CN111159043A - 一种测试风险的自动识别方法及系统 - Google Patents

一种测试风险的自动识别方法及系统 Download PDF

Info

Publication number
CN111159043A
CN111159043A CN201911409138.6A CN201911409138A CN111159043A CN 111159043 A CN111159043 A CN 111159043A CN 201911409138 A CN201911409138 A CN 201911409138A CN 111159043 A CN111159043 A CN 111159043A
Authority
CN
China
Prior art keywords
test
risk
task
data
reference value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911409138.6A
Other languages
English (en)
Other versions
CN111159043B (zh
Inventor
李宁馨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN201911409138.6A priority Critical patent/CN111159043B/zh
Publication of CN111159043A publication Critical patent/CN111159043A/zh
Application granted granted Critical
Publication of CN111159043B publication Critical patent/CN111159043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种测试风险的自动识别方法及系统，其中，该方法包括：采集测试人员信息、测试人员对应的任务数据及工作产出物数据；根据所述任务数据及工作产出物数据，得到测试任务比对基准值；将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告。本发明提出的测试风险的自动识别方法及系统可以通过数据分析统计来支持自动分析可能的测试风险和相应的应对措施，提高了识别准确率并节约了人力成本；该方法使用方便，支持阈值配置扩展，可适应不同场景。

