当前位置: 首页 > news >正文

软件质量保证与软件测试复习笔记(第一周总体介绍+黑盒测试详细)

第一周 2.23 (总体性介绍)

  1. 软件测试的定义

在这里插入图片描述
在这里插入图片描述

  1. 常用术语解释

    1. 错误
      在这里插入图片描述

    2. 缺陷
      在这里插入图片描述
      在这里插入图片描述

    3. 故障
      在这里插入图片描述

    4. 失效
      在这里插入图片描述

    5. 测试和测试用例、测试过程
      在这里插入图片描述

  2. 出现软件缺陷的原因
    在这里插入图片描述

  3. 软件开发的主要环节
    在这里插入图片描述

  4. 测试过程的生命周期模型
    在这里插入图片描述

  5. 软件测试的本质是针对要测试的内容确定一组测试用例
    在这里插入图片描述

  6. 测试用例的组成
    在这里插入图片描述
    eg:(不重要)
    在这里插入图片描述

  7. 用韦恩图理解测试(理解遗漏缺陷和过错缺陷)
    规格说明和程序的关系
    在这里插入图片描述
    遗漏缺陷和过错缺陷的关系
    在这里插入图片描述
    测试用例、规格、程序之间的关系
    在这里插入图片描述

  8. 穷尽性测试考虑
    黑盒测试和白盒测试的定义
    在这里插入图片描述

    1. 黑盒测试的穷尽性考虑
      在这里插入图片描述
    2. 白盒测试的穷尽性考虑
      在这里插入图片描述
      在这里插入图片描述
  9. 功能性测试定义以及优缺点(黑盒测试)
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  10. 结构性测试(白盒测试)
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  11. 结构性测试和功能性测试的比较
    在这里插入图片描述

  12. 错误与缺陷的分类(不太重要)
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  13. 测试的级别(类似测试的生命周期)(软件测试的不同阶段)
    在这里插入图片描述

在这里插入图片描述

  1. 几种典型的测试模型

    1. V模型(先开发后测试)
      在这里插入图片描述
    2. W模型(同时进行开发和测试)
      在这里插入图片描述
    3. H模型(测试更独立,边开发边测试)
      在这里插入图片描述
    4. X模型(开发和测试交叉执行)
      在这里插入图片描述
  2. 软件测试分类总结
    在这里插入图片描述

第二周 3.02

在这里插入图片描述

  1. 边界值分析
    在这里插入图片描述
    基本思想:
    在这里插入图片描述
    案例1:
    在这里插入图片描述
    在这里插入图片描述
    案例2:
    在这里插入图片描述
    在这里插入图片描述
    总结:

    1. n个变量的边界值分析的测试用例为:4*n+1
      在这里插入图片描述

    2. 边界值在两种情况下很适用,在一种情况下不适用
      在这里插入图片描述

  2. 健壮性测试
    在这里插入图片描述
    案例1:
    在这里插入图片描述
    在这里插入图片描述
    总结:n个变量的健壮性测试分析的测试用例为:6*n+1

  3. 最坏情况测试
    在这里插入图片描述
    案例1:
    在这里插入图片描述
    总结:n个变量的最坏情况测试分析的测试用例为:5**n

    最坏情况与边界值分析的比较
    在这里插入图片描述

  4. 最坏情况测试与健壮性测试的结合——健壮最坏情况测试
    在这里插入图片描述
    案例:
    在这里插入图片描述
    总结:n个变量的健壮最坏情况测试分析的测试用例为:7**n
    健壮性测试和健壮最坏情况测试的比较:
    在这里插入图片描述

  5. 特殊值测试
    在这里插入图片描述
    边界值分析案例(可以不看!!!):
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  6. 随机测试(不太重要,理解概念和优缺点即可,不会有应用题)
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  7. 边界值测试的指导方针(整体总结)
    在这里插入图片描述
    至此,第二周的第一个ppt结束,下面开始等价类测试的ppt!


  1. 等价类的目录导览
    在这里插入图片描述
  2. 等价类的定义
    在这里插入图片描述

如何设计等价类测试用例
在这里插入图片描述
用案例说明:
在这里插入图片描述
1. 弱一般等价类
在这里插入图片描述
2. 强一般等价类
在这里插入图片描述
3. 弱健壮等价类测试(默认的等价类测试)
在这里插入图片描述
4. 强健壮等价类测试
在这里插入图片描述

具体如何设计等价类:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述


三角形问题的等价类测试案例

题目
在这里插入图片描述

解法:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

NextDate测试等价用例

在这里插入图片描述
在这里插入图片描述
弱健壮等价类测试用例:
在这里插入图片描述

弱一般 = 强一般 = 1
弱健壮 = 2*3 + 1
强健壮 = 3**3 = 27

nextDate变式:
在这里插入图片描述
在这里插入图片描述

弱一般 = max(3, 4, 3) = 4
强一般 = 3*4*3
弱健壮 = 4  +  3*2
强健壮 = 5 * 6  *  5

在这里插入图片描述
在这里插入图片描述


基于决策表的测试(重点看上课讲的,这里不重要!)

