💻
QMMMS的笔记
博客
  • QMMMS的笔记
  • agent
    • MCP的背景、原理和开发
    • Agent 历史与背景
    • Agentic Workflows
    • 环境检查与基础工具
    • Tool Call
    • 工具与运行时的值
    • temp
    • 处理 Tool Call error
    • trick
  • algorithm
    • 线性结构
    • 二叉树
    • 图
    • 查找
    • 排序
    • 动态规划
    • 优化方法
    • 数学
    • 迁移至Java
  • computer_composition
    • 系统总线
    • 存储器
    • 输入输出系统
    • 计算机的运算方法
    • 指令系统
    • 补充
  • computer_network
    • 引入
    • 应用层
    • 传输层
    • 网络层(数据平面)
    • 网络层(控制平面)
    • 链路层
    • 常见问答
    • 实验
  • database
    • SQL实战
    • 关系代数
    • 数据库设计
    • 规范化
    • 数据库基本概念
    • 查询原理
    • 数据库恢复技术
    • 并发控制
  • dev_tools
    • Git
    • Nginx
    • Spring
    • LangChain
    • PyTorch Cheat Sheet
    • MyBatis
    • MySQL Cheat Sheet
    • MySQL 补充
    • Redis
    • Docker
    • RocketMQ
    • Chrome
  • linux
    • Linux基础命令与使用
    • 文件与权限
    • 文件与目录操作
    • 权限属性高级
    • 命令与文件的查找
    • 文件压缩和打包
    • vim编辑器
    • shell变量
    • 命令补充
    • 数据流重定向
    • 管道命令
    • shell脚本
    • 用户管理
    • 用户间交流
    • 计划任务
    • 进程管理
    • 软件管理
    • 认识系统服务
    • 运维常用命令
    • 常用命令
  • llm
    • 大规模语言模型概述
    • 分布式训练概述
    • 有监督微调概述
    • 强化学习与LLM
    • LLM评估概述
    • 大模型应用
    • 理解大模型
    • 量化
    • 预训练
    • 上下文学习
  • machine_learning
    • 引入
    • 大致正确学习
    • 一致收敛
    • 偏差还是过拟合?
    • 可学习的充要条件
    • 非均匀可学习性
    • 计算复杂性
  • mathematics
    • 概率与统计基础
    • 线性代数基础
  • operating_system
    • 操作系统基本概念
    • 进程和线程
    • 同步,互斥与死锁
    • 内存管理
    • 文件系统
    • I/O系统
    • 保护与安全
    • 《现代操作系统》
  • statistical_learning
    • 统计学习引入
    • 线性回归
    • 分类
    • 重抽样方法
    • 线性模型选择与正则化
    • 非线性模型
    • 基于树的方法
    • 支持向量机
    • 无指导学习
    • 马尔科夫链和蒙托卡罗方法简明理解
    • R语言速查
  • deep_learning
    • basic_concepts
      • 逻辑回归与损失函数
      • 神经网络
      • 正则化、预处理、权重初始化
      • 优化算法
      • 机器学习策略
      • 复习:从计算机视觉的角度
      • 卷积神经网络
      • 深度卷积网络示例
      • 计算机视觉任务
      • 循环神经网络
      • 自然语言处理任务
      • 注意力
      • Transformers 家族
      • 显卡扫盲
      • 强化学习概述
    • semi-supervise
      • 半监督学习简介
      • Consistency Regularization
      • Proxy-label Methods
      • Holistic Methods
      • Generative Models
      • Graph-Based SSL
      • Self-Supervision for SSL
      • Other SSL methods
  • programming
    • cpp
      • STL
      • C++基础
      • 内存管理
      • 面向对象
    • java
      • 环境和介绍
      • 注释
      • String
      • 面向对象思想
      • Object
      • 包
      • 访问权限修饰符
      • 初始化块
      • 接口
      • 内部类
      • 注解
      • 枚举
      • 集合框架
      • List
      • Map
      • 泛型
      • 迭代
      • IO与流
      • 序列化
      • 异常
      • Lambda
      • Stream流
      • Socket
      • 缓冲
      • 命名规范
      • 拆箱装箱
      • 值传递
      • 深拷贝
      • 反射
      • JVM
      • 并发编程基础
    • python
      • 并发编程
      • 环境管理
  • software_engineering
    • basic_concepts
      • 系统分析与设计概述
      • 规划
      • 需求分析与原型设计
      • 项目管理
      • 建模
      • 数据库设计
      • 架构
      • 配置管理
      • 测试管理
      • 安全
      • 编码原则
      • 微服务
      • 补充内容
    • software_testing
      • CMMI基础
      • PPQA与SQA
      • 软件测试基础
      • 黑盒测试
      • 白盒测试
      • 集成测试
      • 系统测试
      • 测开面试补充
由 GitBook 提供支持
在本页
  • 基于功能分解的集成测试
  • Big Bang
  • Top-Down
  • Bottom-Up
  • Sandwich
  • 计算
  • 基于调用图的集成测试
  • Pair-Wise
  • Neighborhood
  • 基于路径的集成测试
在GitHub上编辑
  1. software_engineering
  2. software_testing

