软件测试模型学习笔记

什么是测试模型:

软件测试与软件开发一样都是遵循软件工程原理,测试专家通过实践、经验总结出来的测试模型。这些模型将测试活动、测试与开发的关系、测试管理给出了抽象具体的定义。

1.经典的“V模型”:

从左到右,描述了基本的开发过程及测试行为;非常明确的表明了在测试过程中存在的不同级别,描述了软件开发过程与测试阶段间的对应关系。

单元测试、集成测试:是检测程序的执行是否满足软件设计的要求。

系统测试:是检测系统功能、性能的质量特性是否达到系统要求的指标。

验收测试:确定软件的实现是否满足用户的需求或者合同指定的要求。

虽然“V模型”定义出了测试阶段与开发过程之间的对应关系,但是其还是存在一定的局限性。该模型测试活动是在编码完成之后才开始进入,智能针对程序进行测试。感觉却少了对开发前期的需求分析、系统设计等活动的验证与确认,往往在这部分问题只有在验收测试时才可能发现问题。

2.在介绍一个对“V”模型完善过后的“W模型”:

W模型是从V模型演化而来的,软件开发是V模型、软件测试也是一个V模型。相对于V模型,W模型增加了软件各个开发阶段与测试活动同步进行验证和测试活动。

该测试模型伴随整个软件生命周期,而且测试的对象除了程序,需求分析、系统设计都包括了。测试与开发是同步进行的,有利于尽早发现问题。

虽然同步进行,但是还是有局限性,必须再上一个阶段工作全部完成,才能正式开始下一阶段的工作,缺少支持迭代开发模式。对当前复杂多变的需求,W模型也不能有效解除软件测试管理面临的困惑。

还有一种模型就是“瀑布模型”:

它的优点在于需求确定的情况下,自上而下的步骤进行软件设计开发,可以在迭代开发模式中使用该模型。但对于测试而言,该模型并没有很好的把测试的作用和价值体现出来。

因为测试和用户一样只有等到开发后期才能看到产品原型,同样也只有这样才知道软件是否满足用户需求,测试意义不大。再按阶段划分来完成测试工作,会产生大量的文档增加了一定的工作量,而且风险无法有效控制。

另外一种就是“H模型”:

旨在测试活动在需求分析阶段就开始介入,尽早的发现问题,控制软件开发成本,保证软件质量。

时间: 2024-11-09 01:42:44

软件测试模型学习笔记的相关文章

DOM事件模型学习笔记

下面的内容属于阅读笔记,其中涉及大量内容来自于PPK的博客的内容,如果你要跟随我的脚步领略大家风采,那么就从Introduction to Events开始阅读吧. 现代的前端开发应该是会严格遵守 html 展示文档内容构成,css 渲染页面效果,javascript 提供交互 浏览器提供交互行为可以追溯到Netscape公司在其第二个版本中支持javascript语言,随后其与微软之间的浏览器大战,以及w3c标准制定的落后,导致至今一直被诟病的浏览器兼容问题,而这些不兼容中关于DOM事件模型的

【点击模型学习笔记】A survey on click modeling in web search_Lianghao Li_ppt

是一篇综述性质的ppt. 主要内容: 对搜索中的广告点击预测,总结学术界的研究成果. 搜索广告主要展示位为:1. 搜索结果页面最上侧:2. 搜索结果右侧. 研究意义:广告点击次数直接影响收入 问题抽象:对于某个query q,和某个广告ad,预测用户对它们的点击率. 具体内容: 1. 最简单的点击模型:通过点击次数来预测,计算公式为 P = #count of clicks / #count of impressions(展现) 缺点:点击受到用户浏览行为的影响:对于长尾query和ad,存在冷

概率图模型学习笔记(二)贝叶斯网络-语义学与因子分解

概率分布(Distributions) 如图1所示,这是最简单的联合分布案例,姑且称之为学生模型. 图1 其中包含3个变量,分别是:I(学生智力,有0和1两个状态).D(试卷难度,有0和1两个状态).G(成绩等级,有1.2.3三个状态). 表中就是概率的联合分布了,表中随便去掉所有包含某个值的行,就能对分布表进行缩减. 例如可以去掉所有G不为1的行,这样就只剩下了1.4.7.10行,这样他们的概率之和就不为1了,所以可以重新标准化(Renormalization).如图2所示. 图2 反之也可以

