Μενού

Τι είναι τα δεδομένα δοκιμής; Τεχνικές προετοιμασίας δεδομένων δοκιμής με παράδειγμα

what is test data test data preparation techniques with example

Δοκιμάστε Το Όργανο Μας Για Την Εξάλειψη Των Προβλημάτων

Μάθετε τι είναι τα δεδομένα δοκιμής και πώς να προετοιμάσετε τα δεδομένα δοκιμής για δοκιμή:

Κατά την τρέχουσα επική επαναστατική ανάπτυξη της Πληροφορίας και της Τεχνολογίας, οι δοκιμαστές συνήθως αντιμετωπίζουν εκτεταμένη κατανάλωση δεδομένων δοκιμής στον κύκλο ζωής δοκιμών λογισμικού.

Οι υπεύθυνοι δοκιμών δεν συλλέγουν / διατηρούν μόνο δεδομένα από τις υπάρχουσες πηγές, αλλά επίσης δημιουργούν τεράστιους όγκους δεδομένων δοκιμών για να διασφαλίσουν την ποιοτική συμβολή τους στην παράδοση του προϊόντος για πραγματική χρήση.

Ως εκ τούτου, εμείς ως υπεύθυνοι δοκιμών πρέπει να εξερευνούμε συνεχώς, να μαθαίνουμε και να εφαρμόζουμε τις πιο αποτελεσματικές προσεγγίσεις για τη συλλογή δεδομένων, τη δημιουργία, τη συντήρηση, τον αυτοματισμό και την ολοκληρωμένη διαχείριση δεδομένων για οποιουσδήποτε τύπους λειτουργικών και μη λειτουργικών δοκιμών.

Τι είναι τα δεδομένα δοκιμής - Προετοιμασία δεδομένων δοκιμής

Σε αυτό το σεμινάριο, θα παράσχω συμβουλές για τον τρόπο προετοιμασίας των δεδομένων δοκιμής, ώστε οποιαδήποτε σημαντική δοκιμαστική περίπτωση να μην παραλειφθεί από ακατάλληλα δεδομένα και ελλιπή ρύθμιση περιβάλλοντος δοκιμής.

Τι θα μάθετε:

Τι είναι τα δεδομένα δοκιμής και γιατί είναι σημαντικό

Αναφερόμενη σε μια μελέτη που διεξήγαγε η IBM το 2016, η αναζήτηση, η διαχείριση, η συντήρηση και η δημιουργία δεδομένων δοκιμής καλύπτουν το 30% -60% του χρόνου των υπεύθυνων δοκιμών. Είναι αναμφισβήτητη απόδειξη ότι η προετοιμασία δεδομένων είναι μια χρονοβόρα φάση δοκιμών λογισμικού.

Μέσος χρόνος που ξοδεύτηκε στους δοκιμαστές στο TDM

Φιγούρα 1: Μέσος χρόνος που ξοδεύτηκε στους δοκιμαστές στο TDM

Ωστόσο, είναι γεγονός σε πολλούς διάφορους κλάδους ότι οι περισσότεροι επιστήμονες δεδομένων ξοδεύουν το 50% -80% του χρόνου ανάπτυξης του μοντέλου τους στην οργάνωση δεδομένων. Και τώρα, λαμβάνοντας υπόψη τη νομοθεσία, καθώς και τις Προσωπικά Αναγνωρίσιμες Πληροφορίες (PII), η εμπλοκή των υπευθύνων δοκιμών είναι εξαιρετικά αξιοπρεπής στη διαδικασία δοκιμών.

Σήμερα, η αξιοπιστία και η αξιοπιστία των δεδομένων δοκιμών θεωρούνται ασυμβίβαστο στοιχείο για τους ιδιοκτήτες της επιχείρησης. Οι ιδιοκτήτες προϊόντων βλέπουν τα φανταστικά αντίγραφα των δεδομένων δοκιμής ως τη μεγαλύτερη πρόκληση, η οποία μειώνει την αξιοπιστία οποιασδήποτε εφαρμογής σε αυτή τη μοναδική στιγμή της ζήτησης / απαιτήσεων των πελατών για διασφάλιση ποιότητας.

Λαμβάνοντας υπόψη τη σημασία των δεδομένων δοκιμής, οι κάτοχοι λογισμικού της πλειοψηφίας δεν δέχονται τις δοκιμασμένες εφαρμογές με ψεύτικα δεδομένα ή λιγότερα σε μέτρα ασφαλείας.

Σε αυτό το σημείο, γιατί δεν θυμόμαστε τι είναι τα Δεδομένα δοκιμής; Όταν αρχίζουμε να γράφουμε τις δοκιμαστικές μας περιπτώσεις για να επαληθεύσουμε και να επικυρώσουμε τις δεδομένες δυνατότητες και τα σενάρια ανάπτυξης της εφαρμογής στο πλαίσιο της δοκιμής, χρειαζόμαστε πληροφορίες που χρησιμοποιούνται ως είσοδο για την εκτέλεση των δοκιμών για τον εντοπισμό και τον εντοπισμό των ελαττωμάτων.