Description

一种测试风险的自动识别方法及系统
技术领域
本发明涉及软件测试技术领域，尤指一种测试风险的自动识别方法及系统。
背景技术
在执行软件测试任务，尤其是多任务并行测试任务时，测试风险的识别往往都是依靠测试经理主观经验识别测试风险的，效率较低以及主观性强，测试经理可能无法及时识别到潜在的测试风险。
因此，亟需一种可以通过采集测试风险相关的数据，对测试风险进行自动识别的技术方案。
发明内容
为了解决上述问题，本发明提出了一种测试风险的自动识别方法及系统，能够根据任务相关信息自动化识别测试风险，可以在客户端维护或自动提取任务测试时间段、测试案例数、问题单数据等信息，通过分析实现自动化识别测试风险，生成相应的测试风险报告，帮助测试管理者及时进行测试识别和应对提供决策支持信息。
在本发明一实施例中，提出了一种测试风险的自动识别方法，该方法包括：
采集测试人员信息、测试人员对应的任务数据及工作产出物数据；
根据所述任务数据及工作产出物数据，得到测试任务比对基准值；
将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告。
在本发明另一实施例中，还提出了一种测试风险的自动识别系统，该系统包括：
数据采集模块，用于采集测试人员信息、测试人员对应的任务数据及工作产出物数据；
基准值计算模块，用于根据所述任务数据及工作产出物数据，得到测试任务比对基准值；
测试风险自动识别模块，用于将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告。
在本发明另一实施例中，还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现测试风险的自动识别方法。
在本发明另一实施例中，还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现测试风险的自动识别方法。
本发明提出的测试风险的自动识别方法及系统可以通过数据分析统计来支持自动分析可能的测试风险和相应的应对措施，提高了识别准确率并节约了人力成本；该方法使用方便，支持阈值配置扩展，可适应不同场景。
附图说明
图1是本发明一实施例的测试风险的自动识别方法流程示意图。
图2是本发明一具体实施例的测试风险的自动识别的详细流程示意图。
图3是本发明一实施例的测试风险的自动识别系统架构示意图。
图4是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种测试风险的自动识别方法及系统。该方法及系统可以根据任务相关信息自动化识别测试风险功能，能够在客户端维护或自动提取任务测试周期、测试案例数、问题单数据等信息，通过系统分析实现自动化识别测试风险，分析可能存在的测试风险并生成报告，为测试管理者及时进行测试风险识别和应对提供决策支持信息。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的测试风险的自动识别方法流程示意图。如图1所示，该方法包括：
步骤S1，采集测试人员信息、测试人员对应的任务数据及工作产出物数据；
步骤S2，根据所述任务数据及工作产出物数据，得到测试任务比对基准值；
步骤S3，将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告。
为了对上述测试风险的自动识别方法进行更为清楚的解释，下面结合具体的实施例来进行说明。
结合图2所示，为本发明一具体实施例的测试风险的自动识别的详细流程示意图。如图2所示，首先，利用客户端，通过录入或自动提取的方式，采集任务测试时间段、测试案例数、问题单数据等相关信息；
具体的，步骤S1采集的信息包括：
采集的测试人员信息，包括：测试人员的技能领域；
采集的测试人员对应的任务数据，包括：编制案例总数、任务领域；
采集的工作产出物数据，包括：未解决问题单数、出错单数、已完成案例数。
再结合步骤S2、S3，基于上述采集到的信息，进行测试风险的自动识别，主要包括以下几个方面：未解决问题率、出错率、进度及技能领域。
未解决问题率：
步骤S201，根据未解决问题单数及编制案例总数，得到未解决问题率，计算公式如下：
Figure BDA0002349494900000031
其中，R1为未解决问题率；P1为未解决问题单数；T为编制案例总数。
步骤S301，将未解决问题率R1与预设阈值A进行比较，如果R1>A，生成包含问题阻塞风险的风险报告，并通知测试管理者，提醒其推动解决问题。
出错率：
步骤S203，根据出错单数及编制案例总数，得到出错率，计算公式如下：
Figure BDA0002349494900000041
其中，R2为出错率；P2为出错单数；T为编制案例总数。
步骤S303，将出错率R2与预设阈值B进行比较，如果R2>B，生成包含质量风险的风险报告，并通知测试管理者，提醒其加强回归测试。
进度：
