16、软件测试的高效实践与策略

软件测试的高效实践与策略

在软件测试领域,存在着诸多挑战和需要解决的问题,如测试结果信息不足、测试自动化的选择与实施、负载测试的开展等。下面将详细介绍相关的测试方法和策略。

可操作的测试结果与缺陷报告

在大多数测试中,一个常见的浪费来源是难以捕获足够的信息来重现观察到的故障。这往往导致“无法重现”的缺陷解决结果,或者出现开发者说“但它在我的机器上运行正常”这样的情况。

MTM(Microsoft Test Manager)通过诊断数据适配器(DDAs)解决了这个问题。DDAs 会收集有价值的信息,从而消除后续重现测试运行的需求。这些信息包括:
- 全屏视频
- 系统信息
- 可用于后续自动化测试的操作记录
- 用于服务器事后调试的 IntelliTrace 日志
- 如果使用了测试实验室,还包括虚拟机映像的快照

测试设置(如图 8 - 8 所示)用于组织哪些 DDAs 开启或关闭,从而决定收集哪些信息。可以为手动测试和自动化测试分别定义设置。由于大多数现代应用程序采用多层架构,测试设置会指定为参与测试的每个机器角色上运行的测试代理启用哪些 DDAs。

当运行测试时,MTM 会将其用户界面(UI)折叠成一个窄面板,并停靠在屏幕边缘,通常将被测应用程序置于右侧。这种布局适用于探索性测试、记录测试或重放先前记录的步骤。

如果手动测试之前已经执行过,MTM 可以重放那些记录的 UI 操作,并快速跳转到更有意义的步骤,此时测试人员可以接管并验证结果,从而节省时间。

当点击 MTM 测试运行器面板上的“创建缺陷”按钮时,测试设置中指定的所有数据都会从测试运行中收集

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值