πώς να φτιάξετε java ανοιχτά αρχεία βάζων

Και γνωρίζουμε ότι αυτές οι πληροφορίες πρέπει να είναι ακριβείς και πλήρεις για την εξάλειψη των σφαλμάτων. Είναι αυτό που ονομάζουμε δεδομένα δοκιμών. Για να γίνει ακριβές, μπορεί να είναι ονόματα, χώρες, κλπ…, δεν είναι ευαίσθητα, όπου τα δεδομένα που αφορούν τα στοιχεία επικοινωνίας, το SSN, το ιατρικό ιστορικό και τα στοιχεία της πιστωτικής κάρτας είναι ευαίσθητα στη φύση.

Τα δεδομένα μπορεί να έχουν οποιαδήποτε μορφή όπως:

  • Δεδομένα δοκιμής συστήματος
  • Δεδομένα δοκιμής SQL
  • Δεδομένα δοκιμής απόδοσης
  • Δεδομένα δοκιμής XML

Εάν γράφετε δοκιμαστικές περιπτώσεις, τότε χρειάζεστε δεδομένα εισαγωγής για κάθε είδους δοκιμή. Ο ελεγκτής μπορεί να παρέχει αυτά τα δεδομένα εισόδου κατά τη στιγμή της εκτέλεσης των δοκιμαστικών περιπτώσεων ή η εφαρμογή μπορεί να επιλέξει τα απαιτούμενα δεδομένα εισόδου από τις προκαθορισμένες θέσεις δεδομένων.

Τα δεδομένα μπορεί να είναι οποιοδήποτε είδος εισόδου στην εφαρμογή, κάθε είδος αρχείου που φορτώνεται από την εφαρμογή ή καταχωρήσεις που διαβάζονται από τους πίνακες βάσης δεδομένων.

Η προετοιμασία κατάλληλων δεδομένων εισόδου αποτελεί μέρος μιας δοκιμαστικής ρύθμισης. Γενικά, οι υπεύθυνοι δοκιμών το αποκαλούν α προετοιμασία τεστ . Στο testbed, όλες οι απαιτήσεις λογισμικού και υλικού ορίζονται χρησιμοποιώντας τις προκαθορισμένες τιμές δεδομένων.

Εάν δεν έχετε τη συστηματική προσέγγιση για τη δημιουργία δεδομένων ενώ γραφή και εκτέλεση δοκιμαστικών περιπτώσεων τότε υπάρχουν πιθανότητες να λείπουν μερικές σημαντικές περιπτώσεις δοκιμών. Οι υπεύθυνοι δοκιμών μπορούν να δημιουργήσουν τα δικά τους δεδομένα σύμφωνα με τις ανάγκες δοκιμών.

Μην βασίζεστε στα δεδομένα που δημιουργούνται από άλλους υπεύθυνους δοκιμών ή τα τυπικά δεδομένα παραγωγής. Δημιουργήστε πάντα ένα νέο σύνολο δεδομένων σύμφωνα με τις απαιτήσεις σας.

Μερικές φορές δεν είναι δυνατό να δημιουργήσετε ένα εντελώς νέο σύνολο δεδομένων για κάθε κατασκευή. Σε τέτοιες περιπτώσεις, μπορείτε να χρησιμοποιήσετε τυπικά δεδομένα παραγωγής. Αλλά θυμηθείτε να προσθέσετε / εισαγάγετε τα δικά σας σύνολα δεδομένων σε αυτήν την υπάρχουσα βάση δεδομένων. Ένας καλύτερος τρόπος για να δημιουργήσετε δεδομένα είναι να χρησιμοποιήσετε τα υπάρχοντα δείγματα δεδομένων ή το testbed και να προσθέσετε τα νέα δεδομένα της υπόθεσης κάθε φορά που λαμβάνετε την ίδια ενότητα για δοκιμή. Με αυτόν τον τρόπο μπορείτε να δημιουργήσετε ολοκληρωμένα σύνολα δεδομένων κατά τη διάρκεια της περιόδου.

Δοκιμή προκλήσεων προμήθειας δεδομένων

Ένας από τους τομείς στη δημιουργία δεδομένων δοκιμής, οι υπεύθυνοι δοκιμών θεωρούν ότι απαιτείται η προμήθεια δεδομένων για το υποσύνολο. Για παράδειγμα, έχετε περισσότερους από ένα εκατομμύριο πελάτες και χρειάζεστε χίλιους από αυτούς για δοκιμή. Και αυτά τα δείγματα δεδομένων πρέπει να είναι συνεπή και να αντιπροσωπεύουν στατιστικά την κατάλληλη κατανομή της στοχευμένης ομάδας. Με άλλα λόγια, υποτίθεται ότι θα βρούμε το σωστό άτομο για δοκιμή, το οποίο είναι μια από τις πιο χρήσιμες μεθόδους δοκιμής των περιπτώσεων χρήσης.

