持续测试成熟度模型

简介: 持续测试成熟度模型

image.png


Level 1 初始

在初始态,测试用例数还是最为关键的度量指标。测试工程师对测试用例设计主要是凭直觉,对测试用例有效性评价比较主观。测试活动主要靠手工测试完成,有少部分测试代码实现的自动化测试,这些自动化测试用例因为没有及时随着伴随系统变更而变更,因此绝大部分是失效状态。每次执行测试用例前,测试工程师都要人工维护测试数据,才能保证测试用例正确执行。

  • 达到Level 1 预期的效率增益:1.3倍

Level 2 敏捷

能够基于风险进行测试,风险覆盖率现在是测试的关键指标。自动化测试聚焦在UI层,但是自动化测试可以通过MBT、UI脚本生成等技术降低自动化测试用例执行的失效比例了。由于测试数据仍旧没有一个全面的TDM(Test Data Mangement),自动化测试仍旧聚焦于新数据对象的验证,对于复杂测试用例管理还是缺失状态。

  • 达到Level 2预期的效率增益:3倍

Level 3 可管理

引入探索测试实践弥补规范化的测试流程无法暴露的缺陷。在自动化测试引入质量保障流程中。如果系统变更以API形式交付,那么API测试就会在发挥质量保障的主导作用。UI自动化测试广泛落地MBT、UI测试脚本自动生成等技术,提高质量效能。自动化测试通过持续集成流水线调用,实现质效合一。

  • 达到Level 3 预期的效率增益:6倍

Level 4 成熟

TDM能够提供自动化测试需要的、连续的、一致的测试数据。 服务虚拟化确保即使依赖组件不稳定或不可用,测试也可以继续进行。 TDM 和服务虚拟化的引入能够支持API测试完成更为复杂的业务逻辑验证,从而实现API层面的E2E的测试,同时可以保障测试用例可以反复有效执行,而不需要维护自动化测试用例和测试数据。 自动化测试可以作为持续交付流水线的一部分反复执行,及时反馈发现的业务风险。

  • 达到Level 5 预期的效率增益:大于10倍

Level 5 卓越

已经建立了全面的测试自动化,在服务虚拟化和测试数据的支持下,可以完成复杂的、有状态业务逻辑模拟。通过度量,持续改进软件测试过程的有效性。测试活动完全集成到持续交付pipeline中。

  • 达到Level 1 预期的效率增益:大于20倍


From:

https://www.amazon.com/Enterprise-Continuous-Testing-Transforming-DevOps/dp/1699022941 


目录
相关文章
|
5月前
|
人工智能 搜索推荐 测试技术
模拟试错(STE)法让7B大模型测试超GPT-4
【2月更文挑战第24天】模拟试错(STE)法让7B大模型测试超GPT-4
128 1
模拟试错(STE)法让7B大模型测试超GPT-4
|
5月前
|
传感器 算法 计算机视觉
基于肤色模型和中值滤波的手部检测算法FPGA实现,包括tb测试文件和MATLAB辅助验证
该内容是关于一个基于肤色模型和中值滤波的手部检测算法的描述,包括算法的运行效果图和所使用的软件版本(matlab2022a, vivado2019.2)。算法分为肤色分割和中值滤波两步,其中肤色模型在YCbCr色彩空间定义,中值滤波用于去除噪声。提供了一段核心程序代码,用于处理图像数据并在FPGA上实现。最终,检测结果输出到"hand.txt"文件。
|
13天前
|
测试技术
谈谈【软件测试的基础知识,基础模型】
谈谈【软件测试的基础知识,基础模型】
21 5
|
18天前
|
敏捷开发 测试技术
开发模型(瀑布、螺旋、scrum) 和 测试模型(V、W)、增量和迭代、敏捷(思想)及敏捷开发 scrum
文章详细介绍了软件开发过程中的不同开发模型(瀑布、螺旋、Scrum)和测试模型(V模型、W模型),以及增量和迭代的概念,最后阐述了敏捷思想及其在敏捷开发(如Scrum)中的应用。
31 0
开发模型(瀑布、螺旋、scrum) 和 测试模型(V、W)、增量和迭代、敏捷(思想)及敏捷开发 scrum
|
15天前
|
API
2024-05-14 最新!OpenAI 新模型 GPT-4 omni 简单测试,4o速度确实非常快!而且很便宜!
2024-05-14 最新!OpenAI 新模型 GPT-4 omni 简单测试,4o速度确实非常快!而且很便宜!
31 0
|
15天前
|
机器学习/深度学习 人工智能 并行计算
StableDiffusion-01本地服务器部署服务 10分钟上手 底显存 中等显存机器 加载模型测试效果 附带安装指令 多显卡 2070Super 8GB*2
StableDiffusion-01本地服务器部署服务 10分钟上手 底显存 中等显存机器 加载模型测试效果 附带安装指令 多显卡 2070Super 8GB*2
14 0
|
1月前
|
人工智能 测试技术 PyTorch
AI计算机视觉笔记二十四:YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP(You Only Look Once for Panoptic Driving Perception)的过程,包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布,可在Jetson TX2上达到23FPS,实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤,并解决了ONNX转换过程中的问题。
|
2月前
|
机器学习/深度学习 人工智能
高于临床测试3倍准确率!剑桥大学开发AI模型,提前6年预测阿尔茨海默症
【8月更文挑战第9天】剑桥大学研发的人工智能模型在预测阿尔茨海默症方面取得突破,准确率比传统临床测试高三倍,能提前六年预测疾病发生。该模型基于深度学习,利用大量临床及神经影像数据识别生物标志物,预测准确性达80%。这一成果有望促进早期干预,改善患者预后,但仍需更大规模研究验证,并解决隐私与公平性等问题。论文已发表于《The Lancet》子刊。
46 6
|
3月前
|
机器学习/深度学习 存储 数据可视化
谷歌的时间序列预测的基础模型TimesFM详解和对比测试
在本文中,我们将介绍模型架构、训练,并进行实际预测案例研究。将对TimesFM的预测能力进行分析,并将该模型与统计和机器学习模型进行对比。
144 2
|
2月前
|
机器学习/深度学习 数据采集 测试技术
利用Python实现简单的机器学习模型软件测试的艺术与科学:探索自动化测试框架的奥秘
【8月更文挑战第27天】在本文中,我们将一起探索如何通过Python编程语言创建一个简单的机器学习模型。我们将使用scikit-learn库中的线性回归模型作为示例,并通过一个实际的数据集来训练我们的模型。文章将详细解释每一步的过程,包括数据预处理、模型训练和预测结果的评估。最后,我们会用代码块展示整个过程,确保读者能够跟随步骤实践并理解每个阶段的重要性。