按目标:专项测试——功能之外的九个维度
如果 按粒度:测试层次 回答的是"测多细",那这篇回答的是"测哪个维度"。功能测试只是测试的默认维度——功能对了,软件不一定能用。速度慢一秒、被 SQL 注入、盲人打不开、字符编码乱掉,任何一条都能让功能正常的软件毁掉。专项测试就是把这些"功能之外的维度"一个个拎出来单独打。
1. 为什么要有专项测试
先看一个真实场景。某电商大促前压力测试没做,功能测试全通过,上线首日凌晨 12 点开抢——服务器 CPU 直接打满,接口 p99 从 200ms 涨到 30 秒,用户点下单转圈 5 分钟后订单重复提交 3 次,风控误判为刷单封了一批 VIP 账号,客服工单第二天爆掉。
这个事故里没有一个"功能 bug"。下单接口逻辑对、库存扣减对、支付回调对。挂的是性能、并发下的 一致性、风控在异常流量下的鲁棒性——三个功能测试不覆盖的维度。
专项测试的意义就是把这些非功能维度显性化。ISO/IEC 25010 软件质量模型把非功能属性分成八个大类,工业界常谈的是下面这七个专项。
2. 性能测试
关心什么:单个请求的响应时间、系统的吞吐量、资源占用(CPU、内存、IO)。
典型指标:
| 指标 | 含义 | 常见目标 |
|---|---|---|
| 响应时间 p50/p95/p99 | 一半/95%/99% 的请求耗时低于此值 | Web 接口 p99 < 500ms |
| QPS/TPS | 每秒查询/事务数 | 视业务而定 |
| 并发用户数 | 同时在线的用户数 | 电商大促 100 万+ |
| 资源占用 | CPU / 内存 / 网络 / 磁盘 IO | CPU < 70%,留 buffer |
看 p99 不看平均,是因为平均值掩盖长尾。1000 个请求,999 个 100ms、1 个 10 秒,平均 110ms 看着很好,实际那 1 个 10 秒是活生生的一个愤怒用户。
工具:JMeter(老牌 GUI)、k6(脚本化、云原生首选)、Locust(Python 编写用例)、wrk(轻量级 HTTP 压测)、Gatling(Scala 写用例,报告漂亮)。
什么时候做:功能稳定后、上线前一次全量压测;每个大版本迭代都要跑基准回归;重要促销/活动前专项加码。
3. 压力测试 / 负载测试 / 容量测试
这几个词经常混用,实际是不同问题:
| 测试类型 | 目的 | 做法 |
|---|---|---|
| 负载测试 | 在预期负载下能否达到 SLA | 按预期 QPS 打 30 分钟 |
| 压力测试 | 系统的极限在哪里、如何崩溃 | QPS 逐步加压直到崩溃 |
| 容量测试 | 达到目标 QPS 需要多少资源 | 固定 QPS,看资源占用 |
| 稳定性测试 | 长时间跑会不会内存泄漏 | 中等负载连续跑 24–72 小时 |
| 尖峰测试 | 流量瞬时暴涨能否扛住 | QPS 秒级从 1x 拉到 10x |
压力测试的价值不是找到极限数字,而是找到崩溃模式:数据库连接池先耗尽还是内存先炸?服务先 OOM 还是 GC 先卡住?知道崩溃模式才能设计降级和限流。
稳定性测试的重要性容易被低估。JVM 应用的内存泄漏、连接不释放这类问题,短时压测根本发现不了,必须跑够长时间。
4. 安全测试
关心什么:系统能不能防住恶意输入、越权访问、数据泄露、拒绝服务。
安全测试有一套标准分类——OWASP Top 10 每年更新,是 Web 应用最常见的十种漏洞:注入、认证失效、数据泄露、XXE、访问控制失效、安全配置错误、XSS、反序列化、组件漏洞、日志不足。
| 子类型 | 干什么 | 工具 |
|---|---|---|
| SAST | 静态代码 扫描漏洞 | SonarQube、Semgrep、Checkmarx |
| DAST | 动态扫描运行中的应用 | OWASP ZAP、Burp Suite |
| SCA | 扫描第三方依赖漏洞 | Snyk、Dependabot、Trivy |
| 渗透测试 | 人工模拟攻击 | 通常外包给专业团队 |
| Fuzz | 随机输入找崩溃/漏洞 | 见 模糊测试 |
渗透测试和自动化扫描不能互相替代。自动化扫描能覆盖已知漏洞模式,但业务逻辑漏洞(比如"改一下订单 ID 就能看别人的订单")机器识别不出来。渗透测试贵但必要。
一个我见过的经典业务逻辑漏洞:某 App 的优惠券领取接口没做用户校验,但客户端做了。用 Charles 抓包改一下用户 ID,可以给任何人的账号发满 100 减 50 的券。功能测试永远发现不了,因为客户端行为完全正常。
