更正以前风险调整中的一个缺陷

简介: 以前在我写的书《软件测试技术实战——设计、工具及管理》中提及一个关于风险调整的策略是完全错误的,现在更正如下

以前在我写的书《软件测试技术实战——设计、工具及管理》中提及一个关于风险调整的策略是完全错误的,现在更正如下:

调整前

4.2.2 调整风险级别

案例4-3:风险级别的调整。

假设原先的风险级别见表4-8。

表4-8 原先的风险级别

模块

可能性

严重度

风险级别

用户登录

3

6

18

用户注册

2

7

14

填写购物地址及支付信息

2

5

10

选择商品

3

4

12

放入购物车

3

5

15

结算

4

5

20

在线付款

4

6

24

目前级别发现的风险见表4-9。

表4-9 目前级别发现的缺陷

模块

高级

中级

低级

用户登录

2

5

16

用户注册

3

6

31

填写购物地址及支付信息

2

7

22

选择商品

1

5

13

放入购物车

1

0

3

结算

2

4

12

在线付款

3

5

15

下面来看如何调整风险级别。

Mi=高级错误数×5+中级错误数×3+低级错误数×1。

a=(Mi/∑Mi)×100%,根据a获得现在的发生可能性b。

  • a=1%~20%:b=1。
  • a=21%~40%:b=2。
  • a=41%~60%:b=3。
  • a=61%~80%:b=4。
  • a=81%~100%:b=5。

于是得到表4-10。

表4-10 风险级别调整(一)

模块

高级

中级

低级

合计

%

级别

用户登录

2×5=10

5×3=15

16×1=16

10+15+16=41

14.7%

1

用户注册

3×5=15

6×3=18

31×1=31

15+18+31=64

23%

2

填写购物地址及支付信息

2×5=10

7×3=21

22×1=22

10+21+22=53

19%

1

选择商品

1×5=5

5×3=15

13×1=13

5+15+13=33

11.9%

1

放入购物车

1×5=5

0×3=0

3×1=3

5+0+3=8

2.88%

1

结算

2×5=10

4×3=12

12×1=12

10+12+12=34

12.23%

1

在线付款

3×5=15

5×3=15

15×1=15

15+15+15=45

16.29%

1

合计

278

所以,e=(c + b)/2×d(c为原可能性,b为现在可能性,(c + b)/2为调整后的可能性。d为原严重性,e为现优先级)。

由于缺陷只体现出可能性,而对严重度的影响不存在,所以不考虑对影响度的调整。根据前面的公式,得到表4-11。

表4-11 风险级别调整(二)

模块

可能性

严重度

风险级别

用户登录

(3+1)/2=2

5

10

用户注册

(2+2)/2=2

5

20

填写购物地址及支付信息

(2+1)/2=1.5

4

6

选择商品

(3+1)/2=2

3

6

放入购物车

(3+1)/2=2

3

6

结算

(4+1)/2=2.5

4

10

在线付款

(4+1)/2=2.5

4

10

比较前后结果,得到表4-12。

表4-12 前后结果比较

模块

风险级别(调整前)

风险级别(调整后)

用户登录

18

10

用户注册

14

20

填写购物地址及支付信息

10

6

选择商品

12

6

放入购物车

15

6

结算

20

10

在线付款

24

10

调整后

Mi=高级错误数×5+中级错误数×3+低级错误数×1。

a=(Mi/ (MAXMi+MINMi))×100%,根据a获得现在的发生可能性b。

  • a=1%~20%:b=1。
  • a=21%~40%:b=2。
  • a=41%~60%:b=3。
  • a=61%~80%:b=4。
  • a=81%~100%:b=5。

于是得到表4-10。

表4-10 风险级别调整(一)

模块

高级

中级

低级

合计

%

级别

用户登录

2×5=10

5×3=15

16×1=16

10+15+16=41

60

4

用户注册

3×5=15

6×3=18

31×1=31

15+18+31=64

89

5

填写购物地址及支付信息

2×5=10

7×3=21

22×1=22

10+21+22=53

74

4

选择商品

1×5=5

5×3=15

13×1=13

5+15+13=33

46

3

放入购物车

1×5=5

0×3=0

3×1=3

5+0+3=8

11

1

结算

2×5=10

4×3=12

12×1=12

10+12+12=34

47

3

在线付款

3×5=15

5×3=15

15×1=15

15+15+15=45

63

4

MAXMi = 64

MINMi = 8

MAXMi + MINMi = 72

所以,e=(c + b)/2×d(c为原可能性,b为现在可能性,(c + b)/2为调整后的可能性。d为原严重性,e为现优先级)。

由于缺陷只体现出可能性,而对严重度的影响不存在,所以不考虑对影响度的调整。根据前面的公式,得到表4-11。

表4-11 风险级别调整(二)

模块

可能性

严重度

风险级别

用户登录

(3+4)/2=3.5

5

18

用户注册

(2+5)/2=3.5

5

18

填写购物地址及支付信息

(2+4)/2=3

4

12

选择商品

(3+3)/2=3

3

9

放入购物车

(3+1)/2=2

3

6

结算

(4+3)/2=3.5

4

15

在线付款

(4+4)/2=4

4

16

比较前后结果,得到表4-12。

表4-12 前后结果比较

模块

风险级别(调整前)

