搭建自动化测试平台Snail_Autotest_Platfrom（3）——平台化设计思路整理

非常抱歉，最近一段时间断更了，其中确实遇到了一点小阻碍，涉及到工作和学习。
前面由于在使用bootstrap的同时偶遇了element-ui，相比下更喜欢后者，所以现在这段时间一是忙于工作，再就是忙于学习熟悉vue，因此这段时间有一段空当期没有更新平台化的内容，后续会继续，我并未放弃！
那今天就先梳理一波设计思路：

平台目的

我决定写平台的初衷比较简单，主要是想要有一个自己独立拿得出手的东西，同时，在写自动化平台的过程中我能学到的东西远不止涉及到的这些技术层面的东西，还有思路和架构等等，这不仅能填补我在技术方面的空缺还能让我接触更深层次的技术，比如服务器，架构，微服务，分布式等等。
对于我来说这是一个长期工程，可能需要半年，一年，两年甚至更久，但我还是会坚持完成一个我认为完美的作品。
目前已买了一些轻量级服务器，如果有小伙伴想用的，可以一起使用。

但是对于工作来说，测试平台的核心目的是提升测试效率，从而提升产品质量，它的设计关键就是自动化。传统的测试方式是测试人员手工执行测试用例，测试效率低，重复的工作多。我所期望的是，可以通过测试平台提供的自动化能力，测试用例能够重复执行，无须人工参与，以此提升测试效率。
通过对象库的封装 - 业务的封装 - 驱动的封装，这些封装体系的协作，我们可以搭建一系列的自动化测试平台。
当然，这还只是一小部分，因为整个测试平台的搭建，绝对不是单纯的自动化测试就可以完成，我还需要各方人员共同合作来完成整个测试平台。

结构和内容

其实这块我在前面已经写过一次了，这里算是做个总结性的梳理吧

用例管理

测试自动化的主要手段就是通过脚本或者代码来进行测试：
例如单元测试用例是代码、接口测试用例可以用Python来写、可靠性测试用例可以用Shell来写。
为了能够重复执行这些测试用例，测试平台需要将用例管理起来，管理的维度包括业务、系统、测试类型、用例代码。例如，网购业务的订单系统的接口测试用例。

资源管理

测试用例要放到具体的运行环境中才能真正执行，运行环境包括：
硬件（服务器、手机、平板电脑等）
软件（操作系统、数据库、Java虚拟机等）
业务系统（被测试的系统）
除了性能测试，一般的自动化测试对性能要求不高，所以为了提升资源利用率，大部分的测试平台都会使用虚拟技术来充分利用硬件资源，如虚拟机、Docker等技术。

任务管理

任务管理的主要职责是将测试用例分配到具体的资源上执行，跟踪任务的执行情况。任务管理是测试平台设计的核心，它将测试平台的各个部分串联起来从而完成自动化测试。

数据管理

测试任务执行完成后，需要记录各种相关的数据（例如，执行时间、执行结果、用例执行期间的CPU、内存占用情况等），这些数据具备下面这些作用：
展现当前用例的执行情况。
作为历史数据，方便后续的测试与历史数据进行对比，从而发现明显的变化趋势。
例如，某个版本后单元测试覆盖率从90%下降到70%。
作为大数据的一部分，可以基于测试的任务数据进行一些数据挖掘。
例如，某个业务一年执行了10000个用例测试，另外一个业务只执行了1000个用例测试，两个业务规模和复杂度差不多，为何差异这么大？

数据方面

数据这块的核心职责主要包括三部分：数据管理、数据分析和数据应用。每一部分又包含更多的细分领域：

数据管理

数据管理包含数据采集、数据存储、数据访问和数据安全四个核心职责，是数据平台的基础功能。
数据采集：从业务系统搜集各类数据。
例如，日志、用户行为、业务数据等，将这些数据传送到数据平台。
数据存储：将从业务系统采集的数据存储到数据平台，用于后续数据分析。
数据访问：负责对外提供各种协议用于读写数据。
例如，SQL、Hive、Key-Value等读写协议。
数据安全：通常情况下数据平台都是多个业务共享的，部分业务敏感数据需要加以保护，防止被其他业务读取甚至修改，因此需要设计数据安全策略来保护数据。

数据分析

数据分析包括数据统计、数据挖掘、机器学习、深度学习等几个细分领域。
数据统计：根据原始数据统计出相关的总览数据。
数据挖掘：数据挖掘这个概念本身含义可以很广，为了与机器学习和深度学习区分开，这里的数据挖掘主要是指传统的数据挖掘方式。例如，有经验的数据分析人员基于数据仓库构建一系列规则来对数据进行分析从而发现一些隐含的规律、现象、问题等。
机器学习、深度学习：机器学习和深度学习属于数据挖掘的一种具体实现方式，由于其实现方式与传统的数据挖掘方式差异较大，因此数据平台在实现机器学习和深度学习时，需要针对机器学习和深度学习独立进行设

数据应用

数据应用还是非常广泛的，既包括在线业务，也包括离线业务。例如，推荐、广告等属于在线应用，报表、欺诈检测、异常检测等属于离线应用。
数据应用能够发挥价值的前提是需要有“大数据”，只有当数据的规模达到一定程度，基于数据的分析、挖掘才能发现有价值的规律、现象、问题等。