5. 可用性测试(Usability)
关心什么:用户能不能顺畅地完成任务、界面是否符合直觉、错误信息是否有帮助。
注意区分两个词:可用性(usability) 是"好不好用",可用性(availability) 是"能不能用(系统在不在线)",中文都叫可用性但完全不是一个东西。工业界谈 SLA 5 个 9 是后者,谈 UX 是前者。
可用性测试的核心方法:
- 用户走查(Cognitive Walkthrough):让真实用户完成典型任务,观察他们卡在哪
- 启发式评估(Heuristic Evaluation):专家按 Nielsen 十大原则打分
- A/B 测试:两版界面各投放一部分用户,看指标(点击率、转化率、完成时间)
指标偏定性:任务完成率、任务完成时间、错误率、满意度评分(SUS 量表 0–100 分,70+ 算好)。
工具偏软:UserTesting、Hotjar(热力图和录屏)、Maze(原型可用性测试)。
可用性测试和 探索性测试 有重叠但目的不同——探索性关心"有没有 bug",可用性关心"用户会不会用"。
6. 兼容性测试
关心什么:软件在不同环境下是否表现一致。
维度非常多:
| 维度 | 例子 |
|---|---|
| 浏览器 | Chrome / Firefox / Safari / Edge / 国产内核 |
| 操作系统 | Windows 10/11、macOS、各版本 Linux、Android/iOS 版本 |
| 设备 | PC、手机、平板、Ultra-wide 显示器、折叠屏 |
| 屏幕分辨率 | 4K、1080p、720p、异形屏 |
| 网络 | 4G / 5G / WiFi / 弱网 |
| 数据库 | MySQL 5.7 / 8.0、PostgreSQL 各版本、Oracle |
| 输入法 | 中文、日文、韩文、emoji |
兼容性组合爆炸——3 个 OS × 4 个浏览器 × 3 个屏幕分辨率就是 36 种组合。必须做优先级排序:按用户数据挑最主流的 5–10 个组合覆盖,长尾靠 crash 上报兜底。
工具:
- BrowserStack、Sauce Labs——云端多浏览器多设备真机测试
- Selenium Grid / Playwright——本地并行多浏览器
- WebPageTest——测各种网络条件下的表现
7. 可访问性测试(Accessibility, a11y)
关心什么:残障用户能不能用你的软件。
a11y 是 "accessibility" 中间省略 11 个字母。核心标准是 WCAG 2.1,分 A / AA / AAA 三个级别。政府网站、金融应用、教育平台通常法规要求 AA。
四个核心原则(POUR):
| 原则 | 含义 | 检查点举例 |
|---|---|---|
| 可感知(Perceivable) | 用户能感知到内容 | 图片有 alt、视频有字幕 |
| 可操作(Operable) | 用户能操作界面 | 键盘能到达所有功能 |
| 可理解(Understandable) | 内容和操作可理解 | 表单错误信息明确 |
| 稳健(Robust) | 兼容辅助技术 | 屏幕阅读器能读出 |
工具:axe DevTools(Chrome 扩展)、Lighthouse(Chrome 内置)、WAVE、Pa11y(可自动化)。
自动化只能覆盖 30–40% 的可访问性问题。剩下的必须手动测——闭上眼睛用屏幕阅读器过一遍你的应用,是所有前端工程师都应该做一次的事。做完你会明白很多"看着挺好"的设计对盲人是灾难。
8. 国际化 / 本地化测试
关心什么:软件能不能在不同语言和地区下正常工作。
区分两个词:国际化(i18n) 是"技术上能不能支持多语言",本地化(l10n) 是"针对某个地区的具体适配"。i18n 是基础设施,l10n 是内容。
i18n 测试典型问题:
- 字符编码:中文、日文、emoji、俄语能不能正确显示、存储、搜索
- 文本膨胀:德语单词长、日语短,UI 排版会不会溢出
- 从右到左:阿拉伯语、希伯来语,整个布局要镜像
- 日期/数字格式:
2026-08-25vs25/08/2026vs8/25/2026 - 时区:所有时间存 UTC 显示时转本地,坑无数
- 货币:CNY、USD、JPY 的小数位数、千分位符号
- 排序:不同语言的字典序不同(德语 Ö 该排在 O 还是 Oe?)
