当前位置: 首页 > 软件库 > 开发工具 > 测试工具 >

PICT

成对测试用例生成器
授权协议 MIT
开发语言 C/C++
所属分类 开发工具、 测试工具
软件类型 开源软件
地区 不详
投 递 者 向嘉誉
操作系统 跨平台
开源组织 微软
适用人群 未知
 软件概览

PICT(Pairwise Independent Combinatorial Testing,成对独立组合测试)是一个测试用例生成工具,它可以生成测试用例和测试配置,其理论基础是成对测试技术(Pairwise Testing)。

成对测试是一种有效的测试用例生成技术,数学统计分析,大多数缺陷是由最多两个因子的相互作用引起的,73% 的缺陷(单因子是 35%,双因子是 38%)由单因子或 2 个因子相互作用产生,19% 的缺陷是由 3 个因子相互作用产生的。基于这一点,成对测试工具针对性地去涵盖两个因子的所有组合,因此比完全覆盖所有组合的测试方案小得多,同时可以非常有效地发现缺陷。

  • 目录 成对组合法 PICT 基础使用 选项 Constraint(约束条件) weight值 MPLS-TE FRR使用举例 SNMP使用举例 成对组合VS正交表 成对组合法 软件中存在很多由于条件condition/维度/输入input/因素factor的等价类/值/水平的组合导致的bug。但是完全组合可能数目太多,统计数据显示由于三个或者更多个条件的组合导致的bug比例很小,所以一种高性价比的

 相关资料
  • 为了方便开发者对免登陆URL进行测试验证,下面提供一个测试用例,开发者可以参考下面的用例,使用相同的输入参数,看产生的签名与我们提供的签名是否一致。 原参数列表: appKey=77f869f734cc43d4b9357a66fd280626, appUid=1, sex=0, mobile=13366668888, nickName=变现猫, appEntrance=1, appHomeUrl

  • 为了方便开发者对免登陆URL进行测试验证,下面提供一个测试用例,开发者可以参考下面的用例,使用相同的输入参数,看产生的签名与我们提供的签名是否一致。 原参数列表: appKey=77f869f734cc43d4b9357a66fd280626, appUid=1, sex=0, mobile=13366668888, nickName=变现猫, appEntrance=1, appHomeUrl=

  • 为了方便开发者对免登陆URL进行测试验证,下面提供一个测试用例,开发者可以参考下面的用例,使用相同的输入参数,看产生的签名与我们提供的签名是否一致。 原参数列表: appKey=77f869f734cc43d4b9357a66fd280626, appUid=1, sex=0, mobile=13366668888, nickName=变现猫, appEntrance=1, appHomeUrl=

  • 本文向大家介绍对python自动生成接口测试的示例讲解,包括了对python自动生成接口测试的示例讲解的使用技巧和注意事项,需要的朋友参考一下 在python中Template可以将字符串的格式固定下来,重复利用。 同一套测试框架为了可以复用,所以我们可以将用例部分做参数化,然后运用到各个项目中。 代码如下: 然后测试用例部分如下: 自动生成的测试用例如下: 20171019添加测试集的一个简单方

  • 成对测试技术也称为配对测试。它用于测试所有可能的离散值组合。这种组合方法用于测试使用复选框输入,单选按钮输入的应用程序(当必须选择一个选项时使用单选按钮,例如当选择性别男性或女性时,只能选择一个选项),列表框 ,文本框等 假设有一个用于测试的软件应用程序的功能,其中有个字段用于输入数据,因此离散组合的总数是(1000亿),但是所有组合的测试都很复杂,因为它会花很多时间。 下面通过一个例子来理解测试

  • 实际运行的时候这个插件是派不上用途的,但这个插件依然是非常重要的插件之一。因为每一个使用 ELK stack 的运维人员都应该清楚一个道理:数据是支持操作的唯一真理(否则你也用不着 ELK)。所以在上线之前,你一定会需要在自己的实际环境中,测试 Logstash 和 Elasticsearch 的性能状况。这时候,这个用来生成测试数据的插件就有用了! 配置示例 input { genera

  • 译者:cangyunye 作者: Nathan Inkawhich 如果你正在阅读这篇文章,希望你能理解一些机器学习模型是多么有效。现在的研究正在不断推动ML模型变得更快、更准确和更高效。然而,在设计和训练模型中经常会忽视的是安全性和健壮性方面,特别是在面对欺骗模型的对手时。 本教程将提高您对ML模型安全漏洞的认识,并将深入探讨对抗性机器学习这一热门话题。您可能会惊讶地发现,在图像中添加细微的干扰