步骤S2051，根据已完成案例数及编制案例总数，得到案件进度，计算公式如下：
Figure BDA0002349494900000042
其中，S1为案件进度；F为已完成案例数；T为编制案例总数；
步骤S2052，根据已测试时间及测试时间段，得到时间进度，计算公式如下：
Figure BDA0002349494900000043
其中，S2为时间进度；t为已测试时间，由当前时间与测试开始时间的差值得到；L为测试时间段；
步骤S2053，根据案件进度S1与时间进度S2，得到进度差值D，计算公式如下：
D＝S1-S2；
其中，D为进度差值。
步骤S305，将进度差值D与预设阈值C进行比较，如果D<C，生成包含进度风险的风险报告，并通知测试管理者，提醒其加大测试资源投入。
技能领域：
步骤S307，根据测试人员的技能领域与任务领域进行比较，如果不一致，生成增强培训的提示报告，并通知测试管理者，加强测试人员培训。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
为了对上述测试风险的自动识别方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。
以某一测试人员(测试人员ID：N)为例，该测试人员技能领域为账户管理、转账等前端技能。
结合上述图1及图2所示的测试风险自动识别的流程示意图，对该测试人员执行1个测试任务进行测试风险自动识别，过程如下：
测试人员N执行1个任务，该任务涉及领域为“热门活动后台”，主要涉及后端技能，该任务的编制测试案例300条，测试时间段为11月1日至11月30日。
针对该任务，可以预设相关阈值A、B、C，如A为2％，B为3％，C为-5％。
当前时间为11月20日，时间进度66％。
当前已执行案例数150条，案例进度50％。
当前未解决问题单2个，出错单数10个。
1、未解决问题率＝2/300，将此数据与阈值A比较，由于小于A，生成正常报告即可。但是，若大于则生成包含问题阻塞风险的风险报告，并通知测试管理者，提醒其推动解决问题。
2、出错率＝10/300，将此数据与阈值B比较，由于大于B，则生成包含质量风险的风险报告，并通知测试管理者，提醒其加强回归测试。
3、进度差值＝案例进度-时间进度＝50％-66％＝-16％，由于小于阈值C，则生成包含进度风险的风险报告，并通知测试管理者，提醒其加大测试资源投入。
4、判断技能领域与任务领域的一致性，由于测试人员技能账户管理、转账等前端与任务涉及领域热门活动后台不一致，应提示风险，生成增强培训的提示报告，并通知测试管理者，加强测试人员培训。
在另一实施例中，步骤S1采集的信息中，人员信息还可以包括基本信息、能力级别及所属小组信息；任务信息还可以包括工作量；工作产出物数据还可以包括测试要点；其中，
基本信息、能力级别可以用于识别其他测试风险，例如，人员能力和时间不匹配，则生成相应的风险报告。
所属小组信息可以在生成的报告中指出，有利于测试管理者直观定位各小组风险。
工作量用于表示任务开发工作量或测试工作量，是描述任务大小的指标之一。
测试要点可以用于辅助检查测试案例是否完整覆盖了测试要点。
在实际应用中，如果数据采集模块可以从测试管理系统自动提取任务相关信息，则能省去用户录入的操作，使用起来更为简便。
上述测试风险的自动识别方法可以通过数据分析统计来支持自动分析可能的测试风险和相应的应对措施，提高了识别准确率并节约了人力成本；该方法使用方便，支持阈值配置扩展，可适应不同场景。
在介绍了本发明示例性实施方式的方法之后，接下来，参考图3对本发明示例性实施方式的测试风险的自动识别系统进行介绍。
测试风险的自动识别系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
基于同一发明构思，本发明还提出了一种测试风险的自动识别系统，如图3所示，该系统包括：
数据采集模块310，用于采集测试人员信息、测试人员对应的任务数据及工作产出物数据；
基准值计算模块320，用于根据所述任务数据及工作产出物数据，得到测试任务比对基准值；
测试风险自动识别模块330，用于将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告。
应当注意，尽管在上文详细描述中提及了测试风险的自动识别系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图4所示，本发明还提出了一种计算机设备400，包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序430，所述处理器420执行所述计算机程序430时实现前述测试风险的自动识别方法。
基于前述发明构思，本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述测试风险的自动识别方法。