- 表单验证:邮编、电话、身份证格式因国家不同
l10n 测试关注翻译质量、文化适配(图标含义、颜色象征)、法律合规(GDPR、CCPA)。
9. 其他常见专项
不展开,简单列一下:
| 专项 | 关心什么 |
|---|---|
| 安装/升级测试 | 安装能否成功、升级能否保留数据、回滚是否可行 |
| 灾难恢复测试 | 主数据中心挂了备中心能否接管、RTO/RPO 达标 |
| 数据迁移测试 | 老库迁新库数据不丢、schema 变更前后一致 |
| 备份恢复测试 | 备份能不能真的恢复出可用 数据 |
| 合规测试 | 满足 GDPR、HIPAA、PCI-DSS 等法规要求 |
| 弹性测试 | 见 混沌工程与弹性测试 |
| 环境测试 | 温度、湿度、电磁干扰下的表现(嵌入式/硬件) |
10. 什么时候做什么专项
不是所有专项都每个版本都要做。粗略的排期建议:
| 阶段 | 强制专项 | 推荐 | 视情况 |
|---|---|---|---|
| 每次 PR / CI | 单元、集成、静态安全扫描 | ||
| 每次发版 | 冒烟、回归、SCA 依赖扫描 | a11y、性能基准 | |
| 大版本 | 上述 + 完整性能压测 | 兼容性、安全渗透 | i18n |
| 促销/活动前 | 压力、尖峰、稳定性 | 灾难恢复演练 | |
| 年度 | 完整渗透测试 | 灾备切换演练 | 合规审计 |
真实项目的时间和预算总是有限,专项测试的核心是风险优先。金融应用把安全放第一,游戏把性能放第一,政府应用把可访问性放第一,SaaS 把兼容性放第一。
11. 局限
专项测试有几个通病:
指标游戏化:p99 < 500ms 是目标,但真出问题的是 p999 或 p9999——那些偶发的、被平均掉的极端 case。 追指标追到指标好看了,用户体验没提升。关于度量陷阱的更多讨论见 测试管理。
环境失真:性能测试在测试环境跑得飞起,上线扑街——因为测试环境的数据规模、并发模式、依赖抖动都跟生产不一样。真正准的性能数据必须在生产或接近生产的环境测,这也是 shift-right 和影子流量的动机之一。
专项之间的耦合被忽略:安全策略拖慢性能、i18n 增加内存、a11y 影响加载速度。单独优化每个专项,加起来可能整体变差。
专项独立于层次:一个性能问题可以在单元(一个函数的 benchmark)、集成(一个服务的 QPS)、E2E(整条链路的 p99)三个层次上测,同一个"性能测试"名词在不同层次含义差很多。看到"我们做了性能测试"要追问是哪一层。
12. 专项测试在测试全景中的位置
专项测试是目标维度,跟其他维度组合起来才是完整策略:
- 结构维度:按粒度:测试层次——每个专项都要选层次
- 时机维度:测试过程与生命周期——每个专项都要选阶段
- 方法维度:静态测试技术、动 态测试:白盒测试、动态测试:黑盒测试
- 深入的专项方法:模糊测试(安全)、混沌工程与弹性测试(弹性)
- 工程支撑:自动化测试、测试工具简介、测试管理
功能测试是及格线,专项测试是差异化的地方。用户不会因为你的功能对了给你 5 星,但会因为你 3 秒打不开、盲人不能用、大促崩了给你 1 星。