改进的软件自动测试投资回报分析

doi:10.3778/j.issn.1002-8331.2010.34.021

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (34): 67-69.DOI: 10.3778/j.issn.1002-8331.2010.34.021

改进的软件自动测试投资回报分析

阚红星^1，2，胡继礼¹，杨艳¹，王丹¹

1.安徽中医学院医药信息工程学院，合肥 230031
2.合肥工业大学计算机网络系统研究所，合肥 230009

收稿日期:2010-06-23 修回日期:2010-08-25 出版日期:2010-12-01 发布日期:2010-12-01
通讯作者: 阚红星

Improved return on investment for software test automation

KAN Hong-xing^1，2，HU Ji-li¹，YANG Yan¹，WANG Dan¹

1.School of Medical Information Technology，Anhui University Traditional Chinese Medicine，Heifei 230031，China
2.Institute of Computer Network Systems，Hefei University of Technology，Hefei 230009，China

Received:2010-06-23 Revised:2010-08-25 Online:2010-12-01 Published:2010-12-01
Contact: KAN Hong-xing

摘要/Abstract

摘要： 盲目进行自动化测试将可能得不偿失。增强投资回报（SROI）模型虽然估算出了自动测试风险发生的阈值，但没能给出与之相比较的每次维护风险因子的计算方法。在分析各种不确定风险因素基础上，提出一种软件自动测试投资风险分析方法。该方法利用决策树研究每次维护风险因子的分布情况，估算出每次维护风险因子的值，通过该值与其阈值比较，得到自动测试风险发生的概率。最后通过实例说明该方法的有效性。

关键词: 自动测试, 每次维护风险因子, 决策树, 风险性

Abstract: Carrying out test automation blindly will have the certain risk.The Strength Return On Investment（SROI） model estimates the threshold which the test automation risk occurred，but computational method for each time maintenance risk factor has not given which compares with the threshold.A method of risk analysis for the test automation based on the each kind of indefinite risk factor analysis is presented.The decision tree is used to estimate the value of each time maintenance risk factor.Comparing the value with its threshold，the possibility which the test automation risk occurred can be obtained in order to control risk effectively.At last，an experiment demonstrates the effectiveness by this model.

Key words: test automation, each time maintenance risk factor, decision tree, risk

中图分类号:

TP311

阚红星^1，2，胡继礼¹，杨艳¹，王丹¹. 改进的软件自动测试投资回报分析[J]. 计算机工程与应用, 2010, 46(34): 67-69.

KAN Hong-xing^1，2，HU Ji-li¹，YANG Yan¹，WANG Dan¹. Improved return on investment for software test automation[J]. Computer Engineering and Applications, 2010, 46(34): 67-69.

[1]	张敏，彭红伟，颜晓玲. 基于神经网络的模糊决策树改进算法[J]. 计算机工程与应用, 2021, 57(21): 174-179.
[2]	谭正华，戴立平，文阳，李国泰. 基于约简属性和阈值分割的决策树构建方法[J]. 计算机工程与应用, 2020, 56(22): 160-165.
[3]	陈景霞，郝为，张鹏伟，谢佳. RSVP与SSVEP混合脑电信号刺激与多类事件检测[J]. 计算机工程与应用, 2020, 56(15): 132-139.
[4]	王丽苗，许青林，姜文超，符基高. 集成FM的短视频喜好率预测模型[J]. 计算机工程与应用, 2020, 56(14): 118-122.
[5]	依不拉音·吾斯曼，郭文强，于凯. 面向多形式维文的敏感信息过滤算法研究[J]. 计算机工程与应用, 2020, 56(10): 127-133.
[6]	苏翀，任曈，王国品，殷杰. 利用决策树建立慢性阻塞性肺病中医诊断模型[J]. 计算机工程与应用, 2019, 55(3): 225-230.
[7]	王玉源，徐杰，吉卫喜. 基于监督式机器学习的零件几何特征智能识别[J]. 计算机工程与应用, 2019, 55(22): 225-230.
[8]	王燕，郭元凯. 改进的XGBoost模型在股票预测中的应用[J]. 计算机工程与应用, 2019, 55(20): 202-207.
[9]	刘俊杰，王珺，王梦林，王悦. SDN中基于C4.5决策树的DDoS攻击检测[J]. 计算机工程与应用, 2019, 55(20): 84-88.
[10]	曹卫东1，2，许代代2，王静2，王家亮2. 民航NOSHOW预测及强因子关联分析[J]. 计算机工程与应用, 2019, 55(2): 221-227.
[11]	赵攀1，袁杰1，王宏伟1，2，米汤1. 基于决策树的羽流追踪机器人自主决策方法研究[J]. 计算机工程与应用, 2019, 55(14): 254-259.
[12]	安葳鹏，尚家泽. 决策树C4.5算法的改进与分析[J]. 计算机工程与应用, 2019, 55(12): 169-173.
[13]	潘杰1，渡边政彦2，周宽久1，梁浩然1，崔凯1. 嵌入式软件形式化建模方法[J]. 计算机工程与应用, 2018, 54(8): 61-71.
[14]	汪良楠，肖迪. 基于CCS优化的FDT集成分类算法研究[J]. 计算机工程与应用, 2018, 54(5): 127-131.
[15]	薛朋强，鲜英，努尔布力，吾守尔·斯拉木. 面向维吾尔文的敏感信息过滤方法研究[J]. 计算机工程与应用, 2018, 54(5): 236-241.

改进的软件自动测试投资回报分析

Improved return on investment for software test automation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics