持续测试是一种测试实践

简介: 持续测试是一种测试实践

持续测试和自动化测试的关系


持续测试是在软件交付生命周期过程中,以防控业务风险为目的,将每一个阶段都通过测试活动进行质量保障,并尽最大可能自动化测试活动,并将测试结果不断的反馈给制品过程的测试实践活动就是持续测试。通过持续测试的定义我们可以知道,尽最大可能自动化测试活动将会是持续测试是否能够落地实践的重要手段。


持续测试包含了两部分实践约束:


  • 第一部分是每一个DevOps中的阶段都应该有对应的质量保障活动的存在
  • 第二部分持续不断的将测试结果反馈到制品过程中进行改进


那么如果要实现如上两种重要的实践,自动化将会是不可避免落地的实践方法。自动化测试设计对团队的测试资产的积累,自动化测试是实现持续测试的必要手段,但是拥有了自动化测试并不一定就实践了持续测试。

我们常说的自动化测试包含了API自动化测试、UI自动化测试,那么这两种自动化测试都是功能性验证,持续测试在前面我们也已经说过,除了功能性验证,非功能性需求也是必将被考核的一部分。


自动化测试的目的是结果验证,如果测试失败说明了被测试系统有些不满足预期内容,但是持续测试保障的是风险预防,通过devops每一个阶段都进行质量保障活动,通过层层质量保障最后交付一下优秀的系统,通过自动化的效率提升从而达到交付一个又快又好的系统(JKK)的目的。持续测试还隐含了持续反馈,缩短了从发现问题到解决问题的循环时间,从而在单位时间内加大了PDCA循环,从而通过质量运营实现了质量提升。


持续测试还关注什么质量特性


持续测试是一种测试实践,因此它也是站在质量模型之上做的质量特性的验证。持续测试并不是变革性的,而是基于之前测试经验基础之上的。因此在持续测试在测试分类上也包含了功能性需求和非功能性需求的验证。


从质量模型上我们知道,质量模型也有各式各样的包含层次模型、关系模型、构建模型等,当前比较流行的还是层次模型中的ISO25010,因此持续测试同样关注ISO25010的质量特性,包含了功能适合行:功能适合性(Functional suitability)、性能效率(Performance Efficiency)、兼容性(Compatibility)、易用性(Usability)、可靠性(Reliability)、安全性(Security)、可维护性(Maintainability)、可移植性(Portability)等。



持续测试和质量保障的关系


质量保障(Quality Assurance,简称QA)最为根本的含义就是通过一系列的标准化的程序或者流程,保障交付给客户的软件或者服务所应该具有的质量水平。质量保障和实际的测试还是有区别的,质量保障(QA)不涉及软件产品的实际测试方法、过程,质量保障工程师更加专注于帮助公司创建满足业务方期望的流程方法从而提高客户忠诚度,因此可以看出质量保障是面向过程的。


软件测试是为了发现软件定义问题和内部存在缺陷的实践方法。因此可以看出软件测试和质量保障是解决不同问题而存在的,那么质量保障和软件测试也不是说完全无关的,在实践中,质量保障工程师以协同不同团队工作为主,通过不断的度量从而督促各个团队的持续改进,而开发工程师、测试工程师共同为100%的又快又好的交付系统负责。质量保障工程师应该和制品团队一起为最大限度的交付高质量的软件而努力,最好的实践方法就是通过持续测试实践,在持续测试过程中嵌入质量保障工程师,从而促使质量保障工程师的工作是制品过程中发挥作用而不是在制品后发挥作用的。





目录
相关文章
|
数据采集 监控 机器人
浅谈网页端IM技术及相关测试方法实践(包括WebSocket性能测试)
最开始转转的客服系统体系如IM、工单以及机器人等都是使用第三方的产品。但第三方产品对于转转的业务,以及客服的效率等都产生了诸多限制,所以我们决定自研替换第三方系统。下面主要分享一下网页端IM技术及相关测试方法,我们先从了解IM系统和WebSocket开始。
289 4
|
2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
|
2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
|
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))
173 6
|
3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。
|
3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!
|
4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。
|
4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。
|
4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”。
|
6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。
356 5