what is boundary value analysis
Η ανάλυση οριακής τιμής και η κατανομή ισοδυναμίας εξηγούνται με ένα απλό παράδειγμα:
Η ανάλυση οριακής τιμής και η κατανομή ισοδυναμίας είναι στρατηγικές σχεδιασμού δοκιμαστικών περιπτώσεων στο Black-Box Testing.
Διαχωρισμός ισοδυναμίας
Σε αυτήν τη μέθοδο, τα δεδομένα τομέα εισαγωγής χωρίζονται σε διαφορετικές κατηγορίες δεδομένων ισοδυναμίας. Αυτή η μέθοδος χρησιμοποιείται συνήθως για μείωση του συνολικού αριθμού της δοκιμαστικής περίπτωσης s σε ένα πεπερασμένο σύνολο δοκιμαστικών περιπτώσεων δοκιμής, που εξακολουθούν να καλύπτουν τις μέγιστες απαιτήσεις.
Εν ολίγοις, είναι η διαδικασία λήψης όλων των πιθανών δοκιμαστικών περιπτώσεων και τοποθέτησής τους σε τάξεις. Μία τιμή δοκιμής επιλέγεται από κάθε τάξη κατά τη δοκιμή.
Για παράδειγμα, Εάν δοκιμάζετε για ένα κουτί εισόδου που δέχεται αριθμούς από 1 έως 1000, τότε δεν υπάρχει λόγος γραφής χιλιάδων δοκιμαστικών περιπτώσεων και για τους 1000 έγκυρους αριθμούς εισόδου συν άλλες περιπτώσεις δοκιμών για μη έγκυρα δεδομένα.
Η χρήση της μεθόδου Κατάτμησης ισοδυναμίας παραπάνω των δοκιμαστικών περιπτώσεων μπορεί να χωριστεί σε τρία σύνολα δεδομένων εισόδου που ονομάζονται τάξεις. Κάθε περίπτωση δοκιμής είναι αντιπροσωπευτική μιας αντίστοιχης τάξης.
Έτσι, στο παραπάνω παράδειγμα, μπορούμε να χωρίσουμε τις δοκιμαστικές μας περιπτώσεις σε τρεις κατηγορίες ισοδυναμίας ορισμένων έγκυρων και μη έγκυρων εισόδων.
Δοκιμαστικές περιπτώσεις για το πλαίσιο εισαγωγής που δέχεται αριθμούς μεταξύ 1 και 1000 χρησιμοποιώντας το Equivalence Partitioning:
# 1) Μία κλάση δεδομένων εισόδου με όλες τις έγκυρες εισόδους. Επιλέξτε μία μόνο τιμή από εύρος 1 έως 1000 ως έγκυρη δοκιμαστική περίπτωση. Εάν επιλέξετε άλλες τιμές μεταξύ 1 και 1000, το αποτέλεσμα θα είναι το ίδιο. Επομένως, μια δοκιμαστική περίπτωση για έγκυρα δεδομένα εισόδου πρέπει να είναι επαρκής.
#δύο) Κατηγορία δεδομένων εισαγωγής με όλες τις τιμές κάτω από το κατώτερο όριο. Δηλαδή οποιαδήποτε τιμή κάτω του 1, ως περίπτωση δοκιμής μη έγκυρων δεδομένων εισαγωγής.
# 3) Δεδομένα εισαγωγής με οποιαδήποτε τιμή μεγαλύτερη από 1000 για την αναπαράσταση της τρίτης μη έγκυρης κλάσης εισαγωγής.
Έτσι, χρησιμοποιώντας το Equivalence Partitioning έχετε κατηγοριοποιήσει όλες τις πιθανές δοκιμαστικές περιπτώσεις σε τρεις κατηγορίες. Οι δοκιμαστικές θήκες με άλλες τιμές από οποιαδήποτε κατηγορία θα σας δώσουν το ίδιο αποτέλεσμα.
Έχουμε επιλέξει έναν εκπρόσωπο από κάθε κατηγορία εισαγωγής για να σχεδιάσουμε τις δοκιμαστικές μας περιπτώσεις. Οι τιμές της υπόθεσης επιλέγονται με τέτοιο τρόπο ώστε να μπορεί να ασκηθεί ο μεγαλύτερος αριθμός χαρακτηριστικών της κλάσης ισοδυναμίας.