  1. 定义:
    在这里插入图片描述
  2. 决策表的分类
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  3. 根据决策表设计测试用例
    在这里插入图片描述
  4. 三角形案例分析
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  5. nextDate案例分析
    在这里插入图片描述
    最终尝试结果:
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    简化版:
    在这里插入图片描述
    在这里插入图片描述
    根据简化版设计测试用例:
    在这里插入图片描述
  6. 决策表总结
    在这里插入图片描述
    在这里插入图片描述

黑盒测试总结

等价类测试和边界值分析统称为黑盒测试,包括:
在这里插入图片描述
在这里插入图片描述

保险金案例:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

相关文章:

软件质量保证与软件测试复习笔记(第一周总体介绍+黑盒测试详细)

第一周 2.23 (总体性介绍) 软件测试的定义 常用术语解释 错误 缺陷 故障 失效 测试和测试用例、测试过程 出现软件缺陷的原因 软件开发的主要环节 测试过程的生命周期模型 软件测试的本质是针对要测试的内容确定一组测试用例 测试用…...

WRF模式与Python融合技术在多领域中的应用及精美绘图教程

当今从事气象及其周边相关领域的人员,常会涉及气象数值模式及其数据处理,无论是作为业务预报的手段、还是作为科研工具,掌握气象数值模式与高效前后处理语言是一件非常重要的技能。WRF作为中尺度气象数值模式的佼佼者,模式功能齐全…...

Reactor设计模式

一、Reactor设计模式 1、什么是Reactor设计模式? Reactor模式是高性能I/O设计中,常用的设计模式。其中心思想是将所有要处理的I/O事件注册到一个中心I/O多路复用器上,同时主线程阻塞在多路复用器上,一旦有I/O事件到来或是准备就绪…...

精通 TensorFlow 2.x 计算机视觉:第二部分

原文:Mastering Computer Vision with TensorFlow 2.x 协议:CC BY-NC-SA 4.0 译者:飞龙 本文来自【ApacheCN 深度学习 译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。 不要担心自己的形象,…...

《算法竞赛进阶指南》0x51 线性DP

0x51 线性DP 271. 杨老师的照相排列 题意&#xff1a; NNN 个人站成左端对齐的 kkk 排&#xff0c;每排有 NiN_iNi​ 人&#xff0c;Ni>NjN_i > N_jNi​>Nj​ 如果 i<ji < ji<j&#xff0c;则 Ni>NjN_i > N_jNi​>Nj​ 。每一排从左到右身高递减&…...

spring数据库事务管理

1.什么是事务 事务是逻辑上的一组操作&#xff0c;要么都执行&#xff0c;要么都不执行。 需要注意的是&#xff1a;事务能否生效数据库引擎是否支持事务是关键。比如常用的 MySQL 数据库默认使用支持事务的 innodb引擎。但是&#xff0c;如果把数据库引擎变为 myisam&#x…...

Huggingface微调BART的代码示例:WMT16数据集训练新的标记进行翻译

BART模型是用来预训练seq-to-seq模型的降噪自动编码器&#xff08;autoencoder&#xff09;。它是一个序列到序列的模型&#xff0c;具有对损坏文本的双向编码器和一个从左到右的自回归解码器&#xff0c;所以它可以完美的执行翻译任务。 如果你想在翻译任务上测试一个新的体系…...

synchronized 的 monitor 机制

synchronized 的 monitor 机制 前言 本文基于 jdk 8 编写。author JellyfishMIX - github / blog.jellyfishmix.comLICENSE GPL-2.0 monitor monitor 是 synchronized 中用以实现线程之间的互斥与协作的主要手段&#xff0c;它可以看成是对象或者 class 持有的锁。每一个对象…...

NumPy 初学者指南中文第三版:1~5

原文&#xff1a;NumPy: Beginner’s Guide - Third Edition 协议&#xff1a;CC BY-NC-SA 4.0 译者&#xff1a;飞龙 一、NumPy 快速入门 让我们开始吧。 我们将在不同的操作系统上安装 NumPy 和相关软件&#xff0c;并看一些使用 NumPy 的简单代码。 本章简要介绍了 IPython…...

