漫谈测试成长之探索——缺陷分析

爱测角 2022-08-22 12:16:30

 回顾校园生活中,我们参加每一场考试后都会对错题进行分析总结并补缺补漏,以便能更好地去应对更重要的考试。回到软件系统开发中,我们记录和跟踪缺陷的目的是什么,仅仅是为了在软件系统开发过程中跟踪Bug直至修复么?应该不止于此。我们也可以对项目缺陷进行分析,分析其共性进而分类,从而建立项目的“错题集”,为下一次“考试”提供宝贵的经验

如图1-1所示,通常一条缺陷记录会包含缺陷编号、缺陷标题、状态、缺陷描述、严重程度、优先级、开发负责人、测试负责人、缺陷类型、功能模块、对应版本对应环境等信息。那么,我们可以从哪些方面来分析和总结项目的缺陷呢?

图1-1 软件缺陷记录示例

 

 

一、缺陷分析维度

如图1-2所示,我们可以按项目缺陷的严重程度维度来统计。图中分别展示了项目各个严重程度的缺陷数和缺陷占比。从图中可以看出该项目有25个严重程度为一般的Bug,占Bug总数的50%,严重程度为较小的Bug占据到了28%,严重和致命程度的Bug占总的22%。

图1-2 缺陷分析_严重程度维度

 

 

基于上述各类严重程度缺陷占比数据,我们可以怎么分析项目情况呢?从占比上看,本次项目的严重及以上的Bug占比不到总的1/4,说明本次开发项目的整体提测质量还是比较高的。但是,从Bug总数上看,由于Bug总数较多,严重程度较小和一般的缺陷数达到了39个,将近总数4/5。为什么会有这么多严重程度不高的Bug?

 

我们可以继续从缺陷类型维度分析,如图1-3所示,这里我们可以看到,功能问题类的缺陷还是占据了一半以上,同时,界面和交互问题也占据了28%,说明开发对于产品比较细节的功能点以及产品界面和交互重视和理解程度不够,导致提交测试的产品大问题不多,但是小问题不少。这部分问题是不是可以避免或者减少的呢?这就是我们要思考的了。

图1-3 缺陷分析_缺陷类型维度

 

为了减少下次同类问题频繁发生,我们可以在开发方案和测试要点评审节点明确各功能细节、界面和交互点。让开发人员在开发过程中尽量避免此类问题。

 

 

如图1-4所示,我们还可以从功能模块维度进度分析。从图中我们可以看到模块B和模块C的缺陷占据了总的82%,相对于模块A和模块D,我们可以理解为模块C和模块D的实现复杂度应该比较高。为了提高该模块的开发质量,这次版本交付后可以督促开发去做总结和复盘,同时下次产品迭代涉及到这两个模块的时候也要做好研发方案评审。

图1-4 缺陷分析_功能模块维度

 

 

如图1-5所示,除了从缺陷的各个角度去分析,我们也可以从开发负责人维度来分析。假定这个项目有四个开发人员共同开发,且分配给他们的任务在工作量和工作难度上没有太大的差异,从图中我们看出RD_张开发任务的缺陷数远远少于其他三个开发人员,可以说明其对需求的理解以及开发的质量意识是比较高的。可以公开对其开发能力进行肯定,也可以让其总结和分享开发经验,引导其他开发人员进行改进。

图1-5 缺陷分析_开发负责人维度

 

 

二、总结

上文分析的缺陷数据并没有包含所有项目的缺陷情况,但是大家可以尝试去分析自己负责的模块或者是整个项目的缺陷数据,并思考可能影响项目质量的原因,进而采取一定的措施去改进。不太可能一步到位完成,但是可以持续改进,这样同样类型或者是重复出现的缺陷就会越来越少,我们也能有更多的精力去应对更有价值的缺陷。

 

作者简介:Chaofan,爱测角成员之一,专注探索和分享软件质量保障。

如果需要上文缺陷分析模版文件,可以浏览原文获取。

原文地址《漫谈测试成长之探索——缺陷分析》

 

...全文
691 1 打赏 收藏 转发到动态 举报
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
CSDN-Ada助手 2023-01-13
  • 打赏
  • 举报
回复
您可以前往 CSDN问答-软件工程 发布问题, 以便更快地解决您的疑问
内容概要:本文聚焦风电出力的不确定性问题,采用拉丁超立方抽样(Latin Hypercube Sampling, LHS)方法生成具有统计代表性的风电出力初始场景集,有效克服传统蒙特卡洛抽样存在的样本冗余与收敛速度慢的缺陷。为进一步降低场景数量以提升电力系统优化调度的计算效率,研究结合K-means聚类、快速前向选择等场景缩减技术,对生成的高维场景进行聚合与概率修正,保留最具代表性的典型场景及其对应概率分布。整个建模流程在Matlab平台上编程实现,形成一套完整的“抽样—生成—缩减—验证”的不确定性建模框架,为含高比例风电的电力系统提供高质量、低冗余的输入场景集,显著增强随机优化、鲁棒优化等模型的求解效率与工程实用性。; 适合人群:具备电力系统分析、概率统计基础及Matlab编程能力,从事新能源并网、电力系统优化调度、不确定性建模与风险评估等方向的科研人员、工程技术人员及研究生。; 使用场景及目标:①应用于风电主导的电力系统随机优化调度、机会约束规划、鲁棒经济调度等场景,提升模型对不确定性的刻画能力;②帮助研究者深入掌握拉丁超立方抽样与场景缩减的核心原理与实现方法,构建高精度的不确定性输入模型;③为复杂电力系统仿真提供经过科学约简的典型场景集,平衡计算精度与效率,支撑实际工程决策。; 阅读建议:建议读者结合提供的Matlab代码逐模块调试与运行,重点理解LHS在多维空间中的分层抽样机制、场景距离度量方式及聚类缩减过程中的概率守恒原则,关注缩减前后场景集的分布保真性与计算效率提升效果,以全面掌握风电不确定性建模的关键技术路径。

6,509

社区成员

发帖
与我相关
我的任务
社区描述
分享和收录软件测试的相关内容,跟大家一起学习进步。
社区管理员
  • 小博测试成长之路
  • 清安无别事
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告

欢迎大家加入到软件测试的社区,在这里,希望大家勇于发表自己的看法,欢迎大家分享自己在软件测试工作过程中遇到的问题以及工作经验分享。

1.想转行的小伙伴,遇到问题没有及时回复的,可以私聊小博进行反馈

2.大家对社区有好的建议,都可以在社区发帖进行反馈

推荐大家学习的软件测试入门笔记:软件测试入门学习笔记

推荐测试博主的博客:

1、https://blog.csdn.net/liboshi123

2、https://blog.csdn.net/qq_25305833

3、https://blog.csdn.net/weixin_52040868

 

试试用AI创作助手写篇文章吧