Και αυτά τα δείγματα δεδομένων πρέπει να είναι συνεπή και να αντιπροσωπεύουν στατιστικά την κατάλληλη κατανομή της στοχευμένης ομάδας. Με άλλα λόγια, υποτίθεται ότι θα βρούμε το σωστό άτομο για δοκιμή, το οποίο είναι μια από τις πιο χρήσιμες μεθόδους δοκιμής των περιπτώσεων χρήσης.

Επιπλέον, υπάρχουν μερικοί περιβαλλοντικοί περιορισμοί στη διαδικασία. Ένας από αυτούς είναι η χαρτογράφηση πολιτικών PII. Καθώς το απόρρητο αποτελεί σημαντικό εμπόδιο, οι υπεύθυνοι δοκιμών πρέπει να ταξινομήσουν τα δεδομένα PII.

Τα Εργαλεία Διαχείρισης Δεδομένων Δοκιμής έχουν σχεδιαστεί για να αντιμετωπίσουν το αναφερόμενο ζήτημα. Αυτά τα εργαλεία προτείνουν πολιτικές που βασίζονται στα πρότυπα / κατάλογο που διαθέτουν. Ωστόσο, δεν είναι πολύ ασφαλής άσκηση. Εξακολουθεί να προσφέρει την ευκαιρία ελέγχου σχετικά με το τι κάνει κάποιος.

Για να συνεχίσουμε να αντιμετωπίζουμε τις τρέχουσες και ακόμη και τις μελλοντικές προκλήσεις, πρέπει πάντα να κάνουμε ερωτήσεις όπως Πότε / πού πρέπει να ξεκινήσουμε τη συμπεριφορά του TDM; Τι πρέπει να αυτοματοποιηθεί; Πόση επένδυση πρέπει να διαθέσουν οι εταιρείες για δοκιμές σε τομείς συνεχούς ανάπτυξης δεξιοτήτων ανθρώπινου δυναμικού και τη χρήση νεότερων εργαλείων TDM; Πρέπει να ξεκινήσουμε τις δοκιμές με λειτουργικές ή μη λειτουργικές δοκιμές; Και πολύ πιο πιθανές ερωτήσεις όπως αυτές.

Μερικές από τις πιο κοινές προκλήσεις του Test Data Sourcing αναφέρονται παρακάτω:

  • Οι ομάδες ενδέχεται να μην διαθέτουν επαρκείς γνώσεις και δεξιότητες εργαλείων δημιουργίας δεδομένων δοκιμής
  • Η κάλυψη δεδομένων δοκιμής είναι συχνά ελλιπής
  • Λιγότερη σαφήνεια στις απαιτήσεις δεδομένων που καλύπτουν τις προδιαγραφές όγκου κατά τη φάση συγκέντρωσης
  • Οι δοκιμαστικές ομάδες δεν έχουν πρόσβαση στις πηγές δεδομένων
  • Καθυστέρηση στην παροχή πρόσβασης στα δεδομένα παραγωγής στους δοκιμαστές από προγραμματιστές
  • Τα δεδομένα του περιβάλλοντος παραγωγής ενδέχεται να μην είναι πλήρως χρησιμοποιήσιμα για δοκιμές βάσει των αναπτυγμένων επιχειρηματικών σεναρίων
  • Ενδέχεται να χρειαστούν μεγάλοι όγκοι δεδομένων σε σύντομο χρονικό διάστημα
  • Εξαρτήσεις δεδομένων / συνδυασμοί για τη δοκιμή ορισμένων επιχειρηματικών σεναρίων
  • Οι υπεύθυνοι δοκιμών ξοδεύουν περισσότερο χρόνο από ό, τι απαιτείται για την επικοινωνία με αρχιτέκτονες, διαχειριστές βάσεων δεδομένων και BA για τη συλλογή δεδομένων
  • Κυρίως τα δεδομένα δημιουργούνται ή προετοιμάζονται κατά την εκτέλεση του τεστ
  • Πολλαπλές εφαρμογές και εκδόσεις δεδομένων
  • Κύκλοι συνεχούς απελευθέρωσης σε πολλές εφαρμογές
  • Νομοθεσία για τη φροντίδα των προσωπικών στοιχείων αναγνώρισης (PII)

Στην λευκή πλευρά της δοκιμής δεδομένων, οι προγραμματιστές προετοιμάζουν τα δεδομένα παραγωγής. Εκεί είναι που η QA πρέπει να συνεργαστεί με τους προγραμματιστές για την προώθηση της δοκιμαστικής κάλυψης του AUT. Μία από τις μεγαλύτερες προκλήσεις είναι να ενσωματωθούν όλα τα πιθανά σενάρια (100% δοκιμαστική υπόθεση) με κάθε πιθανή αρνητική περίπτωση.

Σε αυτήν την ενότητα, μιλήσαμε για προκλήσεις δεδομένων δοκιμής. Μπορείτε να προσθέσετε περισσότερες προκλήσεις καθώς τις έχετε επιλύσει ανάλογα. Στη συνέχεια, ας διερευνήσουμε διαφορετικές προσεγγίσεις για το χειρισμό του σχεδιασμού και της διαχείρισης δεδομένων δοκιμής.

Στρατηγικές για την προετοιμασία δεδομένων δοκιμής

Γνωρίζουμε με την καθημερινή πρακτική ότι οι παίκτες στη βιομηχανία των δοκιμών βιώνουν συνεχώς διαφορετικούς τρόπους και μέσα για να ενισχύσουν τις προσπάθειες δοκιμών και, κυρίως, την αποδοτικότητα του κόστους. Στη σύντομη πορεία της εξέλιξης της Πληροφορίας και της Τεχνολογίας, έχουμε δει όταν τα εργαλεία ενσωματώνονται στα περιβάλλοντα παραγωγής / δοκιμών το επίπεδο της παραγωγής αυξήθηκε σημαντικά.

Όταν μιλάμε για την πληρότητα και την πλήρη κάλυψη των δοκιμών, εξαρτάται κυρίως από την ποιότητα των δεδομένων. Καθώς η δοκιμή είναι η ραχοκοκαλιά για την επίτευξη της ποιότητας του λογισμικού, τα δεδομένα δοκιμών είναι το βασικό στοιχείο στη διαδικασία δοκιμών.

Στρατηγικές για τη διαχείριση δεδομένων δοκιμής (TDM)

Σχήμα 2: Στρατηγικές για τη διαχείριση δεδομένων δοκιμής (TDM)

Δημιουργία επίπεδων αρχείων με βάση τους κανόνες χαρτογράφησης. Είναι πάντα πρακτικό να δημιουργείτε ένα υποσύνολο των δεδομένων που χρειάζεστε από το περιβάλλον παραγωγής όπου οι προγραμματιστές σχεδίασαν και κωδικοποίησαν την εφαρμογή. Πράγματι, αυτή η προσέγγιση μειώνει τις προσπάθειες των υπευθύνων προετοιμασίας δεδομένων και μεγιστοποιεί τη χρήση των υπαρχόντων πόρων για την αποφυγή περαιτέρω δαπανών.

Συνήθως, πρέπει να δημιουργήσουμε τα δεδομένα ή τουλάχιστον να τα αναγνωρίσουμε με βάση τον τύπο των απαιτήσεων που έχει κάθε έργο στην αρχή.

Μπορούμε να εφαρμόσουμε τις ακόλουθες στρατηγικές που χειρίζονται τη διαδικασία του TDM:

  1. Δεδομένα από το περιβάλλον παραγωγής
  2. Ανάκτηση ερωτημάτων SQL που εξάγουν δεδομένα από τις υπάρχουσες βάσεις δεδομένων του Πελάτη
  3. Εργαλεία αυτόματης δημιουργίας δεδομένων

Οι δοκιμαστές θα δημιουργήσουν αντίγραφα ασφαλείας των δοκιμών τους με πλήρη δεδομένα λαμβάνοντας υπόψη τα στοιχεία όπως φαίνεται στο σχήμα-3 εδώ. Οι υπόλοιποι σε ευέλικτες ομάδες ανάπτυξης παράγουν τα απαραίτητα δεδομένα για την εκτέλεση των δοκιμαστικών τους περιπτώσεων. Όταν μιλάμε για περιπτώσεις δοκιμών, εννοούμε περιπτώσεις για διάφορους τύπους δοκιμών όπως το λευκό κουτί, το μαύρο κουτί, την απόδοση και την ασφάλεια.

Σε αυτό το σημείο, γνωρίζουμε ότι τα δεδομένα για τη δοκιμή απόδοσης θα πρέπει να είναι σε θέση να καθορίσουν πόσο γρήγορα το σύστημα ανταποκρίνεται υπό ένα δεδομένο φόρτο εργασίας ώστε να είναι πολύ κοντά στον πραγματικό ή ζωντανό μεγάλο όγκο δεδομένων με σημαντική κάλυψη.

Για δοκιμή λευκού πλαισίου, οι προγραμματιστές προετοιμάζουν τα απαιτούμενα δεδομένα τους για να καλύψουν όσο το δυνατόν περισσότερους κλάδους, όλες τις διαδρομές στον πηγαίο κώδικα του προγράμματος και την αρνητική διεπαφή προγράμματος εφαρμογής (API).