本发明提出的测试风险的自动识别方法及系统可以通过数据分析统计来支持自动分析可能的测试风险和相应的应对措施，提高了识别准确率并节约了人力成本；该方法使用方便，支持阈值配置扩展，可适应不同场景。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种测试风险的自动识别方法，其特征在于，该方法包括：
采集测试人员信息、测试人员对应的任务数据及工作产出物数据；
根据所述任务数据及工作产出物数据，得到测试任务比对基准值；
将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告。
2.根据权利要求1所述的测试风险的自动识别方法，其特征在于，采集的测试人员信息，包括：测试人员的技能领域；
采集的测试人员对应的任务数据，包括：编制案例总数、任务领域及测试时间段；
采集的工作产出物数据，包括：未解决问题单数、出错单数、已完成案例数。
3.根据权利要求2所述的测试风险的自动识别方法，其特征在于，根据所述任务数据及工作产出物数据，得到测试任务比对基准值，包括：
根据未解决问题单数及编制案例总数，得到未解决问题率，计算公式如下：
Figure FDA0002349494890000011
其中，R1为未解决问题率；P1为未解决问题单数；T为编制案例总数。
4.根据权利要求3所述的测试风险的自动识别方法，其特征在于，将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告，包括：
将未解决问题率R1与预设阈值A进行比较，如果R1>A，生成包含问题阻塞风险的风险报告，并通知测试管理者。
5.根据权利要求2所述的测试风险的自动识别方法，其特征在于，根据所述任务数据及工作产出物数据，得到测试任务比对基准值，包括：
根据出错单数及编制案例总数，得到出错率，计算公式如下：
Figure FDA0002349494890000012
其中，R2为出错率；P2为出错单数；T为编制案例总数。
6.根据权利要求5所述的测试风险的自动识别方法，其特征在于，将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告，包括：
将出错率R2与预设阈值B进行比较，如果R2>B，生成包含质量风险的风险报告，并通知测试管理者。
7.根据权利要求2所述的测试风险的自动识别方法，其特征在于，根据所述任务数据及工作产出物数据，得到测试任务比对基准值，包括：
根据已完成案例数及编制案例总数，得到案件进度，计算公式如下：
Figure FDA0002349494890000021
其中，S1为案件进度；F为已完成案例数；T为编制案例总数；
根据已测试时间及测试时间段，得到时间进度，计算公式如下：
Figure FDA0002349494890000022
其中，S2为时间进度；t为已测试时间，由当前时间与测试开始时间的差值得到；L为测试时间段；
根据案件进度S1与时间进度S2，得到进度差值D，计算公式如下：
D＝S1-S2；
其中，D为进度差值。
8.根据权利要求7所述的测试风险的自动识别方法，其特征在于，将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告，包括：
将进度差值D与预设阈值C进行比较，如果D<C，生成包含进度风险的风险报告，并通知测试管理者。
9.根据权利要求2所述的测试风险的自动识别方法，其特征在于，该方法还包括：根据测试人员的技能领域与任务领域进行比较，如果不一致，生成增强培训的提示报告，并通知测试管理者。
10.一种测试风险的自动识别系统，其特征在于，该系统包括：
数据采集模块，用于采集测试人员信息、测试人员对应的任务数据及工作产出物数据；
基准值计算模块，用于根据所述任务数据及工作产出物数据，得到测试任务比对基准值；
测试风险自动识别模块，用于将所述测试任务比对基准值与预设的阈值进行比对，识别存在的测试风险，生成风险报告。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一所述方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一所述方法。
CN201911409138.6A 2019-12-31 2019-12-31 一种测试风险的自动识别方法及系统 Active CN111159043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911409138.6A CN111159043B (zh) 2019-12-31 2019-12-31 一种测试风险的自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911409138.6A CN111159043B (zh) 2019-12-31 2019-12-31 一种测试风险的自动识别方法及系统

