回归测试的几种方法

回归测试,是对修复Bug后的软件进行验证,确保所有缺陷得到修复,并且没有引入新的Bug。

如果确保缺陷得到修复,那么只需要执行发现缺陷的测试用例,但这样不能排除引入新的Bug;而如果把所有测试用例都执行一遍,可以确保没有新的Bug,但这样做又需要大量的测试工作量,可能代价太大。

所以,回归测试需要讲究方法、策略。

以下是两种回归测试方法介绍。

  1. 基于用例的回归测试方法

基于用例的回归测试方法又可分为全部回归、影响分析回归、全部回归与影响分析回归结合以及巩固回归四类。

  • 全部回归

顾名思义,全部回归就是把所有用例重新再执行一遍,这种回归基本没有风险,但是成本很高。当测试用例数目庞大,且软件版本不稳定时,即使是实现了自动化测试,结果也不会尽如人意。所以全部回归的策略可以用,但要少用,要用在关键点上。

  • 影响分析回归

影响分析回归是指通过变更影响分析,将变更点及受其影响的功能点所对应测试用例全部挑选出来进行回归。相较于全部回归,这种回归方法执行的用例较少,效率很高,但风险较大。如果影响分析不准确、不充分。可能会遗漏新的Bug。

为了降低风险,可以使用黑盒与白盒结合的分析方法:首先站在黑盒角度,找出变更点对应的业务,以及系统中与它关联的业务,画出业务功能的影响关系图,通过图中的影响业务收集回归测试用例;然后站在白盒角度,画出变更点的模块与模块之间、函数与函数之间的依赖图,从依赖关系中找出必测路径,对黑盒角度分析得来的回归测试用例查漏补缺。

  • 影响分析回归与全部回归相结合

如果软件开发一直在进行版本迭代,频繁提交的版本中会不断增加新功能,理想情况下除了测试新功能外还需验证原来的功能,但在进度紧张时这样做是不现实的。但如果一直到最后才进行全部回归,工作量将非常庞大,而且风险也很大。采取影响分析回归与全部回归相结合的方法,就是在小阶段进行影响分析回归,大阶段进行全部回归,最后在软件交付前再进行全部回归,以降低Bug没有及时发现的风险,同时也能减少过度测试,

  • 巩固性回归

巩固性回归是在更改很小,基本不会影响原有功能的情况下,选择变更点对应的测试用例以及常用功能和重要功能的测试用例进行回归。它适合于更改很小的补丁发布版本。

  1. 基于Bug的回归测试方法

基于Bug的回归测试方法也有彻底回归版本的Bug和回归缺陷库中所有Bug两种类型。

  • 彻底回归版本的Bug

软件修复Bug后,要确保这个Bug得到解决,并且没有引入新的Bug并不容易。做好以下三件事有助于达成这个目标:

(1)记录Bug是如何修改的

开发人员修复Bug前应记录“Bug解决方案”、“影响分析”、“测试建议”等内容,指明更改对本模块、其他模块的影响,具体更改内容,以及给测试提出建议。

(2)开发人员确认Bug被更改

开发人员修复Bug后,先验证Bug更改的有效性,再提交给测试。

(3)记录Bug是如何回归的

测试人员完成回归测试后,应做好回归路径的记录。

  • 回归缺陷库中的全部Bug

几乎有测试实战经验的朋友都遇到过,并不是缺陷库中每一个Bug都有测试用例对应的。因为有些Bug可能不是软件本身的缺陷导致的,而是受相关环境的影响导致偶然出现的。所以在软件交付前可以对缺陷库中所有的Bug回归一遍,验证是否仍存在。根据经验,这些Bug重新打开率在0.5%~1%左右。

总之,要达到回归测试的有效性、充分性,又有较高的效率,选择合适的回归测试方法很重要。

 行动吧,在路上总比一直观望的要好,未来的你肯定会感 谢现在拼搏的自己!如果想学习提升找不到资料,没人答疑解惑时,请及时加入扣群: 320231853,里面有各种软件测试+开发资料和技术可以一起交流学习哦。

最后感谢每一个认真阅读我文章的人,礼尚往来总是要有的,虽然不是什么很值钱的东西,如果你用得到的话可以直接拿走:

这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴上万个测试工程师们走过最艰难的路程,希望也能帮助到你!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/1412355.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

【DPU系列之】Bluefield 2 DPU卡的功能图,ConnectX网卡、ARM OS、Host OS的关系?(通过PCIe Switch连接)

核心要点: CX系列网卡与ARM中间有一个PCIe Swtich的硬件单元链接。 简要记录。 可以看到图中两个灰色框,上端是Host主机,下端是BlueField DPU卡。图中是BF2的图,是BF2用的是DDR4。DPU上的Connect系列网卡以及ARM系统之间有一个…

KIE基于图模型的关键信息抽取源码详解

1.数据集准备 下载数据集 https://download.openmmlab.com/mmocr/data/wildreceipt.tar WildReceiptOpenset 准备好 WildReceipt。 转换 WildReceipt 成 OpenSet 格式: # 你可以运行以下命令以获取更多可用参数: # python tools/dataset_converters/kie/closeset_to_opens…

构建智能化监控追踪系统:架构设计与实践

随着信息技术的不断发展,监控追踪系统在各个领域的应用越来越广泛。本文将探讨监控追踪系统的架构设计,介绍其关键特点和最佳实践,助力各行业实现智能化监控与管理。 1. **需求分析与功能设计:** 在设计监控追踪系统之前&#xf…

nginx--防盗链

盗链 通过在自己网站里面引用别人的资源链接,盗用人家的劳动和资源 referer referer是记录打开一个页面之前记录是从哪个页面跳转过来的标记信息 正常的referer信息 none:请求报文首部没有referer首部,比如用户直接在浏览器输入域名访问web网站&…