Δραστηριότητες παραγωγής δεδομένων δοκιμής

Σχήμα 3: Δραστηριότητες παραγωγής δεδομένων δοκιμής

Τελικά, μπορούμε να πούμε ότι όλοι όσοι εργάζονται στον κύκλο ζωής ανάπτυξης λογισμικού ( SDLC ) όπως οι BA, οι προγραμματιστές και οι ιδιοκτήτες προϊόντων πρέπει να συμμετέχουν καλά στη διαδικασία προετοιμασίας των δεδομένων δοκιμής. Μπορεί να είναι μια κοινή προσπάθεια. Και τώρα ας σας οδηγήσουμε στο ζήτημα των κατεστραμμένων δεδομένων δοκιμών.

Κατεστραμμένα δεδομένα δοκιμών

Πριν από την εκτέλεση οποιωνδήποτε δοκιμαστικών περιπτώσεων στα υπάρχοντα δεδομένα μας, πρέπει να βεβαιωθούμε ότι τα δεδομένα δεν είναι κατεστραμμένα / ξεπερασμένα και ότι η εφαρμογή υπό δοκιμή μπορεί να διαβάσει την πηγή δεδομένων. Συνήθως, όταν περισσότερα από έναν ελεγκτή που εργάζεται ταυτόχρονα σε διαφορετικές ενότητες AUT στο περιβάλλον δοκιμών, οι πιθανότητες αλλοίωσης των δεδομένων είναι τόσο υψηλές.

Στο ίδιο περιβάλλον, οι υπεύθυνοι δοκιμών τροποποιούν τα υπάρχοντα δεδομένα σύμφωνα με τις ανάγκες / απαιτήσεις τους των δοκιμαστικών περιπτώσεων. Κυρίως, όταν οι υπεύθυνοι δοκιμών ολοκληρώνονται με τα δεδομένα, αφήνουν τα δεδομένα ως έχουν. Μόλις ο επόμενος ελεγκτής παραλάβει τα τροποποιημένα δεδομένα και εκτελέσει μια άλλη εκτέλεση της δοκιμής, υπάρχει πιθανότητα αυτής της συγκεκριμένης αποτυχίας της δοκιμής που δεν είναι το σφάλμα κώδικα ή το ελάττωμα.

Στις περισσότερες περιπτώσεις, με αυτόν τον τρόπο τα δεδομένα καταστραφούν ή / και ξεπερασμένα, γεγονός που οδηγεί σε αποτυχία. Για να αποφύγουμε και να ελαχιστοποιήσουμε τις πιθανότητες ασυμφωνίας δεδομένων, μπορούμε να εφαρμόσουμε τις λύσεις όπως παρακάτω. Και φυσικά, μπορείτε να προσθέσετε περισσότερες λύσεις στο τέλος αυτού του σεμιναρίου στην ενότητα σχολίων.

  1. Έχοντας το αντίγραφο ασφαλείας των δεδομένων σας
  2. Επιστρέψτε τα τροποποιημένα δεδομένα σας στην αρχική του κατάσταση
  3. Διαίρεση δεδομένων μεταξύ των υπεύθυνων δοκιμών
  4. Διατηρήστε ενημερωμένο τον διαχειριστή αποθήκης δεδομένων για οποιαδήποτε αλλαγή / τροποποίηση δεδομένων

Πώς να διατηρήσετε ανέπαφα τα δεδομένα σας σε οποιοδήποτε περιβάλλον δοκιμής;

Τις περισσότερες φορές, πολλοί υπεύθυνοι δοκιμών είναι υπεύθυνοι για τη δοκιμή της ίδιας έκδοσης. Σε αυτήν την περίπτωση, περισσότεροι από ένας υπεύθυνοι δοκιμών θα έχουν πρόσβαση σε κοινά δεδομένα και θα προσπαθήσουν να χειριστούν το κοινό σύνολο δεδομένων σύμφωνα με τις ανάγκες τους.

Εάν έχετε προετοιμάσει δεδομένα για ορισμένες συγκεκριμένες ενότητες, τότε ο καλύτερος τρόπος για να διατηρήσετε ανέπαφο το σύνολο δεδομένων σας είναι να διατηρήσετε αντίγραφα ασφαλείας των ίδιων.

Δεδομένα δοκιμής για την υπόθεση δοκιμής απόδοσης

Οι δοκιμές απόδοσης απαιτούν ένα πολύ μεγάλο σύνολο δεδομένων. Μερικές φορές, η μη αυτόματη δημιουργία δεδομένων δεν θα εντοπίσει κάποια λεπτά σφάλματα που ενδέχεται να εντοπίζονται μόνο από πραγματικά δεδομένα που δημιουργούνται από την εφαρμογή υπό δοκιμή. Εάν θέλετε δεδομένα σε πραγματικό χρόνο, τα οποία είναι αδύνατο να δημιουργηθούν χειροκίνητα, ζητήστε από τον επικεφαλής / διαχειριστή σας να τα διαθέσει από το ζωντανό περιβάλλον.

Αυτά τα δεδομένα θα είναι χρήσιμα για την εξασφάλιση της ομαλής λειτουργίας της εφαρμογής για όλες τις έγκυρες εισόδους.

Ποια είναι τα ιδανικά δεδομένα δοκιμής;

πώς μπορώ να ανοίξω αρχεία eps

Τα δεδομένα μπορούν να θεωρηθούν ιδανικά εάν για το ελάχιστο μέγεθος του συνόλου δεδομένων πρέπει να εντοπιστούν όλα τα σφάλματα εφαρμογής. Προσπαθήστε να προετοιμάσετε δεδομένα που θα ενσωματώνουν όλες τις λειτουργίες της εφαρμογής, αλλά δεν θα υπερβαίνετε τον περιορισμό κόστους και χρόνου για την προετοιμασία δεδομένων και την εκτέλεση δοκιμών.

Πώς να προετοιμάσετε δεδομένα που θα διασφαλίσουν τη μέγιστη κάλυψη δοκιμών;

Σχεδιάστε τα δεδομένα σας λαμβάνοντας υπόψη τις ακόλουθες κατηγορίες:

1) Δεν υπάρχουν δεδομένα: Εκτελέστε τις δοκιμαστικές σας περιπτώσεις σε κενά ή προεπιλεγμένα δεδομένα. Δείτε εάν δημιουργούνται κατάλληλα μηνύματα σφάλματος.

2) Έγκυρο σύνολο δεδομένων: Δημιουργήστε το για να ελέγξετε αν η εφαρμογή λειτουργεί σύμφωνα με τις απαιτήσεις και τα έγκυρα δεδομένα εισόδου αποθηκεύονται σωστά σε βάση δεδομένων ή αρχεία.

3) Μη έγκυρο σύνολο δεδομένων: Προετοιμάστε μη έγκυρο σύνολο δεδομένων για να ελέγξετε τη συμπεριφορά της εφαρμογής για αρνητικές τιμές, αλφαριθμητικές εισόδους συμβολοσειρών.

4) Παράνομη μορφή δεδομένων: Δημιουργήστε ένα σύνολο δεδομένων παράνομης μορφής δεδομένων. Το σύστημα δεν πρέπει να δέχεται δεδομένα σε μη έγκυρη ή παράνομη μορφή. Επίσης, ελέγξτε ότι δημιουργούνται σωστά μηνύματα σφάλματος.

5) Σύνολο δεδομένων συνόρων ορίου: Σύνολο δεδομένων που περιέχει δεδομένα εκτός εύρους. Προσδιορίστε τις περιπτώσεις ορίων εφαρμογής και προετοιμάστε σύνολο δεδομένων που θα καλύπτει τις χαμηλότερες καθώς και τις ανώτερες συνθήκες ορίου.

6) Το σύνολο δεδομένων για δοκιμές απόδοσης, φόρτωσης και πίεσης: Αυτό το σύνολο δεδομένων πρέπει να έχει μεγάλο όγκο.

Με αυτόν τον τρόπο η δημιουργία ξεχωριστών συνόλων δεδομένων για κάθε συνθήκη δοκιμής θα εξασφαλίσει πλήρη κάλυψη δοκιμών.

Δεδομένα για δοκιμές Black Box

Οι δοκιμαστές διασφάλισης ποιότητας εκτελούν δοκιμές ενοποίησης, δοκιμές συστήματος και δοκιμές αποδοχής, οι οποίες είναι γνωστές ως δοκιμές μαύρου κουτιού. Σε αυτήν τη μέθοδο δοκιμής, οι υπεύθυνοι δοκιμών δεν έχουν καμία εργασία στην εσωτερική δομή, το σχεδιασμό και τον κώδικα της εφαρμογής που υπόκειται στη δοκιμή.

Ο πρωταρχικός σκοπός των ελεγκτών είναι να εντοπίσει και να εντοπίσει σφάλματα. Με αυτόν τον τρόπο, εφαρμόζουμε είτε λειτουργικές είτε μη λειτουργικές δοκιμές χρησιμοποιώντας διαφορετικές τεχνικές δοκιμών μαύρου κουτιού.

Μέθοδοι σχεδιασμού δεδομένων Black Box

Σχήμα 4: Μέθοδοι σχεδιασμού δεδομένων Black Box

Σε αυτό το σημείο, οι υπεύθυνοι δοκιμών χρειάζονται τα δεδομένα δοκιμής ως είσοδο για την εκτέλεση και την εφαρμογή των τεχνικών της δοκιμής μαύρου κουτιού. Και οι υπεύθυνοι δοκιμών θα πρέπει να προετοιμάσουν τα δεδομένα που θα εξετάσουν όλες τις λειτουργίες της εφαρμογής χωρίς να υπερβαίνουν το δεδομένο κόστος και το χρόνο.