Publications (2)

Publication Number Publication Date
CN111159043A true CN111159043A (zh) 2020-05-15
CN111159043B CN111159043B (zh) 2024-02-27

Family

ID=70559953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911409138.6A Active CN111159043B (zh) 2019-12-31 2019-12-31 一种测试风险的自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN111159043B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626523A (zh) * 2020-06-03 2020-09-04 中国银行股份有限公司 一种测试风险预警方法及系统
CN113641584A (zh) * 2021-08-17 2021-11-12 中国银行股份有限公司 测试案例执行的监控分析方法及装置
CN113988707A (zh) * 2021-11-16 2022-01-28 中国银行股份有限公司 风险识别方法、装置、电子设备及计算机可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693460A (zh) * 2011-03-25 2012-09-26 鸿富锦精密工业（深圳）有限公司 测试人员管理系统及方法
US20150178182A1 (en) * 2011-10-07 2015-06-25 Syntel, Inc. Software testing platform and method
CN105117348A (zh) * 2015-09-28 2015-12-02 佛山市朗达信息科技有限公司 一种监控软件测试执行进度的方法
WO2016165484A1 (zh) * 2015-04-13 2016-10-20 中兴通讯股份有限公司 一种实现服务器测试的方法、测试服务器及待测服务器
CN107480070A (zh) * 2017-08-24 2017-12-15 中国银行股份有限公司 一种测试结果统计分析方法及装置
CN108701293A (zh) * 2015-12-23 2018-10-23 派梅特里克斯公司 用于对人才的数据驱动辨识的系统和方法
CN109656820A (zh) * 2018-12-10 2019-04-19 中国铁道科学研究院集团有限公司通信信号研究所 基于cbtc的智能自动化测试系统
CN109783385A (zh) * 2019-01-14 2019-05-21 中国银行股份有限公司 一种产品测试方法和装置
CN110222940A (zh) * 2019-05-13 2019-09-10 西安工业大学 一种众包测试平台测试人员推荐算法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693460A (zh) * 2011-03-25 2012-09-26 鸿富锦精密工业（深圳）有限公司 测试人员管理系统及方法
US20150178182A1 (en) * 2011-10-07 2015-06-25 Syntel, Inc. Software testing platform and method
WO2016165484A1 (zh) * 2015-04-13 2016-10-20 中兴通讯股份有限公司 一种实现服务器测试的方法、测试服务器及待测服务器
CN105117348A (zh) * 2015-09-28 2015-12-02 佛山市朗达信息科技有限公司 一种监控软件测试执行进度的方法
CN108701293A (zh) * 2015-12-23 2018-10-23 派梅特里克斯公司 用于对人才的数据驱动辨识的系统和方法
CN107480070A (zh) * 2017-08-24 2017-12-15 中国银行股份有限公司 一种测试结果统计分析方法及装置
CN109656820A (zh) * 2018-12-10 2019-04-19 中国铁道科学研究院集团有限公司通信信号研究所 基于cbtc的智能自动化测试系统
CN109783385A (zh) * 2019-01-14 2019-05-21 中国银行股份有限公司 一种产品测试方法和装置
CN110222940A (zh) * 2019-05-13 2019-09-10 西安工业大学 一种众包测试平台测试人员推荐算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
凌明胜等: "软件测试过程中风险的识别与预防方法" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626523A (zh) * 2020-06-03 2020-09-04 中国银行股份有限公司 一种测试风险预警方法及系统
CN113641584A (zh) * 2021-08-17 2021-11-12 中国银行股份有限公司 测试案例执行的监控分析方法及装置
CN113641584B (zh) * 2021-08-17 2024-02-27 中国银行股份有限公司 测试案例执行的监控分析方法及装置
CN113988707A (zh) * 2021-11-16 2022-01-28 中国银行股份有限公司 风险识别方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN111159043B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN111159043B (zh) 一种测试风险的自动识别方法及系统
Egyed et al. Effort and quality of recovering requirements-to-code traces: Two exploratory experiments
Porter et al. A review of software inspections
CN103903312B (zh) 自动巡检的执行方法和装置
CN111210323A (zh) 一种企业税务风险监控方法及系统
Kannangara et al. An empirical evaluation of impact of refactoring on internal and external measures of code quality
Rashmi et al. Defect detection efficiency of the combined approach
Rebuge et al. A process mining analysis on a virtual electronic patient record system
Kannangara et al. Impact of refactoring on external code quality improvement: An empirical evaluation
WO2013132985A1 (ja) ストレス判定装置、ストレス判定方法、およびプログラム
Lira et al. Experimenting on the cognitive walkthrough with users
Quilty et al. Experiences with software product line development in risk management software
Zou et al. An industrial case study of Coman's automated task detection algorithm: What Worked, What Didn't, and Why
Aktaş et al. A learning-based bug predicition method for object-oriented systems
Ahmed et al. An exploration of code quality in FOSS projects
Purba Models Of Sustainable Quality To Improve Implementation Of Quality System Of Qualified Enterprise
Kuric et al. Estimation of student's programming expertise
Gravino et al. An empirical investigation on dynamic modeling in requirements engineering
Hatano et al. Extraction of conditional statements for understanding business rules
Höfer et al. An empirical study on the tdd conformance of novice and expert pair programmers
Kamei et al. Studying the cost and effectiveness of OSS quality assessment models: An experience report of Fujitsu QNET
Carver et al. Studying code development for high performance computing: the HPCS program
CN113590010A (zh) 基于Android平台的数据采集方法及装置
Skreddernes et al. Coping with Verification in Complex Engineered Product Development
Kangwantrakool et al. R3P2: A Performance Model For Readiness Review Process Improvement In Capability Maturity Model Integration Level 3

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant