关于Courtney定律与软件测试(质量)

简介: Courtney定律由Robert H. Courtney提出,涵盖系统安全与质量评估。第一定律强调特定环境对安全性和质量评论的重要性;第二定律指出安全或质量支出不应超过潜在损失,完美性需无限代价且零风险/缺陷不可实现;第三定律表明管理问题无技术解,技术问题有管理解。这些定律适用于安全及软件测试领域,指导合理资源分配和风险管理。

在质量领域有一条著名的Courtney定律,由Robert H. Courtney于几十年前提出,内容为:

Courtney第一定律:除非在特定应用程序和环境下,否则不能对系统的安全给出任何实质性评论。

Courtney第二定律:永远不要让安全支出额度超过安全隐患的损失额度。

第一个推论——完美的安全性需要无限的代价。

第二个推论——不存在零风险这回事。

Courtney第三定律:对于管理问题,没有技术解决方案;但对于技术问题,有管理解决方案。

对于Courtney定律其实不仅在安全领域,在整个软件测试领域也是同样适用的(基于质量的软件测试中包含安全,所以安全是质量的一个特性)。

1 Courtney第一定律

除非在特定应用程序和环境下,否则不能对系统的安全给出任何实质性评论。

扩充到质量领域

除非在特定应用程序和环境下,否则不能对系统的质量给出任何实质性评论。

比如对于同一款医院管理系统程序,对于A医院就是一款优秀的软件,而对于B医院,由于管理制度、主攻科室等因素与A医院迥然不同,可能就是一款不合格的软件。

2 Courtney第二定律

永远不要让安全支出额度超过安全隐患的损失额度。

第一个推论——完美的安全性需要无限的代价。

第二个推论——不存在零风险这回事。

扩充到质量领域

永远不要让质量支出额度超过质量隐患的损失额度。

第一个推论——完美的质量性需要无限的代价。

第二个推论——不存在零缺陷的产品。

由于不存在零缺陷的产品,所以过度测试是一种浪费,要制作一款零缺陷的产品理论上是需要无穷长的时间的。制作软件产品最终是为了赚钱,如果为了花在开发一块优秀质量的软件的价钱远远高于所获得的收入,那么这种开发是没有意义的。

3 Courtney第三定律

对于管理问题,没有技术解决方案;但对于技术问题,有管理解决方案。

这一条对于质量也同样遵循。

目录
相关文章
|
17天前
|
供应链 监控 安全
对话|企业如何构建更完善的容器供应链安全防护体系
阿里云与企业共筑容器供应链安全
171341 14
|
20天前
|
供应链 监控 安全
对话|企业如何构建更完善的容器供应链安全防护体系
随着云计算和DevOps的兴起,容器技术和自动化在软件开发中扮演着愈发重要的角色,但也带来了新的安全挑战。阿里云针对这些挑战,组织了一场关于云上安全的深度访谈,邀请了内部专家穆寰、匡大虎和黄竹刚,深入探讨了容器安全与软件供应链安全的关系,分析了当前的安全隐患及应对策略,并介绍了阿里云提供的安全解决方案,包括容器镜像服务ACR、容器服务ACK、网格服务ASM等,旨在帮助企业构建涵盖整个软件开发生命周期的安全防护体系。通过加强基础设施安全性、技术创新以及倡导协同安全理念,阿里云致力于与客户共同建设更加安全可靠的软件供应链环境。
150297 32
|
28天前
|
弹性计算 人工智能 安全
对话 | ECS如何构筑企业上云的第一道安全防线
随着中小企业加速上云,数据泄露、网络攻击等安全威胁日益严重。阿里云推出深度访谈栏目,汇聚产品技术专家,探讨云上安全问题及应对策略。首期节目聚焦ECS安全性,提出三道防线:数据安全、网络安全和身份认证与权限管理,确保用户在云端的数据主权和业务稳定。此外,阿里云还推出了“ECS 99套餐”,以高性价比提供全面的安全保障,帮助中小企业安全上云。
201972 15
对话 | ECS如何构筑企业上云的第一道安全防线
|
6天前
|
机器学习/深度学习 自然语言处理 PyTorch
深入剖析Transformer架构中的多头注意力机制
多头注意力机制(Multi-Head Attention)是Transformer模型中的核心组件,通过并行运行多个独立的注意力机制,捕捉输入序列中不同子空间的语义关联。每个“头”独立处理Query、Key和Value矩阵,经过缩放点积注意力运算后,所有头的输出被拼接并通过线性层融合,最终生成更全面的表示。多头注意力不仅增强了模型对复杂依赖关系的理解,还在自然语言处理任务如机器翻译和阅读理解中表现出色。通过多头自注意力机制,模型在同一序列内部进行多角度的注意力计算,进一步提升了表达能力和泛化性能。
|
10天前
|
存储 人工智能 安全
对话|无影如何助力企业构建办公安全防护体系
阿里云无影助力企业构建办公安全防护体系
1256 11
|
12天前
|
机器学习/深度学习 自然语言处理 搜索推荐
自注意力机制全解析:从原理到计算细节,一文尽览!
自注意力机制(Self-Attention)最早可追溯至20世纪70年代的神经网络研究,但直到2017年Google Brain团队提出Transformer架构后才广泛应用于深度学习。它通过计算序列内部元素间的相关性,捕捉复杂依赖关系,并支持并行化训练,显著提升了处理长文本和序列数据的能力。相比传统的RNN、LSTM和GRU,自注意力机制在自然语言处理(NLP)、计算机视觉、语音识别及推荐系统等领域展现出卓越性能。其核心步骤包括生成查询(Q)、键(K)和值(V)向量,计算缩放点积注意力得分,应用Softmax归一化,以及加权求和生成输出。自注意力机制提高了模型的表达能力,带来了更精准的服务。
|
11天前
|
人工智能 自然语言处理 程序员
通义灵码2.0全新升级,AI程序员全面开放使用
通义灵码2.0来了,成为全球首个同时上线JetBrains和VSCode的AI 程序员产品!立即下载更新最新插件使用。
1414 25
|
10天前
|
消息中间件 人工智能 运维
1月更文特别场——寻找用云高手,分享云&AI实践
我们寻找你,用云高手,欢迎分享你的真知灼见!
811 38
1月更文特别场——寻找用云高手,分享云&AI实践
|
1天前
|
存储 人工智能 分布式计算
湖仓实时化升级 :Uniflow 构建流批一体实时湖仓
本文整理自阿里云产品经理李昊哲在Flink Forward Asia 2024流批一体专场的分享,涵盖实时湖仓发展趋势、基于Flink搭建流批一体实时湖仓及Materialized Table优化三方面。首先探讨了实时湖仓的发展趋势和背景,特别是阿里云在该领域的领导地位。接着介绍了Uniflow解决方案,通过Flink CDC、Paimon存储等技术实现低成本、高性能的流批一体处理。最后,重点讲解了Materialized Table如何简化用户操作,提升数据查询和补数体验,助力企业高效应对不同业务需求。
317 17
湖仓实时化升级 :Uniflow 构建流批一体实时湖仓
|
16天前
|
人工智能 自然语言处理 API
阿里云百炼xWaytoAGI共学课DAY1 - 必须了解的企业级AI应用开发知识点
本课程旨在介绍阿里云百炼大模型平台的核心功能和应用场景,帮助开发者和技术小白快速上手,体验AI的强大能力,并探索企业级AI应用开发的可能性。