美女主播变大妈:在bug翻车现场说测试策略

戳蓝字“CSDN云计算”关注我们哦!

640?wx_fmt=jpeg

640?wx_fmt=jpeg

美女主播变大妈:

在bug翻车现场说测试策略

文 | 珍妮兔

640

这两天直播圈发生了一起严重的翻车事故

一个一直以“颜值主播”自称的网红女主播“乔碧萝殿下”,因为平台bug,露出了自己的真容,上演了惊人的“美女变大妈”。

这个女主播,平时晒出来的照片是这样的:

640?wx_fmt=png

她平时直播并不露脸,只是用一张图片遮住自己的头部,像下面这样:

640?wx_fmt=png

但在这次和另一个女主播连麦的时候,平台出了bug,上面那遮脸的图没有出现,出现了下面这尴尬的一幕(右边那个,就是“乔碧萝殿下“)

640?wx_fmt=png

再感受一下这强烈的对比:

640?wx_fmt=jpeg

看到这一幕,粉丝们都惊呼上当受骗。一个曾经给这位“美女主播”打赏10万的土豪粉丝则直接怒销帐号。

640

现在问题来了,假如你是平台的测试人员,你会把这个bug归到哪一级?


P0: 导致系统崩溃,数据丢失,需要立即处理

P1: 导致主功能不工作,用户可以明显感知

P2: 导致次要功能不工作,用户可以明显感知

P3: 微小的问题,用户可能不会明显感知


有人可能说,这就是一个PS功能失效,不影响直播这样的主功能,所以是P2。

有人可能说,不对,PS也是直播的主要特性,尤其是这种美女直播,所以是P1。

从软件研发的角度,定成P1我觉得没毛病。不过要是让“乔碧萝殿下”来定级,她应该宁愿服务器宕机,也不愿意露出自己的真容吧——今天的最新消息,平台已经永久封停了她的账号。

假如我们换一个反差没那么大的美女主播。她平时直播也不挡脸,只是脸比较大,会用“瘦脸”这个功能。让她在“瘦脸”功能失效,和“服务器宕机”之间选择的话...

640?wx_fmt=png

她还是会选择服务器宕机吧-_-||

640

那这究竟算是一个P1的bug, 还是算P0呢?

与其讨论这个已经发生的车祸怎么定级,我们来讨论一个更有建设性,也更直击根本的问题——如何制定测试策略,才能避免这样的人间惨剧发生?解答了这个问题,缺陷定级的问题也会迎刃而解。

640?wx_fmt=png

测试策略听起来很高深莫测,其实是很实在的一个概念。我们知道,任何一个软件,你都无法穷尽它的所有测试用例。那么在无穷无尽的测试用例中,我们按照什么规则,来选择测试用例的集合来做测试?这个选择的规则,就是测试策略。

有人说:“我从来没有思考过什么策略不策略的。我就是直接写测试用例了。”这种情况,其实你也用了测试策略,就是基于需求分析的策略——你拿到一个需求文档,然后就开始照着这个需求文档写测试用例。

今天给大家重点介绍的一种测试策略,叫基于风险的测试策略

风险是指负面事件发生的可能性。

应用基于风险的测试策略的步骤

1. 识别干系人

2. 请干系人识别出各种风险,并且评估对各个风险的重视程度

3.根据不同的风险,和干系人对这些风险的重视程度,分配测试资源和制定测试力度

采用这种策略,你会发现,同样是直播平台,你的测试策略会不同。

美女直播平台,最大的风险是美女不美了。你的测试策略就要围绕在PS美化效果上,包括各种场景下,比如连麦的场景下,美化效果是不是还在;带宽小的用户,他看到的压缩过的直播效果,压缩算法下的美女是否依然还是美的,诸如此类。

教育直播平台,最大的风险是学员没看清楚,导致学习效果不好。虽然这个平台可能也有PS美化讲师的功能,但你的测试重点更多要围绕课件展示的清晰度,和讲师的语音的清晰度上。

640?wx_fmt=jpeg

体育赛事直播平台,最大的风险是射门的时候视频卡住了-_-|| (球迷有可能把电脑砸了,后果很严重)  所以测试的重点在流畅度和滞后度上;清晰度反而不是第一要求。

640

现在你知道如何避免“美女变大妈”了吧?——使用基于风险的测试策略就可以。我们再回头看缺陷分级怎么分这个问题,是不是也简单了呢?同样按照风险来区分就可以。

再往前走一步,如果我们采用的是测试驱动设计(比测试驱动开发还要更近一步哟~),我们是不是可以在做软件设计的时候,就把软件直接设计成——如果美颜功能不生效,就直接静态展示主播的美丽头像呢?(因为我们可能认为“美女不美”这个风险的严重程度,大于“视频中断“这个风险的严重程度。)

最后做个小结,你可以用基于风险的测试策略来计划你的测试用例范围,甚至可以用这样的策略来驱动你的软件解决方案设计。

欢迎你在下面留言,说说你对“美女变大妈”事件的看法~~

参考资料:

百度百科“乔碧萝殿下”、“射门”、“葫芦娃”词条

ISTQB Foundation Level Syllabus

ISTQB Advanced Level Test Manger Syllabus

640?wx_fmt=png

640?wx_fmt=jpeg

福利

扫描添加小编微信,备注“姓名+公司职位”,加入【云计算学习交流群】,和志同道合的朋友们共同打卡学习!

640?wx_fmt=jpeg

推荐阅读:

真香,朕在看了!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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