正交实验设计：用最少的用例覆盖最多的组合

正交实验设计，说白了就是一套「偷懒」的科学方法。但这不是偷工减料，而是用数学工具帮你找到最优解。

我在项目中遇到过很多次这样的场景：测试一个功能，因子有七八个，每个因子又有三四个水平。如果做全组合，用例数直接爆炸。但正交表能帮你用很少的用例，覆盖绝大多数组合情况。

正交表的核心理念就四个字：均匀分散，整齐可比。

什么意思呢？我举个例子。假设你有3个因子，每个因子2个水平。全组合需要2×2×2=8个用例。但正交表L4(2³)只需要4个用例。

这4个用例是怎么选出来的？

你想想看，这就保证了用最少的点，代表整个空间。我在做电商系统测试时，就靠这个把下单流程的用例从200多个砍到了30多个，覆盖率反而更高了。

  核心公式：正交表记作 Ln(mk)，其中 n 是行数（用例数），m 是水平数，k 是因子数。

设计正交实验的第一步，不是找正交表，而是确定因子和水平。这一步做不好，后面全是白搭。

我个人习惯这样做：

避坑指南：我曾经犯过一个错误——把「用户类型」分了10个水平。结果正交表选不出来，用例数反而比全组合还多。后来我合并成「新用户」「老用户」「VIP用户」3个水平，问题就解决了。

水平设计有个原则：水平之间要有区分度。比如测试支付方式，你选「支付」和「支付宝支付」没问题，但再加个「支付(旧版)」就没必要了——它和「支付」本质上是一个东西。

理想情况下，所有因子的水平数都一样。但现实呢？

比如测试一个登录功能：

因子水平数不一样，怎么办？用混合水平正交表。

常见的混合水平正交表有：

嗯，这里要注意：混合水平正交表不是随便拼的。你得查标准表，或者用工具生成。我一般用Allpairs或者PICT，手算太容易出错了。

好了，理论讲完了。咱们来点实际的。

假设你要测试一个电商下单功能。影响下单成功的因子有：

全组合需要 2×3×3×3×2 = 108个用例。太多了。

查一下混合水平正交表，L₁₈(2¹×3⁴) 刚好匹配——1个2水平因子，4个3水平因子。但我们有2个2水平因子（商品类型和收货地址），怎么办？

我的做法是：把其中一个2水平因子「升级」成3水平。比如「收货地址」可以改成「国内」「海外」「港澳台」，这样就变成3水平了。或者直接用L₃₆表，但用例数会多一些。

最终我选了L₁₈表，调整后得到18个用例：

18个用例覆盖了所有因子的所有水平组合。我实际跑下来，发现了一个只有「虚拟商品+银行卡+海外地址」才会触发的支付失败bug。如果做全组合，这个bug可能要到第80多个用例才能发现。

注意：正交实验不能保证发现所有bug。它只能保证「任意两个因子的组合都被覆盖到」。如果bug需要三个因子同时满足特定条件才能触发，正交表可能漏掉。这时候需要结合边界值分析和场景法来补充。

下面这张图是我自己总结的，每次做正交实验都照着走：

这张图我用了很多年了。每次做正交实验，都按这个流程走一遍，基本不会漏东西。

我的经验：步骤6「补充遗漏场景」很多人会忽略。正交表覆盖的是「两两组合」，但业务上有些「三三组合」是必须测的。比如电商下单中「虚拟商品+折扣券+海外地址」这个组合，虽然正交表没覆盖到，但业务上很重要。我会单独加一个用例。

正交实验设计不是银弹，但它是测试用例收敛的利器。你想想看，108个用例压缩到18个，节省了80%以上的执行时间，而且还能发现关键bug。这笔账怎么算都划算。

最后说一句：正交表不是万能的。如果因子之间有明显的主次关系，或者你需要精确评估每个因子的影响程度，那还是用全因子实验或者响应面法更合适。但如果你只是想快速收敛用例、发现主要问题，正交实验值得一试。