干货|从故障复盘看产品质量防线

点击上方“中兴开发者社区”,关注我们

每天读一篇一线开发者原创好文

   故障复盘作为质量回溯的一个重要环节,笔者作为QA之前一直未能加大重视。直到某天某位敏捷教练的一句话:通过故障复盘,可以倒推出现质量问题的某个环节,甚至某个具体的点,也可以让你更加清晰地认知到在需求进入开发到交付整个过程中,质量防御不足的地方。因此笔者借助扎据开发团队内的优势,简要画出了笔者所在团队从需求进入到需求交付整个开发和测试流程中的质量防线,如下图1-1所示。

      说明在前:

      笔者认为,开发和测试在敏捷过程中应该是处于平等地位,同时进行的。简要阐述笔者的看法,就是开发同事在编写代码实现功能,测试人员也应该在编写测试用例(理想很丰满,现实很骨感,笔者虽这样认为,事实上笔者自己还有所欠缺,未能完全实施)。因此下图中,从特性拆分故事后划分了开发和测试两条线,一起走向最后的特性交付。

1、简要说明产品开发到交付的质量防线点

       ① 从原始需求进入到特性拆分为故事,需要经过需求分析和特性分析。需求分析结果表明是否承接该需求进行开发,而特性分析结果表明该需求如何实现。因此,如下图所示在原始需求和特性后设置了两处防线(防线1、2):需求分析和特性分析。此处作为入口处,若是防线缺失或防御不足,将会导致后续的开发实现和测试、验收环节出现偏差,交付的产品出现与需求严重不一致的纰漏。

       ②当特性拆分为故事后,开始进入开发和预测试环节。

       在开发环节,团队需要就需要实现的功能进行方案设计和研讨,其后才是编码实现。针对开发方案,如下图所示设置了防线3.1.1:开发方案评审。方案评审通过后,在开发实现后又设置了防线3.1.2:代码走查和防线3.1.3:UT测试。开发环节作为功能实现环节,若是防线缺失或防御不足,将会出现最终实现的功能出现缺陷。

       在预测试环节,与开发环节对等,也需要进行测试方案评审(防线3.2.1)、AC评审(防线3.22)和用例评审(防线3.2.3)。在预测试环节,所有防线都应该BA、DEV和QA一起参加,尽量避免场景遗漏、测试方案不足、测试用例缺失等带来的开发功能交付后仍存在缺陷的问题。

       ③当开发环节和预测试环节完成后,基础功能已经交付,开始进入故事验收和特性预交付。在特性交付前,应进行功能测试和系统测试,以及验收完的功能进行演示,以保证交付产品功能完善,遗留故障少。如下图所示,设置了防线4:FT、防线5:ST和防线6:showcase(演示会)。在此环节,防线6:showcase应该团队所有成员一起参加,做特性交付前的功能检查和测试完备性检查。

       经过如上几处防线,可以提升交付产品质量,尽可能减少产品与用户需求不符,实现与设计相左,交付产品缺陷多等问题。

2、如何从故障复盘看产品质量防线缺失或质量防御不足

       在1中,简单讲述了如何在产品需求进入到交付产品整个实现环节中设置质量防线。在此节,我们来看看当产品交付后发现缺陷(故障),如何分析质量防线缺失或质量防御不足,以及如何加固防线,提升产品质量,做到产品质量跟踪回环。

       如下图所示,通过故障复盘,我们应该对每个质量缺陷从引入环节和控制环节(如下图已表明引入环节和控制环节,引入环节主要包括:需求分析、开发实现;控制环节主要包括:测试设计和测试执行)分析质量防御不足的原因。

       比如用户使用产品功能与提出需求时不一致,我们可以清晰地定位引入环节中防线1和2未能起到质量防御作用,此时应对防线1、2进行加固;

      比如用户使用的产品出现基本功能错误,我们可以将引入环节定位划定在开发实现质量防御不足,控制环节定位查看是否测试方案设计和测试执行出现质量防线缺失或防御度不够;

      通过故障复盘,除了分析质量防线缺失或防御不足外,我们还可以针对故障复盘的数据进行质量防线增设。如下图所示的引入环节防线7:波及分析和控制环节防线8:故障用例补充。由此,可以加强质量防御,尽量减少重复故障发生和降低故障泄露率。

      综上所述,清楚地了解质量防线地位置与作用,对于质量把控具有重要的意义。故障复盘作为一个质量回溯的重要环节,所有团队成员都应加强重视,复盘的目的不在于补漏而在于预防,通过故障复盘挖掘现有防线缺失的地方,加强和增设质量防线,以提升产品质量。

      谓之:非止排难於变切,亦将防患於未然~


                                              图1-1 质量防线

### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。
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