ChatGLM-6B论文代码笔记

ChatGLM-6B 文章目录 ChatGLM-6B前言一、原理1.1 优势1.2 实验1.3 特点&#xff1a;1.4 相关知识点 二、实验2.1 环境基础2.2 构建环境2.3 安装依赖2.4 运行2.5 数据2.6 构建前端页面 3 总结 前言 Github&#xff1a;https://github.com/THUDM/ChatGLM-6B 参考链接&#xff1a…...

机器学习入门实例-加州房价预测-1(数据准备与可视化)

问题描述 数据来源&#xff1a;California Housing Prices dataset from the StatLib repository&#xff0c;1990年加州的统计数据。 要求&#xff1a;预测任意一个街区的房价中位数 缩小问题&#xff1a;superwised multiple regressiong(用到人口、收入等特征) univariat…...

【ROS2指南-20】了解ROS2组件的用法

在单个进程中组合多个节点 目录 背景 运行演示 发现可用组件 使用 ROS 服务 (1.) 与发布者和订阅者的运行时组合 使用 ROS 服务 (1.) 与服务器和客户端的运行时组合 使用 ROS 服务的编译时组合 (2.) 使用 dlopen 的运行时组合 使用启动动作组合 高级主题 卸载组件 重新…...

使用AI进行“文本纠错”

AI在现实中的应用有很多&#xff0c;你有没有想过&#xff0c;它还可以进行文本纠错呢&#xff1f;传统的校对既耗时又枯燥&#xff0c;通过“AI纠错”&#xff0c;不仅能更快完成&#xff0c;还能提高准确度。那么AI“文本纠错”背后的原理是什么呢&#xff1f;和我一起看看吧…...

第九章 法律责任与法律制裁

第九章 法律责任与法律制裁_副本 目录 第一节 法律责任的概念 一 法律责任的含义二 法律责任的特点 第二节 法律责任的分类与竞合 一 法律责任的分类 &#xff08;一&#xff09;根据责任行为所违反的法律的性质 民事责任&#xff1a;刑事责任行政责任违宪责任 &#xff08;二…...

如何选择好用的海康视频恢复软件?综合考虑这几点

海康视频恢复通常是指从海康威视监控设备中恢复删除或丢失的视频。在使用海康设备进行监控时&#xff0c;一些重要的视频可能会被误删除或其他原因导致丢失&#xff0c;如果没有及时备份&#xff0c;数据就可能会“永久”丢失&#xff1f;其实不然&#xff0c;我们可以选择好用…...

前端学习:HTML颜色(什么是RGB、HEX、HSL)

一、什么是RGB、HEX、HSL&#xff1f; 无论是RGB、HEX、HSL&#xff0c;它们的作用只有一个&#xff1a;用数字表达出一种颜色。 1.RGB RGB通过输入的数值&#xff0c;将红色、绿色和蓝色的光源以一定的量混合在一起&#xff0c;形成颜色。 软件中通常让你输入Red、Green、B…...

zookeeper + kafka集群搭建详解

目录 1.消息队列介绍 1.为什么需要消息队列 &#xff08;MO&#xff09; 2.使用消息队列的好处 3.消息队列的两种模式 2.Kafka相关介绍 1.Kafka定义 2.Kafka简介 3. Kafka的特性 3.Kafka系统架构 1. Broker&#xff08;服务器&#xff09; 2. Topic&#xff08;一个队…...

【数据结构与算法】 - 双向链表 - 详细实现思路及代码

目录 一、概述 二、双向链表 三、双向链表实现步骤  &#x1f4cc;3.1 C语言定义双向链表结点  &#x1f4cc;3.2 双向链表初始化  &#x1f4cc;3.3 双向链表插入数据  &#x1f4cc;3.4 双向链表删除数据  &#x1f4cc;3.5 双向链表查找数据  &#x1f4cc;3.6 双向链…...

面试官在线点评4份留学生简历! 这些坑你中了几个?如何写项目描述才能被大厂发面试?转专业简历该咋写 | 还有优秀简历展示!

我们给大家展示一下 从材料的准备 也就是说到底包含哪些具体的项目 为什么说这些项目是不错的 第二呢就是说在陈述上 在整个这个简历的结构 他的完备性他的准确性 他的正确性 以及最后他的具体的这种项目的描述 那讲完了这个好的简历呢 我们另外搜集了几份简历 那这些简历呢其实…...

一觉醒后ChatGPT 被淘汰了

OpenAI 的 Andrej Karpathy 都大力宣传&#xff0c;认为 AutoGPT 是 prompt 工程的下一个前沿。 近日&#xff0c;AI 界貌似出现了一种新的趋势&#xff1a;自主人工智能。 这不是空穴来风&#xff0c;最近一个名为 AutoGPT 的研究开始走进大众视野。特斯拉前 AI 总监、刚刚回归…...

