随着我国大数据领域的快速发展,针对大数据计算,所产生的计算引擎工具应接不暇,然而测试计算引擎的工具却近乎于没有。故而,本文选定当前主流的计算引擎针对离线和实时两部分进行测试。除此之外,本文首次将机器学习算法应用到测试领域。在得到相应的测试项之后,在离线数据下,分别利用SVM、KNN、改进的KNN对测试项进行分析;在离线与实时情况下,采用SVM、决策树、以及Relief F＿decision Tree算法进行分析测试项,最后,选择最优的模型。本文首先阐述了对计算引擎测试的研究背景的现实意义、研究现状。其次,认真阐述了当前流行的计算引擎的相关理论,介绍了测试计算引擎所涉及的测试数据集技术概述,陈述了测试领域相关的理论,以及对所选定的计算引擎进行测试的测试项理论概述。然后介绍了测试领域的分类标准、分类算法的步骤、SVM算法、K-NN算法、决策树算法。进而,分别从数据来源、数据特征选取两方面介绍了数据集的情况,研究KNN和决策树算法的基本理论和优劣点,分别利用加权值对KNN算法进行改进,引入了加权-K近邻算法,利用Relief F对决策树进行改进,提出了Relief F＿decision Tree算法,分别针对离线引擎测试项数据集和离线、实时引擎测试项数据集做了对比实验,选出了最优的模型。最后,根据前几章的学习,分别实现了离线计算引擎测试和实时计算引擎两个测试工具,并利用自动化测试技术多次执行所设计的测试用例之后,分别针对测试项整理出测试集合,然后适合的模型进行分析,最后展示了系统各个模块的界面。通过实验证明了本文所提出的理论方法是有效并且可行的,所设计的两大测试工具,虽然选定的计算引擎是Spark,但同时也可以对其他的计算引擎进行测试。其次,所做的面向计算引擎领域的测试项分析算法,对从事测试工作,乃至整个测试领域有极大的借鉴作用。