测试理论笔记之测试分类

本文介绍了软件测试的多种分类,包括按阶段、方法、对象和状态的分类。涵盖了单元测试、集成测试、系统测试、验收测试等阶段测试;黑盒、白盒、灰盒等测试方法;功能、性能、安全、UI、兼容性、接口等测试对象;以及静态和动态测试状态。全面了解测试理论,有助于提升软件质量。
摘要由CSDN通过智能技术生成

按阶段分类

  1. 单元测试
    偏向白盒的测试,一般由开发自己完成,对最小可测单元进行检查和测验,其目的是检测一个很小的模块功能的正确性。
  2. 集成测试
    其形式是不同的小单元逐个集成聚合成一个组件,不同组件又聚合成子系统、系统。该测试一般是在单元测试完成之后,测试模块与模块之间的接口。
  3. 系统测试
    偏向黑盒的测试,是对整个系统的测试。主要内容包括功能、性能、安全、UI、兼容性、易用性、稳定性测试。
  4. 验收测试
    是部署软件之前的最后一个测试操作,是技术测试的最后一个阶段,也称交付测试。其目的是确保软件准备就绪,能让最终用户使用预定功能。
    1)正式验收(管理严格,组织有序,客观公正)
    2)非正式-α测试:内测,在开发环境下测试,用户数量相对较少
    3)非正式-β测试:公测,在一个或多个用户场所测试,用户数量相对较多
    α测试先于β测试

按方法分类

  1. 黑盒测试
    以用户的角度主要关注被测软件的功能实现,将软件当作一个黑盒子,不考虑盒子里的内部逻辑结构,只关心软件的输入和输出。
  2. 白盒测试
    检查软件内部逻辑结构,对软件中的逻辑路径进行覆盖测试。
  3. 灰盒测试
    是黑盒和白盒的结合,多用于集成测试。不仅关心软件的输入和输出,还要关注软件内部结构,但不像白盒那样详细完整。

按对象分类

  1. 功能测试
  2. 性能测试
    • 压力测试
    • 负载测试
    • 并发测试
  3. 安全测试
    • 暴力破解
    • SQL注入
    • 跨域攻击
    • 流量攻击/DOS攻击
    • 渗透
  4. UI/界面测试
    测试用户界面的页面是否美观,布局是否合理,风格是否统一,有无错别字等。
  5. 易用性测试
    偏主观性,是用户体验性测试,即用户使用软件时是否感到方便,对于用户来说操作步骤越少越好,学习成本越低越好。
  6. 兼容性测试
    检查软件之间是否能正确进行交互和共享信息。如测试软件在不同平台是否兼容,web端要考虑在不同的浏览器和版本上能否正常使用,app端还要考虑ios和andriod版本,以及硬件对软件的影响。
  7. 接口测试
  8. 稳定性测试
APP专项测试
  1. 弱网测试
    2/3/4/5g,wifi, 热点,飞行模式等网络下测试
  2. 场景交互测试
    考虑来电话、来短信、听歌、分屏、前后台切换等场景
  3. 权限测试
  4. 资源监测测试
    可以从软件大小、电量消耗、流量消耗等方面测试
  5. 资源争用测试
  6. 消息推送测试
  7. 安装/卸载/更新
  8. 离线测试

按状态分类

  1. 静态测试
    不运行被测程序本身,仅通过分析或检查源程序的语法、结构、过程、接口等来检查程序的正确性。对需求规格说明书、软件设计说明书、源程序做结构分析、流程图分析、符号执行来找错。
  2. 动态测试
    动态测试方法是指通过运行被测程序,检查运行结果与预期结果的差异,并分析运行效率、正确性和健壮性等性能。
    这种方法由三部分组成:构造测试用例、执行程序、分析程序的输出结果。
    我们进行的软件测试多数是动态测试。

常见的测试分类差不多就这些了,要成为一个优秀的测试,理论还是应该掌握扎实,规范的测试思想可以让我们考虑得更加全面,发现更多的问题,从而把控软件质量。
分类千万条,全面第一条
测试不规范,产品泪两行
当然也可能是开发泪两行,测试滚铺盖:)

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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