17、软件开发测试与团队改进实践解析

软件开发测试与团队改进实践解析

软件测试方法与策略

在软件测试中,有多种方法和策略可以确保软件的质量和性能。

性能分析与调优

除了性能监视器计数器提供的信息外,还可以通过性能分析重新运行测试。具体操作是:可以重新运行带有分析功能的测试(或者将测试结果附加到一个 bug 上,让同事打开并使用分析功能重新运行)。这能让我们从应用程序的系统视图切换到代码视图,深入研究在性能下降期间可能涉及的特定方法和调用序列的热点路径。通过“热点路径分析”,性能分析报告可以对实际可疑函数进行排名,从而直接找到可能需要优化的代码。从负载测试到性能分析的这个流程,是确定如何调优应用程序的有效方法,只要系统有足够部分可以承受负载,就可以在任何迭代中使用。

生产逼真测试环境

要将测试环境连接到构建工作流中,这样就能始终在接近生产的环境中测试最新的构建版本。MTM 允许在运行一组测试时选择使用的测试环境,从而确保在适当的配置组合下运行测试。测试环境可以是本地环境,也可以是任何虚拟化或物理环境。

测试配置报告

需要跟踪测试配置并报告已测试的内容,以便识别配置覆盖的差距,并合理安排后续测试的优先级。VS 会跟踪每次测试所使用的配置,一个测试配置由一个或多个变量组成,如操作系统版本、浏览器版本等。由于测试结果存储在数据仓库中,因此很容易跟踪已使用的配置和缺乏良好测试覆盖的配置。通常,每次测试都改变配置是个好主意,这样可以循环遍历不同的配置。因为测试结果总是与测试配置相关联,所以也有信息可以重现任何结果,并且通过这种方式可以提高配置的覆盖率。

基于风险的测试

大多数风险测试是负面测试,

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