微软服软!被骂5年的Win11将被“整改”:告别强制更新、减少Copilot、任务栏摆放自由

整理 | 屠敏出品 | CSDN&#xff08;ID&#xff1a;CSDNnews&#xff09;Windows 11 自 2021 年发布以来&#xff0c;因任务栏功能缩水、UI 不统一、强制网络登录以及更高的硬件门槛&#xff0c;成为用户集中吐槽的焦点。再加上近来微软猛推 AI 功能&#xff0c;Copilot 的入口…...

ArcGIS Desktop许可证被占满?别慌,这3个方法帮你快速释放Advanced许可(附详细步骤)

ArcGIS Desktop高级许可被占用&#xff1f;3种高效解决方案与实战技巧 当你正在赶制项目报告或处理关键地理数据时&#xff0c;突然弹出的"All ArcGIS for Desktop Advanced licenses are in use"错误提示足以让任何GIS专业人士心跳加速。这种情况往往发生在团队共享…...

AI辅助开发中的Codec VAD优化实践:从算法原理到工程落地

在实时音视频应用里&#xff0c;语音活动检测&#xff08;VAD&#xff09;就像个“守门员”&#xff0c;负责精准判断当前有没有人在说话。这个判断准不准、快不快&#xff0c;直接关系到后续的编码、传输乃至降噪、唤醒等一系列流程的效率。尤其在AI辅助开发的框架下&#xff…...

ai辅助c语言开发:让快马智能生成复杂格式文件读写代码

最近在开发一个C语言程序时需要处理自定义数据包格式&#xff0c;正好体验了用AI辅助开发的便捷。这个数据包格式包含包头标识、包体长度和JSON格式的包体数据&#xff0c;需要实现读写功能。下面分享我的实现过程和AI辅助开发的实用技巧。 数据包结构分析 首先明确数据包由三部…...

RVC 技术指南:从问题解决到效率提升

RVC 技术指南&#xff1a;从问题解决到效率提升 【免费下载链接】rvc RVC is a Linux console UI for vSphere, built on the RbVmomi bindings to the vSphere API. 项目地址: https://gitcode.com/gh_mirrors/rvc/rvc 问题场景→核心原理→分步方案→进阶技巧 一、环…...

基于人工电场搜索智能优化算法的水库发电和供水优化调度

基于人工电场搜索智能优化算法的水库发电和供水优化调度&#xff1b; 代码为MATLAB编写&#xff0c;可直接运行&#xff1b; 含有实例数据&#xff0c;点击即可运行&#xff0c;替换成自己数据点击即可出结果&#xff0c;如图。在水库管理中&#xff0c;实现发电和供水的优化调…...

# 数据仓库分层设计指南

从 0 搭建企业级数仓架构&#xff0c;ODS/DWD/DWS/ADS 分层详解&#x1f4cc; 前言 为什么你的 SQL 越来越难维护&#xff1f; 为什么每次加需求都要改一堆表&#xff1f; 为什么数据口径对不上&#xff1f; 根本原因&#xff1a;没有分层设计&#xff01; 这篇文章带你从零设计…...

大模型赋能多尺度空间智能:从具身感知到地球系统建模的跨学科探索

1. 大模型如何重构空间智能的认知框架 当AlphaGo击败人类棋手时&#xff0c;我们惊叹于AI的策略能力&#xff1b;但当大语言模型开始理解三维空间关系时&#xff0c;这标志着机器认知的质变。空间智能的本质是理解物体间的相对位置、距离和运动规律&#xff0c;这种能力对人类而…...

项目分享|LLM驱动的多市场股票智能分析器

项目分享|LLM驱动的多市场股票智能分析器 引言 在股票投资分析中&#xff0c;实时行情跟踪、多维度数据解析和科学决策判断是核心需求&#xff0c;而个人投资者往往面临数据分散、分析耗时、缺乏专业工具的问题。由ZhuLinsen开源的daily_stock_analysis项目完美解决了这些痛点…...

so-vits-svc声压级标准化终极指南:避免音质损伤的10个关键步骤

so-vits-svc声压级标准化终极指南&#xff1a;避免音质损伤的10个关键步骤 【免费下载链接】so-vits-svc SoftVC VITS Singing Voice Conversion 项目地址: https://gitcode.com/gh_mirrors/so/so-vits-svc 你是否在使用so-vits-svc进行语音转换时&#xff0c;遇到过输出…...