风险级别(调整后)

用户登录

18

18

用户注册

14

18

填写购物地址及支付信息

10

12

选择商品

12

9

放入购物车

15

6

结算

20

15

在线付款

24

16

目录
相关文章
|
13小时前
|
前端开发 JavaScript 测试技术
使用ChatGPT生成登录产品代码的测试用例和测试脚本
使用ChatGPT生成登录产品代码的测试用例和测试脚本
43 27
|
13小时前
|
前端开发 JavaScript Java
使用ChatGPT生成登录产品代码
使用ChatGPT生成登录产品代码
38 27
|
10天前
|
存储 关系型数据库 分布式数据库
PolarDB PG 版冷热数据分层功能介绍
本文介绍了云原生数据库PolarDB PG版的冷热数据分层存储功能,涵盖其原理、特性及最佳实践。冷热分层存储通过将冷数据归档至OSS(对象存储服务),实现低成本高效存储,同时保持SQL操作透明性和性能优化。支持多种分层模式,如表与索引分层、大字段独立归档等,并提供压缩和缓存机制以提升访问速度。此外,还介绍了如何通过DDL语句轻松转存数据至OSS,以及一系列最佳实践,包括自动冷热分层、无锁表转存和一键转存等功能。
78 36
|
13小时前
|
机器学习/深度学习 人工智能 自然语言处理
师资培训|AIGC工具搜集和分析教学反馈-某教育科技集团
近日,TsingtaoAI为某教育科技集团交付AIGC赋能教师教学创新课程《AIGC工具搜集和分析教学反馈》,本师资培训旨在为高校教师提供系统化、实战化的AIGC应用指南,助力教师在教学过程中实现智能化、个性化的转变。本课程通过深入浅出的案例分析、项目实践和实操演练,全面覆盖AIGC工具的收集、应用与反馈分析方法。
38 26
|
13小时前
|
设计模式
「全网最细 + 实战源码案例」设计模式——模式扩展(配置工厂)
该设计通过配置文件和反射机制动态选择具体工厂,减少硬编码依赖,提升系统灵活性和扩展性。配置文件解耦、反射创建对象,新增产品族无需修改客户端代码。示例中,`CoffeeFactory`类加载配置文件并使用反射生成咖啡对象,客户端调用时只需指定名称即可获取对应产品实例。
42 31
|
1天前
|
运维 JavaScript 应用服务中间件
os-copilot安装与多项功能测评,帮助开发人员PHP环境排查问题
本文介绍了OS Copilot在ECS上 Alibaba Cloud Linux的安装与使用,并对其多项参数进行了功能测评。OS Copilot是为操作系统提供智能化辅助的工具,支持自动化任务、智能推荐、故障排查等功能。安装时需检查是否已安装(`rpm -q os-copilot`),若未安装则用`yum install os-copilot`命令安装,并配置AccessKey信息连接阿里云服务。通过测试不同参数命令,如`-t`参数,展示了其自动化执行和智能生成回答的能力,显著提升运维效率。
os-copilot安装与多项功能测评,帮助开发人员PHP环境排查问题
|
8天前
|
Python
用Pygame Zero 画矩形 (空心、实心、多个矩形、多层同心矩形、彩虹条矩形、条纹相间、随机颜色矩形、特殊效果、渐变效果)
用Pygame Zero 画矩形 (空心、实心、多个矩形、多层同心矩形、彩虹条矩形、条纹相间、随机颜色矩形、特殊效果、渐变效果)
63 40
|
2天前
|
SQL 人工智能 自然语言处理
DataV Note:让Jupyter Notebook绽放新活力
分享阿里云旗下的一款基于Jupyter底座的工具(DataV Note,智能分析文档)给大家。这是一款以Notebook文档形式为基础、由强大AI模型驱动的智能分析、允许多人协作的数据可视分析平台。
56 34
|
14天前
|
SQL 关系型数据库 MySQL
宝塔面板之MySQL无法远程连接
宝塔面板默认安装的MySQL,root用户无远程权限。本文详细介绍如何使root支持远程连接:确保3306端口已放行,通过SSH登录服务器并进入MySQL,修改root用户的host为'%',最后刷新权限。具体步骤包括使用SQL命令修改用户主机设置,并确保网络配置正确,从而实现root的远程访问。
89 34
|
27天前
|
人工智能 文字识别 监控
数据解码者:揭秘多模态信息提取的智能革命
《多模态数据信息提取》解决方案利用先进AI技术,从文本、图像、音频、视频中提取有价值信息。方案涵盖引言、概述、核心功能、架构部署、实战体验、评测报告和总结展望,旨在帮助企业应对复杂数据挑战,实现从理论到实践的飞跃。通过自动化标注、事件预警等功能,提升数据处理效率与用户体验。尽管在某些高级设置和低分辨率图片处理上还有改进空间,但其强大的功能和灵活性已展现巨大潜力。
91 31