通用技术 如何用测试算法高效体验奶茶口感

泰斯特 · 2021年04月18日 · 最后由 ZSH 回复于 2021年04月19日 · 1315 次阅读

故事的起源

最近公司开始了新的一轮技术分享活动,然而这次的形式比较特殊...

某技术大群:

CTO: @所有人  刚刚跟一些同学讨论了一下,为了减少技术分享会的启动压力(比如需要较长时间准备,就导致惰性和阻力),我们干脆化整为零,从明天开始每天最早的晨会前,来一个5分钟快闪分享,轮流分享一个小的技术点,tips & tricks 类型的,可以是自己觉得比较好的一个技术实践,也可以是代码重构的小技巧,某个更好的写法,某个好的工具,或者一个好的产品设计细节等等。就在这个群里发截图或链接就可以。

正巧要轮到我了,作为刚转入后端组发光发热的"测试小伙",我竟然给大伙分享了一个 *"高效体验奶茶" *的算法...

以下为部分分享内容及互动...

我:

今日分享 tips: 关于参数组合生成

在接口测试或是单元测试中,我们常常会遇到参数组合过多的问题。举个例子,有一个接口,有 5 个参数,每个参数又可以取值 7 个,如果要验证所有参数传入情况的话则需要测试 7*7*7*7*7 = 16807 种情况,针对这种情况,我们可以使用 Pairwise 方法有效地减少测试用例数量的同时保证测试质量。

什么是 Pairwise?

Pairwise 是一种覆盖参数双因子组合的测试方法。Pairwise 基于如下 2 个假设:每一个维度都是正交的,即每一个维度互相都没有交集;根据数学统计分析,73% 的缺陷(单因子是 35%,双因子是 38%)是由单因子或两个因子相互作用产生的,19% 的缺陷是由 3 个因子相互作用产生的。因此,Pairwise 基于覆盖所有双因子的交互作用产生的用例集合,是非常具有测试性价比的。

但是 Pairwise 和 "喝奶茶" 又有什么关系...

然而 *Pairwise 方法不仅可以用在生成测试用例中,甚至可以用在生活中... 如果想有效体验不同的奶茶配料组合会产生怎样不同的口感 *(假设奶茶的口感主要由 2 个关键的配料组合而决定),也可以试试参考 Pairwise 给出的答案 [旺柴]

下面给大家展示一个例子。

from allpairspy import AllPairs

parameters = [
    ["常规", "+波波", "+椰果", "+芋圆", "+厚芋泥"],
    ["正常冰", "少冰", "去冰", "温热", "热"],
    ["标准糖", "七分糖", "五分糖", "三分糖", "不另外加糖"],
    ["奶茶", "牛乳茶", "果茶", "果汁"]
]

print("PAIRWISE:")
for i, pairs in enumerate(AllPairs(parameters)):
    print("{:2d}: {}".format(i, pairs))

可以看到上述代码中的 parameters 包含了所有奶茶配料的组合(共 5 * 5 * 5 * 4 = 500 种),可以在下方输出中看到,经过 pairwise 优化后组合量减少至了 27 种:

PAIRWISE:
..........
22: ['+椰果', '正常冰', '三分糖', '牛乳茶']
23: ['+芋圆', '热', '标准糖', '果汁']
24: ['+厚芋泥', '去冰', '三分糖', '果汁']
25: ['+厚芋泥', '热', '标准糖', '果茶']
26: ['+厚芋泥', '温热', '标准糖', '果汁']

同事 A:

牛逼啊!

同事 B:

你们个个都是人才呀!

同事 C:

这个例子我一下子看懂了。

同事 D:

想 + 啵啵 + 椰果 + 芋圆 + 厚芋泥(都加)怎么办 ?[奸笑]

同事 E:

再加一份奶盖,谢谢。

同事 F:

请问现在去喝六个核桃还能望得到各位大佬的项背吗?

同事 G:

六个核桃我不知道,我觉得我要喝脑白金

同事 H:

我的理解他的假设就是只有少部分 bug 是需要三个以上参数同时特定的取值才能踩到的,

所以就放弃了那部分,专注在一两个上,这样可以大大减少枚举个数。

同事 I:

这个例子我快速看了下,任意两个输出之间,至少有 2 项 (两个维度值) 不同,其他 3 项/4 项就更多。而原本的 5 * 5 * 5 * 4 = 500,其中很多输出之间是仅有一项不同的。所以应该是有统计学理论支撑了某些挑选依据。

同事 J:

你们的分享都这么高端,让后来者很难啊!

......

或许这就是夸夸群吧... [旺柴]

如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
共收到 4 条回复 时间 点赞

目前实现了一种自动生成用例的工具。也集成了这种方法 外加了笛卡尔积

Pairwise 基于如下 2 个假设:每一个维度都是正交的,即每一个维度互相都没有交集;根据数学统计分析,73% 的缺陷(单因子是 35%,双因子是 38%)是由单因子或两个因子相互作用产生的,19% 的缺陷是由 3 个因子相互作用产生的。因此,Pairwise 基于覆盖所有双因子的交互作用产生的用例集合,是非常具有测试性价比的

因此,Pairwise 基于覆盖所有双因子的交互作用产生的用例集合.

给人一种错觉:只覆盖了 38% 的 bug 对应的用例。

我也就偶尔用下微软的 PICT 做下分析,平时感觉很少有用得到。有时候给人解释比你穷举还累。

学到了

需要 登录 后方可回复, 如果你还没有账号请点击这里 注册