软件测试高频面试题“黑盒测试之正交试验法”案例剖析与实践应用

简介: 软件测试高频面试题“黑盒测试之正交试验法”案例剖析与实践应用

   今天一位老学员面试遇到面试官问“正交试验法"一问题,他说不太理解是什么意思,自己也通过百度查找正交试验法相关资料进行科普,发现还是看不懂,最终一脸懵逼,恰巧借此机会给大家科普一下黑盒测试之正交试验法的来龙去脉。


一、什么是正交试验法?


   正交一般使用表格来设计测试用例,主要是通过表格中的用例进行统计、分析、比较,找出用例中存在冗余或者重复的用例数量。以便通过正交试验法来减少测试用例数量,选择部分具有代表性的数据进行抽样检查从而提升测试工作效率的一种方法。


   例如:公司本期迭代共了2000个用例,测试时间仅3天,因为需要通过QA/UAT/Prd环境的测试,故需要从中挑选部分具有代码性的用例来做回归测试,以便节省测试时间提升工作效率,这就可以使用正交试验法来实施测试。


二、为什么要学习正交试验法?


   由于软件功能的复杂多样化,会受到很多因素的影响,为了证明测试结果符合预期结果,因为功能条件组合情况太多,因采取正交试验法来抽样提取测试用例,选择几种具有代表性的样例进行测试。


   单纯依据等价类、边界值、因果图用例设计方法来设计测试用例,会使得用例库数量非常庞大,最终导致测试用例数量大得惊人,给测试执行人员带来工作负担,为了提升测试用例的有效性,需要从庞大的用例库中选择一些具有代码性的用例使用正交试验法来设计测试用例,消除用例的冗余,以便快速高效提升测试工作效率。


三、什么场景下会使用正交试验法?


   正交试试法是一种多条件与值的抽样设计方法。  

   从满足条件的抽样案例中选择一批具有代表性的用例进行测试,这些用例具备一定的特点,首先具有相似功能性的用例仅获取一部分满足条件的数据使用正交试验法来设计正交表。


   正交试验法可根据条件与值查找对应的正交表,设计成Excel表格,从中挑选部分具有代码性的用例来执行测试,发现问题,主要目的为了提升测试工作效率,以少的用例覆盖更多的功能点,如果不采用这种方法来执行测试,因为时间、人力资源有限我们无法在有限的时间内完成执行测试工作,故使用正交试验法就解决了此问题。


1) 正交试验法用例设计操作步骤如下:

1、选择因子及水平数;

2、设计正交表;

3、列出抽样试验证测试用例数;


2) 实践案例详解一:

实例:大学计算机系共2个班级,考试课程通过“Sex”、“Class”和“Grade”这三个查询条件对计算机课程的成绩分布,男女比例或班级比例进行人员查询:

1.条件一:根据“Sex”=“男,女”查询

2.条件二:根据“Class”=“202班,203班”查询

3.条件三:根据“Grade”=“及格,不及格”查询


3) 传统用例测试方法

基于上述测试需求分析,存在3个被测元素,被测元素我们称为因子,每个因子有两个取值,我们称之为水平(也就是2)。2^3

传统用例设计方法:则如下(2的3次方=8次);

测试用例表格设计如下图所示:

640.png

正交试验法优化后用例设计如下图所示:

640.png

案例详解2:

有些电商软件基于不同地区的不同用户开展业务,不同地区的不同单价差异化较大,大家都知道全国的省市区包括同一个省又分不同的市商品价值存在差异化,但是我们测试人员不可能将所有的地区场景用例一个个覆盖到,那么学会了正交试验法就能帮助我们解决此问题。


总结:以上内容就是我今天与大家分享的知识点,希望同学们都有所收获。


正交试验证法仅仅是测试用例中的一种设计方法,此方法应用场景基于公司业务的不同而衍生,一般基于电商平台应用场景相对较多,所以希望同学们能够好好掌握以便能够实践应用。

相关文章
|
3月前
|
人工智能 自然语言处理 测试技术
从人工到AI驱动:天猫测试全流程自动化变革实践
天猫技术质量团队探索AI在测试全流程的落地应用,覆盖需求解析、用例生成、数据构造、执行验证等核心环节。通过AI+自然语言驱动,实现测试自动化、可溯化与可管理化,在用例生成、数据构造和执行校验中显著提效,推动测试体系从人工迈向AI全流程自动化,提升效率40%以上,用例覆盖超70%,并构建行业级知识资产沉淀平台。
从人工到AI驱动:天猫测试全流程自动化变革实践
|
3月前
|
数据采集 存储 人工智能
从0到1:天猫AI测试用例生成的实践与突破
本文系统阐述了天猫技术团队在AI赋能测试领域的深度实践与探索,讲述了智能测试用例生成的落地路径。
从0到1:天猫AI测试用例生成的实践与突破
|
3月前
|
监控 Java 关系型数据库
面试性能测试总被刷?学员真实遇到的高频问题全解析!
面试常被性能测试题难住?其实考的不是工具,而是分析思维。从脚本编写到瓶颈定位,企业更看重系统理解与实战能力。本文拆解高频面试题,揭示背后考察逻辑,并通过真实项目训练,帮你构建性能测试完整知识体系,实现从“会操作”到“能解决问题”的跨越。
|
4月前
|
Java 测试技术 API
自动化测试工具集成及实践
自动化测试用例的覆盖度及关键点最佳实践、自动化测试工具、集成方法、自动化脚本编写等(兼容多语言(Java、Python、Go、C++、C#等)、多框架(Spring、React、Vue等))
250 6
|
4月前
|
人工智能 边缘计算 搜索推荐
AI产品测试学习路径全解析:从业务场景到代码实践
本文深入解析AI测试的核心技能与学习路径,涵盖业务理解、模型指标计算与性能测试三大阶段,助力掌握分类、推荐系统、计算机视觉等多场景测试方法,提升AI产品质量保障能力。
|
4月前
|
人工智能 自然语言处理 测试技术
AI测试平台的用例管理实践:写得清晰,管得高效,执行更智能
在测试过程中,用例分散、步骤模糊、回归测试效率低等问题常困扰团队。霍格沃兹测试开发学社推出的AI测试平台,打通“用例编写—集中管理—智能执行”全流程,提升测试效率与覆盖率。平台支持标准化用例编写、统一管理操作及智能执行,助力测试团队高效协作,释放更多精力优化测试策略。目前平台已开放内测,欢迎试用体验!
|
5月前
|
人工智能 资源调度 jenkins
精准化回归测试:大厂实践与技术落地解析
在高频迭代时代,全量回归测试成本高、效率低,常导致关键 bug 漏测。精准化测试通过代码变更影响分析,智能筛选高价值用例,显著提升测试效率与缺陷捕获率,实现降本增效。已被阿里、京东、腾讯等大厂成功落地,成为质量保障的新趋势。
|
5月前
|
搜索推荐 Devops 测试技术
避免无效回归!基于MCP协议的精准测试影响分析实践
本文揭示传统测试的"孤岛困境",提出MCP(Model Context Protocol)测试新范式,通过模型抽象业务、上下文感知环境和协议规范协作,实现从机械执行到智能测试的转变。剖析MCP如何颠覆测试流程,展示典型应用场景,并提供团队落地实践路径,助力测试工程师把握质量效率革命的新机遇。
|
5月前
|
人工智能 缓存 自然语言处理
大模型性能测试完全指南:从原理到实践
本文介绍了大模型性能测试的核心价值与方法,涵盖流式响应机制、PD分离架构、五大关键指标(如首Token延迟、吐字率等),并通过实战演示如何使用Locust进行压力测试。同时探讨了多模态测试的挑战与优化方向,帮助测试工程师成长为AI系统性能的“诊断专家”。
|
7月前
|
人工智能 Java 测试技术
SpringBoot 测试实践:单元测试与集成测试
在 Spring Boot 测试中,@MockBean 用于创建完全模拟的 Bean,替代真实对象行为;而 @SpyBean 则用于部分模拟,保留未指定方法的真实实现。两者结合 Mockito 可灵活控制依赖行为,提升测试覆盖率。合理使用 @ContextConfiguration 和避免滥用 @SpringBootTest 可优化测试上下文加载速度,提高测试效率。
422 5