Μπορούμε να σχεδιάσουμε τα δεδομένα για τις δοκιμαστικές μας περιπτώσεις, λαμβάνοντας υπόψη κατηγορίες συνόλων δεδομένων όπως δεν υπάρχουν δεδομένα, έγκυρα δεδομένα, μη έγκυρα δεδομένα, παράνομη μορφή δεδομένων, δεδομένα οριακών συνθηκών, διαμέρισμα ισοδυναμίας, πίνακας δεδομένων αποφάσεων, δεδομένα μετάβασης κατάστασης και δεδομένα περιπτώσεων χρήσης. Πριν μεταβείτε στις κατηγορίες συνόλων δεδομένων, οι υπεύθυνοι δοκιμών ξεκινούν τη συλλογή δεδομένων και την ανάλυση των υπαρχόντων πόρων της εφαρμογής υπό δοκιμή (AUT).

Σύμφωνα με τα προηγούμενα σημεία που αναφέρθηκαν σχετικά με την ενημέρωση της αποθήκης δεδομένων σας, θα πρέπει να τεκμηριώσετε τις απαιτήσεις δεδομένων σε επίπεδο δοκιμαστικής θήκης και να τις επισημάνετε ως χρησιμοποιήσιμες ή μη επαναχρησιμοποιήσιμες όταν γράφετε τις δοκιμαστικές σας περιπτώσεις. Σας βοηθά τα δεδομένα που απαιτούνται για τη δοκιμή να καθαρίζονται καλά και να τεκμηριώνονται από την αρχή που θα μπορούσατε να αναφέρετε για περαιτέρω χρήση αργότερα.

Παράδειγμα δεδομένων δοκιμής για Open EMR AUT

Για το τρέχον σεμινάριό μας, έχουμε το Open EMR ως την εφαρμογή υπό δοκιμή (AUT).

=> Βρείτε το σύνδεσμος για την εφαρμογή Open EMR εδώ για την αναφορά / πρακτική σας.

Ο παρακάτω πίνακας απεικονίζει σχεδόν ένα δείγμα της συλλογής απαιτήσεων δεδομένων που μπορεί να είναι μέρος της τεκμηρίωσης της δοκιμαστικής περίπτωσης και ενημερώνεται όταν γράφετε τις δοκιμαστικές θήκες για τα σενάρια δοκιμής σας.

( ΣΗΜΕΙΩΣΗ : Κάντε κλικ σε οποιαδήποτε εικόνα για μεγέθυνση)

συλλογή απαιτήσεων δεδομένων δοκιμής 1

Δημιουργία μη αυτόματων δεδομένων για δοκιμή Ανοιχτή εφαρμογή EMR

Ας προχωρήσουμε στη δημιουργία μη αυτόματων δεδομένων για τη δοκιμή της εφαρμογής Open EMR για τις συγκεκριμένες κατηγορίες συνόλων δεδομένων.

1) Χωρίς δεδομένα: Ο ελεγκτής επικυρώνει τη διεύθυνση URL της εφαρμογής Open EMR και τις λειτουργίες «Αναζήτηση ή Προσθήκη ασθενούς» χωρίς να δίνει δεδομένα.

δύο) Έγκυρα δεδομένα: Ο ελεγκτής επικυρώνει τη διεύθυνση URL της εφαρμογής Open EMR και τη λειτουργία «Αναζήτηση ή Προσθήκη ασθενούς» με την παροχή έγκυρων δεδομένων.

3) Μη έγκυρα δεδομένα: Ο ελεγκτής επικυρώνει τη διεύθυνση URL της εφαρμογής Open EMR και τη λειτουργία 'Αναζήτηση ή Προσθήκη ασθενούς' με την παροχή μη έγκυρων δεδομένων.

4) Παράνομη μορφή δεδομένων: Ο ελεγκτής επικυρώνει τη διεύθυνση URL της εφαρμογής Open EMR και τη λειτουργία 'Αναζήτηση ή Προσθήκη ασθενούς' με την παροχή μη έγκυρων δεδομένων.

Δεδομένα δοκιμής για 1-4 κατηγορίες συνόλων δεδομένων:

Δείγματα δεδομένων δοκιμής 2

5) Σύνολο δεδομένων οριακής κατάστασης: Πρόκειται για τον καθορισμό τιμών εισόδου για όρια που είναι εντός ή εκτός των δεδομένων τιμών ως δεδομένα.

6) Σύνολο δεδομένων διαμερισμάτων ισοδυναμίας: Είναι η τεχνική δοκιμών που διαιρεί τα δεδομένα εισόδου σας στις τιμές εισαγωγής έγκυρων και μη έγκυρων.

