚拟环境：使用Hyper‑V管理器和预先创建的镜像模板，部署虚拟机，根据测试需求，创建所需数量的虚拟机，分配计算资源给每个虚拟机；使用Hyper‑V的动态内存管理功能，根据需求自动调整虚拟机的内存分配；

S14，网络隔离：创建独立的虚拟网络，使用Hyper‑V虚拟交换机管理器配置虚拟网络，创建内部、外部或专用虚拟交换机，并配置防火墙规则和访问控制策略，使用Hyper‑V的快照功能创建环境快照，保护虚拟环境的完整性和安全性；

S15，动态调整环境参数：使用Windows PowerShell和Hyper‑V模块，实现虚拟环境的自动化部署和管理，编写PowerShell脚本，动态调整虚拟机的配置，以应对不同的测试需求，实时监控虚拟环境的运行状态，使用Hyper‑V性能监视器和资源监视器收集性能数据和资源使用情况，根据监控数据，自动或手动调整环境参数；

S16，环境验证：定期对虚拟环境进行一致性检查；使用配置管理工具Chef与PowerShell DSC结合，实现环境的一致性管理和自动化修复。

3.根据权利要求1所述的一种计算机网络应用程序测试过程监测的方法，其特征在于，所述S2中在测试过程中，集成多种数据源，具体包括：S21，网络流量数据：使用Hyper‑V自带的网络监控功能，捕获网络流量数据，配置监控策略，确保捕获的数据涵盖所有测试用的网络接口和协议；

S22，系统日志数据：使用Windows Event Log收集操作系统和应用程序的日志，配置事件日志的收集范围，包括系统日志、安全日志和应用程序日志，将日志数据存储在集中存储位置；

S23，用户行为数据：部署用户行为分析工具，收集用户在应用程序中的操作和交互数据，收集的数据包括用户点击、页面访问、会话时长；

S24,性能指标数据：使用Prometheus性能监控工具，监控系统资源使用情况和应用程序性能，配置监控项，包括CPU使用率、内存占用、磁盘I/O以及网络延迟。

4.根据权利要求3所述的计算机网络应用程序测试过程监测的方法，其特征在于，所述S2中通过边缘计算节点实现实时数据采集与初步处理具体包括：S25，边缘计算节点的部署：在测试环境中，选择靠近数据源的物理或虚拟节点作为边缘计算节点，安装和配置AWS Greengrass边缘计算平台，在每个数据源上部署数据采集代理，数据采集代理负责实时收集和传输数据到边缘计算节点；

使用加密技术保护数据传输；

S26，实时数据采集与初步处理：配置边缘计算节点上的数据采集模块，接收来自数据源的数据，使用HTTP协议适配器，统一数据传输协议；

在边缘计算节点上实现数据过滤和预处理功能，去除冗余和无关的数据，减小数据量，采用Apache Kafka Streams流处理框架对实时数据进行预处理，包括数据清洗、格式转换和聚合计算；

将处理后的数据临时存储在边缘计算节点的SQLite本地数据库；

S27，数据监控与管理：配置实时监控面板，使用Grafana可视化工具，展示数据的实时状态和趋势，设置报警规则，监控指标超过预设阈值时，及时发出报警通知；

定期将边缘计算节点上的数据同步到中央存储平台。

5.根据权利要求1所述的计算机网络应用程序测试过程监测的方法，其特征在于，所述S3中并利用自适应模型更新机制来检测具体包括：在线学习：利用实时数据流对深度神经网络模型进行增量训练，逐步更新深度神经网络模型参数，适应数据的动态变化；

模型反馈：将异常检测结果和性能分析报告反馈给测试人员，获取人工标注和反馈信息，利用反馈信息对深度神经网络模型进行微调，修正深度神经网络模型预测误差；

定期更新：定期对深度神经网络模型进行重新训练，利用最新的数据进行全量训练，更新深度神经网络模型权重和结构；

模型评估：通过持续监控深度神经网络模型的检测准确率、召回率和F1值，评估深度神经网络模型的表现，根据评估结果，动态调整深度神经网络模型结构和参数。

6.根据权利要求5所述的计算机网络应用程序测试过程监测的方法，其特征在于，所述智能反馈具体包括：S41，选择和配置可视化工具：使用Kibana可视化工具，提供图表和数据展示功能，将异常检测结果数据存储在Elasticsearch数据库中，Kibana可视化工具从数据库中读取数据；

S42，创建可视化仪表板：创建一个仪表板，展示不同类型的检测结果，包括网络流量异常、系统日志错误、用户行为异常和性能瓶颈；

S43，设置告警和阈值：配置告警规则，检测结果超过预设阈值时，自动触发告警；

S44，自动生成报告和提醒：使用Kibana可视化工具的报告生成功能，自动创建定期检测报告，配置Jenkins自动化工具定期生成和分发报告，将报告发送给测试人员和管理人员，配置实时提醒，异常检测结果触发告警时，自动向相关人员发送提醒通知，提供多种提醒方式，包括邮件通知、短信提醒和系统弹窗。