集成测试

上一页白盒测试下一页系统测试

最后更新于11个月前

目标:

  • 揭示由组件组合引起的问题。

  • 快速从组件获得解决方案。

基于功能分解的集成测试

  • Top-Down:瀑布模型与自上而下的发展和功能分解密切相关。自上而下的集成测试将从主程序开始并使用桩函数(stub)。

  • Bottom-Up:自下而上的集成测试将从较低级别的功能开始并使用驱动程序(driver)。

  • Sandwich:以上两种结合。

  • Big Bang:一次测试所有组件

以SATM系统为例,下图为分解树(decomposition tree):

Big Bang

一次测试所有组件

Top-Down

自上而下的集成策略专注于首先测试顶层组件或者控制子系统。然后添加更多的子系统,这些子系统在测试应用程序时被已测试的子系统引用/要求,直到所有子系统都纳入。

需要“桩函数(stub)”,一种程序或方法,模拟缺失子系统的输入-输出功能。

Bottom-Up

自下而上的集成策略着重于首先测试最低级别组件。然后不断加入上层。需要测试驱动程序,一个“假”例程,需要一个子系统将测试用例传递给它。

Sandwich

将自上而下的策略与自下而上的策略结合在一起

计算

注意桩函数、驱动与test sessions 计算方法

基于调用图的集成测试

基本思想是使用调用图(Call Graph)而不是分解树(decomposition tree)。调用图是有向标记的图,其中节点表示功能单元,边表示调用事件或资源的特定请求。

两种基于调用图的集成测试:

  • Pair-wise Integration Testing配对的集成测试

  • Neighborhood Integration Testing邻居集成测试

SATM系统的调用图例子:

Pair-Wise

Pair-Wise 集成测试背后的想法是消除开发桩函数/驱动程序的需要。目标是使用实际代码而不是桩函数/驱动程序。为了不将过程恶化为Big Bang策略,我们将测试会话(session)限制为调用图中的一对单位。结果是,对于调用图中的每个边,我们都有一个集成测试会话。

Neighborhood

我们将图中节点的邻域(Neighborhood)定义为与给定节点相距一条边的节点集。在有向图中,邻域表示给定节点的所有直接前置节点和所有直接后继节点。可以减少测试会话的数量。

Neighborhoods 计算公式为:

Neighborhood=总结点−叶子结点\text{Neighborhood} = \text{总结点}-\text{叶子结点}Neighborhood=总结点−叶子结点

基于路径的集成测试

基本动机是将结构和行为类型的测试结合起来进行集成测试。其基本思想是专注于系统单元之间的交互,而不仅仅是测试单独开发和测试单元之间的接口。在这方面,基于接口的测试是结构化的,而基于交互的测试是行为的。

MM-Path:

  • 模块执行路径(Module execution path)和消息(Message)的交错序列。

  • 我们可以描述模块执行路径的序列,其中包括不同单元之间的控制权转移。

  • MM-Path始终表示可行的执行路径,并且这些路径跨越单元边界。

模块执行路径(Module execution path):以一头一尾的一系列语句。

消息(Message):一种编程语言机制,通过该机制,一个单元将控制权转移到另一个单元。

MM-Path例子如下:

如图,以下是模块执行路径:

MEP(A,1) = <1,2,3,6> 
MEP(A,2) = <1,2,4> 
MEP(A,3) = <5,6> 
MEP(B,1) = <1,2>
MEP(B,2) = <3,4>
MEP(C,1) = <1,2,4,5>
MEP(C,2) = <1,3,4,5>

现在我们构建MM-Path图,MM-Path图是一个有向图,点是模块执行路径,边对应信息的传送:

总结一下,不同集成测试需要的Testing Sessions数量: