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
|
6天前
|
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
47 1
模拟试错(STE)法让7B大模型测试超GPT-4
|
6天前
|
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。
|
6天前
|
测试技术
模型驱动测试:引领软件质量的新潮流
模型驱动测试:引领软件质量的新潮流
30 2
|
6天前
|
分布式计算 测试技术 Spark
通过Langchain实现大模型完成测试用例生成的代码(可集成到各种测试平台)
通过Langchain实现大模型完成测试用例生成的代码(可集成到各种测试平台)
791 0
|
6天前
|
机器学习/深度学习 搜索推荐 算法
推荐系统离线评估方法和评估指标,以及在推荐服务器内部实现A/B测试和解决A/B测试资源紧张的方法。还介绍了如何在TensorFlow中进行模型离线评估实践。
推荐系统离线评估方法和评估指标,以及在推荐服务器内部实现A/B测试和解决A/B测试资源紧张的方法。还介绍了如何在TensorFlow中进行模型离线评估实践。
210 0
|
6天前
|
敏捷开发 前端开发 安全
【测试开发】概念篇 · 测试相关基础概念 · 常见开发模型 · 常见测试模型
【测试开发】概念篇 · 测试相关基础概念 · 常见开发模型 · 常见测试模型
13 0
【测试开发】概念篇 · 测试相关基础概念 · 常见开发模型 · 常见测试模型
|
6天前
|
算法 计算机视觉 异构计算
基于肤色模型的人脸识别FPGA实现,包含tb测试文件和MATLAB辅助验证
这是一个关于肤色检测算法的摘要:使用MATLAB 2022a和Vivado 2019.2进行测试和仿真,涉及图像预处理、RGB到YCbCr转换、肤色模型(基于阈值或概率)以及人脸检测。核心程序展示了如何读取图像数据并输入到FPGA处理,通过`tops`模块进行中值滤波、颜色空间转换及人脸检测,最终结果输出到"face.txt"。
|
6天前
|
数据可视化
结构方程模型 SEM 多元回归和模型诊断分析学生测试成绩数据与可视化
结构方程模型 SEM 多元回归和模型诊断分析学生测试成绩数据与可视化
|
6天前
R语言估计多元标记的潜过程混合效应模型(lcmm)分析心理测试的认知过程
R语言估计多元标记的潜过程混合效应模型(lcmm)分析心理测试的认知过程
|
6天前
|
人工智能 自然语言处理 搜索推荐
人工智能,应该如何测试?(八)企业级智能客服测试大模型 RAG
大模型如GPT虽表现出众,但在特定领域和实时信息方面表现不足,易产生“幻觉”即编造答案。其能力受限于训练数据,无法提供超出数据范围的专业知识。为解决此问题,采用意图识别模型预判问题归属,结合检索增强生成(RAG)技术,通过检索相关信息注入大模型以提升回答质量。测试人员利用RAG评估模型效果,有时借助GPT进行自动化评分,尤其是在非专业领域,但GPT评分的准确性仍有限,人工评估更为可靠。
26 0

热门文章

最新文章