7.根据权利要求6所述的计算机网络应用程序测试过程监测的方法，其特征在于，所述动态资源调度具体包括：S51，智能反馈数据分析：接收检测结果数据，包括性能瓶颈、异常行为和资源利用率，对检测结果进行分类和优先级排序，确定需要优化的资源和问题，使用机器学习算法对检测结果进行深入分析，识别资源利用率低下和系统瓶颈的原因；

S52，资源调整策略制定：根据分析结果，制定资源调整策略，包括增加或减少计算资源、调整网络带宽和优先级，确定资源调整的具体参数和目标；

S53，动态资源分配：使用虚拟化平台的动态资源分配功能，根据实时检测结果自动调整虚拟机的计算资源，动态调整CPU和内存分配；

S54，自动调整网络资源：使用网络管理工具监控和调整网络带宽，根据检测结果，动态调整网络带宽分配。

8.根据权利要求7所述的计算机网络应用程序测试过程监测的方法，其特征在于，所述S51中，使用机器学习算法对检测结果进行深入分析，识别资源利用率低下和系统瓶颈的原因，具体包括：S511,数据收集与预处理：收集系统运行数据，包括CPU利用率、内存占用、磁盘I/O、网络带宽和响应时间，收集应用程序日志和错误日志，记录系统异常和错误信息，对收集的数据进行预处理，处理缺失值和异常值，并对数据进行归一化和标准化处理，使得不同指标在同一量纲上；

S512,聚类分析识别资源利用率低下的原因包括以下步骤：

特征选择：选择与资源利用率相关的特征，包括CPU利用率、内存使用率、磁盘I/O和网络流量；

聚类算法：使用K‑means聚类算法对系统性能数据进行聚类分析，识别不同的资源利用模式，计算各个指标的均值和方差，将数据分成K个聚类中心；

K‑means算法步骤：

初始化K个聚类中心；

对每个数据点计算到各个聚类中心的距离，分配到最近的聚类中心；

更新聚类中心为当前聚类中所有数据点的均值；

重复所述K‑means算法步骤，直到聚类中心不再变化或达到最大迭代次数；

K‑means公式： 其中，J是目标函数，K是聚类个数，Ci是第i个聚类，μi是第i个聚类的中心；

结果分析：对聚类结果进行分析，识别资源利用率低下的具体原因，识别不同聚类中心的特征，找出资源利用率低下的模式和原因；

S513,回归分析识别系统瓶颈包括以下步骤：

特征选择与构建：选择与系统瓶颈相关的特征，包括响应时间、错误率、CPU负载、内存占用、磁盘I/O以及网络延迟；

回归模型训练：采用线性回归算法，构建系统性能预测模型，将系统性能指标作为特征输入，响应时间或错误率作为目标变量，训练回归模型；

线性回归计算为：y＝β0+β1x1+β2x2+…+βnxn，其中，y是目标变量，xi是特征变量，βi是回归系数；

模型评估与选择：使用交叉验证评估模型性能，选择最优的回归模型，通过均方误差评估模型的预测效果，均方误差计算为： 其中，yi是真实值， 是预测值，n是样本数量；

根据模型预测结果，识别系统性能的瓶颈点。

9.一种计算机网络应用程序测试过程监测系统，其特征在于，包括：所述计算机网络应用程序测试过程监测系统用于实现如权利要求1‑8任一项所述的计算机网络应用程序测试过程监测的方法；

虚拟化测试环境模块，基于虚拟化技术创建隔离的测试环境，确保与实际运行环境的一致性，并支持动态调整环境参数；

多源数据融合模块，集成多种数据源，包括网络流量、系统日志、用户行为和性能指标，通过边缘计算节点实现实时数据采集与初步处理；

异常检测模块，所述异常检测模块包括特征提取模块、模型训练和优化模块、实时数据分析模块、异常行为识别模块和性能瓶颈检测模块；采用改进的深度学习算法对实时数据进行分析，识别出潜在的异常行为和性能瓶颈，并利用自适应模型更新机制来检测，异常检测结果直接影响智能反馈的内容和建议；

所述特征提取模块利用卷积神经网络提取数据的局部特征，采用长短期记忆网络捕捉数据的时间依赖性；

所述模型训练和优化模块将提取的特征输入到深度神经网络中进行分类和回归分析，识别正常行为与异常行为，采用改进的损失函数，增加异常行为的惩罚项；并使用自适应学习率优化算法对深度神经网络模型进行训练；

所述实时数据分析模块：将边缘计算节点采集的数据进行预处理后实时输入到深度神经网络模型中，进行在线分析；

所述异常行为识别模块：深度神经网络模型对输入的数据进行分类和回归，识别异常行为和性能瓶颈，通过设置异常阈值，当模型输出的异常评分超过阈值时，标记为异常行为；

所述性能瓶颈检测模块：对性能指标数据进行回归分析，识别出系统性能的瓶颈点；

智能反馈模块，通过可视化工具将检测结果展示给测试人员，同时支持自动生成报告和提醒；

动态资源调度模块，根据智能反馈中的检测结果，自动调整测试环境中的计算资源和网络资源。