Το Equivalence Partitioning χρησιμοποιεί τις λιγότερες περιπτώσεις δοκιμών για την κάλυψη των μέγιστων απαιτήσεων.
Ανάλυση οριακής αξίας
Είναι ευρέως αναγνωρισμένο ότι οι τιμές εισόδου στα άκρα του τομέα εισαγωγής προκαλούν περισσότερα σφάλματα στο σύστημα. Περισσότερη εφαρμογή τα λάθη εμφανίζονται στα όρια του τομέα εισαγωγής. Η τεχνική δοκιμής «Ανάλυση οριακής τιμής» χρησιμοποιείται για τον εντοπισμό σφαλμάτων στα όρια αντί για την εύρεση εκείνων που υπάρχουν στο κέντρο του τομέα εισαγωγής.
Η Ανάλυση οριακής τιμής είναι το επόμενο μέρος του Διαχωρισμού ισοδυναμίας για το σχεδιασμό δοκιμαστικών περιπτώσεων όπου οι δοκιμαστικές περιπτώσεις επιλέγονται στα άκρα των κλάσεων ισοδυναμίας.
Δοκιμαστικές περιπτώσεις για το πλαίσιο εισαγωγής που δέχεται αριθμούς μεταξύ 1 και 1000 χρησιμοποιώντας ανάλυση οριακής τιμής:
# 1) Δοκιμάστε περιπτώσεις με δεδομένα δοκιμής ακριβώς όπως τα όρια εισόδου του τομέα εισαγωγής, δηλαδή τιμές 1 και 1000 στην περίπτωσή μας.
#δύο) Δοκιμάστε δεδομένα με τιμές ακριβώς κάτω από τα ακραία άκρα των τομέων εισαγωγής, δηλαδή τιμές 0 και 999.
# 3) Δοκιμάστε δεδομένα με τιμές ακριβώς πάνω από τα ακραία άκρα του τομέα εισαγωγής, δηλαδή τιμές 2 και 1001.
Η Ανάλυση Οριακής Αξίας καλείται συχνά ως μέρος του Στρες και του Αρνητικού Ελέγχου.
Σημείωση: Δεν υπάρχει σκληρός και γρήγορος κανόνας για τον έλεγχο μόνο μιας τιμής από κάθε κλάση ισοδυναμίας που δημιουργήσατε για τομείς εισαγωγής. Μπορείτε να επιλέξετε πολλές έγκυρες και μη έγκυρες τιμές από κάθε κατηγορία ισοδυναμίας σύμφωνα με τις ανάγκες και τις προηγούμενες κρίσεις σας.
Για παράδειγμα, εάν διαιρέσατε 1 έως 1000 τιμές εισόδου μη έγκυρη κλάση ισοδυναμίας δεδομένων, τότε μπορείτε να επιλέξετε τιμές περιπτώσεων δοκιμής όπως 1, 11, 100, 950, κ.λπ. Ίδια περίπτωση για άλλες περιπτώσεις δοκιμών με μη έγκυρες κλάσεις δεδομένων.
εφαρμογή κατασκοπίας κινητού τηλεφώνου για Android
Αυτό θα πρέπει να είναι ένα πολύ βασικό και απλό παράδειγμα για την κατανόηση της έννοιας Ανάλυση οριακής αξίας και κατανομή ισοδυναμίας.
Μοιραστείτε τα παραδείγματα σας παρακάτω.
Συνιστώμενη ανάγνωση
- Ερωτήσεις για εξετάσεις ISTQB σχετικά με την κατανομή ισοδυναμίας και την ανάλυση οριακής αξίας
- Ανάλυση αποτελεσμάτων δοκιμής και αναφορές - Δοκιμή φόρτωσης με LoadRunner
- Δοκιμάστε τις δυνατότητες ανάλυσής σας και τη δύναμη σκέψης - Ασκήσεις δοκιμής λογισμικού (Μέρος 2)
- Οδηγός ανάλυσης αιτίας ρίζας - Βήματα, τεχνικές και παραδείγματα
- Τι είναι ο αρνητικός έλεγχος και πώς να γράφετε αρνητικές δοκιμές;
- TOP 40 Εργαλεία ανάλυσης στατικών κωδικών (Εργαλεία ανάλυσης καλύτερων πηγών κώδικα)
- Τα καλύτερα εργαλεία δοκιμής λογισμικού 2021 (QA Test Automation Tools)
- Υπάρχει όριο έναρξης και διακοπής στο ρόλο του QA στο Scrum;