【点击模型学习笔记】Modeling contextual factors of click rates_MS_AAAI2007

概要 并没有觉得这是篇高质量的文章,很奇怪为什么能够发表在AAAI上面. 文章的创新点比较单薄:在传统点击率预测模型(LR)的基础上加入了两类新的特征,一个是位置特征,一个是广告上下文特征--即和它并排展示的其他广告的特征 具体内容 1. 建模 文章中,作者用了两种模型: (1)逻辑回归模型 作者用0-1特征,将位置信息作为一个种特征加入到模型当中:输出结果也是0-1二分类,表示用户是否点击了这个广告. 值得注意的是:作者认为,训练出来的模型参数,某个特征的系数值比较大,则这个特征也比较重要--

【点击模型学习笔记】Ad centric model discovery for redicting ads' click through rate_ANT2013_Tencent

腾讯soso的人写的一篇文章,介绍soso广告系统的ctr预估技术.2013年的,应该反映了当前soso的ctr预估系统的情况. ANT会议质量一般,elsevier出版社出版.搞笑的是,文章摘要居然把论文模板上的这句话"Click here and insert your abstract text"原封不动的写在了第一句,并且就这样发表了! 主要内容: 描述soso搜索结果页面中广告点击率预测的系统实现. 具体内容: 1. 相关工作 Rechardson用逻辑回归来预测ctr ki

【点击模型学习笔记】广告点击率估算技术综述_华东师范大学学报2013

概要: 不是一篇高质量文章,不过是一篇还算不错的综述,而且时间够新(2013). 具体内容:按照文章原本内容顺序罗列 0. 介绍 * 赞助商广告:投放到搜索结果页面 * 情境广告:在网页某个位置上投放,一般由广告联盟介入 1. 广告点击率预测的应用背景 * 广告点击率一般比较低,能达到0.2%就已经是很好的投放了 * 大量的广告.查询都是很稀疏的 * 利用用户点击行为的,除了点击率预测,还有两个领域:搜索结果排序和推荐系统 * "Inferring Clickthrough Rates on A

【点击模型学习笔记】Predicting Clicks_Estimating the Click-Through Rate for New Ads_MS_www2007

概要: 微软研究院的人写的文章,提出用逻辑回归来解决ctr预估问题,是以后ctr的经典解决方案,经典文章. 具体内容: 名词: CPC -- cost per click CTR -- click through rate 1. 研究初衷 搜索引擎主要靠商业广告收入,在广告位上面打广告,用户点击,之后广告商付费.在通用搜索引擎,通常广告位置是在搜索结果之前,或者在搜索结果右边. 商业广告收入 = pClick * CPC 要提升广告收入,关键问题是在有限的广告为上面,放什么广告?很自然的想法就是

【点击模型学习笔记】Inferring clickthrough rates on ads from click behavior on search results_wsdm2011

概要: 看这篇文章的初衷,是这篇文章回答了问题"在一个query的结果当中,给出多少个广告位合适?".文章不长,不过一路看下来,发现貌似不是native-english-speaker写的,细节说的不清楚,完全无法还原作者的工作思路.不过还是有那么一点儿收获的. 具体内容: 搜索主要的赚钱方式是在搜索结果当中嵌入广告,一般来讲是按照广告的点击次数来付费的.这样,就有一个趋势,如果想要赚钱多,就在搜索结果中越来越多的植入广告,使得广告的点击次数越来越多,则赚的钱就越来越多:不过,也有研究

Probability Latent Semantic Analysis (PLSA) 模型 学习笔记

Probability Latent Semantic Analysis (PLSA) 模型 学习笔记 PLSA是前面LSA的兄弟版,相比于LSA而言,PLSA定义了概率模型,而且每个变量以及相应的概率分布和条件概率分布都有明确的物理解释了.这篇博文我们分三部分来说PLSA:基本思想,EM算法推导,以及优缺点分析. 1.  PLSA的基本思想 PLSA是一种主题模型topic model,是针对文本中隐含的主题来建模的方法.PLSA就是给定了文档d之后,需要以一定的概率选择与文档相对应的主题z,