面试算法-链表-反转链表(golang、c++)

目录 1、题目 2、解题思路 2.1 遍历、迭代 2.2 递归 3、源代码 3.1 c 3.2 golang 4、复杂度分析 4.1 遍历、迭代法 4.2 迭代法 1、题目 链表是一种常用的数据结构,链表的特点是插入、删除节点的效率非常高,因为他不需要移动其他任何元素&…

Nest.js中使用任务调度

java中的xxl在nestJs中是有内置的任务调度nestjs/schedule npm install --save nestjs/schedule 在model中引入使用 在service中直接使用就行 具体间隔多久看官方配置 Task Scheduling | NestJS 中文文档 | NestJS 中文网

56 关于 linux 的 oom killer 机制

前言 这里主要讲的是 linux 的 oom killer 机制 在系统可用内存较少的情况下,内核为保证系统还能够继续运行下去,会选择杀掉一些进程释放掉一些内存。 通常oom_killer的触发流程是:进程A想要分配物理内存(通常是读写内存&#…

精确分析sample_gpt

当层数相同,同时头数和层数相乘小于 隐藏维度的时候 头数越大越好。及层数越少越好。 从这个图上可以继续得知 层数最小为8 而上面得到的结论,是层数和头数要小于隐藏维度,且能整除2 那么 得到 sqrt(hidden_dim)//8heads layer_num8 如图可以…

TCP通信并发:

上次的程序只能保持,单线程或者进程 多进程并发服务器 进程的特点(有血缘关系) 创建子进程:fork(); 虚拟地址空间被复制 ,从一份变成两份(用户区和内核区&#xff09…

二、nodejs连接数据库实现登录功能

// 数据库下载可以用这个 DBeaver安装与使用教程(超详细安装与使用教程),好用免费的数据库管理工具_dbeaver使用教程-CSDN博客 模块化 (1)新建一个叫Dao的文件夹,存接数据库代码 // 参考数据库 &#xf…

【打工日常】云原生之搭建一款多功能的个人网盘

一、JmalCloud介绍 1.JmalCloud简介 JmalCloud 是一款私有云存储网盘程序,主要用于简单轻量的管理个人存储资料的网盘。 2.项目特点 A.支持OSS,阿里云OS、腾讯云OSS和MinIOB.支持图片,音频,视频等文件的在线预览C.支持Word、Excel、PPT、流程图和思维导图的编辑…

1.VAM本体文件内容简介

目录介绍 1. Addonpackages 里面全是.var的包文件 2. BepInEx 是游戏的汉化插件 3. Custom 是游戏的资源,包括头发,服装,声音 4. Saves 是保存场景的默认目录 5. VaM(Config).bat 是启动游戏面板 可以选择分辨率,是否是…

游戏AI的智能化:机器学习在虚拟生命中的应用

文章目录 写在前面游戏AI的智能化:机器学习在虚拟生命中的应用游戏内容的自动化创作:机器学习的革新性应用玩家体验的个性化优化:机器学习的定制化力量未来展望:机器学习塑造游戏行业新纪元游戏AI的智能化发展自动化内容生成的革命…

cordova build android 下载gradle太慢

一、 在使用cordova run android / cordova build android 的时候 gradle在线下载 对于国内的链接地址下载太慢。 等待了很长时间之后还会报错。 默认第一次编译在线下载 gradle-7.6.1-all.zip 然后解压缩到 C:\Users\Administrator\.gradle 文件夹中,下载慢导致失败。 二…

《老相册》读后感

外面在下着瓢泼大雨,豆粒大的雨点打在窗户上,发出啪啪的巨响。这样的雨天,是不适宜外出的,最惬意的方式就是一个人待在宿舍里,打开一本书,慢慢地看,静静地想,让所有的烦恼融化在这雨…

39.乐理基础-拍号-认识音符

拍号是一个分数的形式,如下图篮色的圈圈里的东西,但它的实际意义和分数没什么关系,只是外观上是一个分数的形式 单独拿出拍号,如下图: 然后接下来只要搞懂什么是 Y分音符、一拍、小节就可以了。 音符: 控…

图神经网络GNN的表达能力

回顾 图卷积神经网络GCN GNN概要 神经网络的表达能力 分类or回归 神经网络的表达能力举例: 深度学习的理论基础和上限 GNN的表达能力 定义:图神经网络的表达能力就是它区分不同图的区分能力 分析常见的GNN的表达能力并设计出表达能力最强的GN…

proc 文件系统

proc 文件系统是一个虚拟文件系统,它以文件系统的方式为应用层访问系统内核数据提供了接口 , 用户和应用程序可以通过 proc 文件系统得到系统信息和进程相关信息 ,对 proc 文件系统的读写作为与内核进行通信的一种手段。但是与普通文件不同的…

基于 docker-compose 部署 LNMP 架构

目录 前言 1、任务要求 2、Nginx 2.1 建立工作目录并上传相关安装包 2.2 编写 Nginx Dockerfile 脚本 2.3 准备 nginx.conf 配置文件 3、Mysql 3.1 建立工作目录并上传相关安装包 3.2 编写 Mysql Dockerfile 脚本 3.3 编写 my.cnf 配置文件 4、PHP 4.1 建立工作目录…

【C++】模板初阶:泛型编程的起点

💞💞 前言 hello hello~ ,这里是大耳朵土土垚~💖💖 ,欢迎大家点赞🥳🥳关注💥💥收藏🌹🌹🌹 💥个人主页&#x…