Δεδομένα δοκιμής για 5ουκαι 6ουκατηγορίες συνόλων δεδομένων, που είναι για το όνομα χρήστη και τον κωδικό πρόσβασης Open EMR:

Ανοίξτε τα δεδομένα δοκιμής EMT 3

7) Σύνολο δεδομένων πίνακα απόφασης: Είναι η τεχνική για τον προσδιορισμό των δεδομένων σας με ένα συνδυασμό εισόδων για την παραγωγή διαφόρων αποτελεσμάτων. Αυτή η μέθοδος δοκιμής μαύρου κουτιού σάς βοηθά να μειώσετε τις δοκιμαστικές σας προσπάθειες κατά την επαλήθευση κάθε συνδυασμού δεδομένων δοκιμής. Επιπλέον, αυτή η τεχνική μπορεί να σας εξασφαλίσει για την πλήρη κάλυψη δοκιμών.

Δείτε παρακάτω το σύνολο δεδομένων του πίνακα αποφάσεων για το όνομα χρήστη και τον κωδικό πρόσβασης της εφαρμογής Open EMR.

Δεδομένα πίνακα απόφασης 4

Ο υπολογισμός των συνδυασμών που πραγματοποιούνται στον παραπάνω πίνακα περιγράφεται για τις λεπτομερείς πληροφορίες σας όπως παρακάτω. Μπορεί να το χρειαστείτε όταν κάνετε περισσότερους από τέσσερις συνδυασμούς.

  • Αριθμός συνδυασμού = Αριθμός Συνθηκών 1 Τιμές * Αριθμός Συνθηκών 2 Τιμές
  • Αριθμός συνδυασμών = 2 ^ Αριθμός πραγματικών / ψευδών συνθηκών
  • Παράδειγμα: Αριθμός συνδυασμών - 2 ^ 2 = 4

8) Σετ δεδομένων δοκιμής μετάβασης κατάστασης: Είναι η τεχνική δοκιμών που σας βοηθά να επικυρώσετε τη μετάβαση κατάστασης της εφαρμογής υπό δοκιμή (AUT) παρέχοντας στο σύστημα τις συνθήκες εισόδου.

Για παράδειγμα, συνδέουμε την εφαρμογή Open EMR παρέχοντας το σωστό όνομα χρήστη και τον κωδικό πρόσβασης στην πρώτη προσπάθεια. Το σύστημα μας παρέχει πρόσβαση, αλλά εάν εισαγάγουμε τα λανθασμένα δεδομένα σύνδεσης, το σύστημα αρνείται την πρόσβαση. Ο έλεγχος μετάβασης κατάστασης επιβεβαιώνει ότι πόσες προσπάθειες σύνδεσης μπορείτε να κάνετε προτού κλείσει το Open EMR.

Ο παρακάτω πίνακας δείχνει πώς ανταποκρίνονται είτε οι σωστές είτε οι εσφαλμένες προσπάθειες σύνδεσης

Δεδομένα δοκιμής προσπάθειας σύνδεσης 5

9) Χρήση ημερομηνίας δοκιμής περίπτωσης: Είναι η μέθοδος δοκιμών που προσδιορίζει τις δοκιμαστικές μας περιπτώσεις που καταγράφουν τη δοκιμή από άκρο σε άκρο μιας συγκεκριμένης λειτουργίας.

Παράδειγμα, Άνοιγμα EMR Login:

Δεδομένα δοκιμής αποτυχίας επιτυχίας 6

Διαβάστε επίσης => Τεχνικές διαχείρισης δεδομένων

Ιδιότητες καλών δεδομένων δοκιμής

Ως υπεύθυνος δοκιμών, πρέπει να δοκιμάσετε την ενότητα «Αποτελέσματα εξέτασης» του ιστότοπου ενός πανεπιστημίου. Λάβετε υπόψη ότι ολόκληρη η εφαρμογή έχει ενσωματωθεί και βρίσκεται σε κατάσταση «Έτοιμο για δοκιμή». Το «Examination Module» συνδέεται με τις ενότητες «Εγγραφή», «Μαθήματα» και «Οικονομικά».

Ας υποθέσουμε ότι έχετε επαρκείς πληροφορίες σχετικά με την εφαρμογή και έχετε δημιουργήσει μια ολοκληρωμένη λίστα δοκιμαστικών σεναρίων. Τώρα πρέπει να σχεδιάσετε, να τεκμηριώσετε και να εκτελέσετε αυτές τις δοκιμαστικές περιπτώσεις. Στην ενότητα 'Ενέργειες / βήματα' ή 'Είσοδοι δοκιμής' των περιπτώσεων δοκιμής, θα πρέπει να αναφέρετε τα αποδεκτά δεδομένα ως εισαγωγή για τη δοκιμή.

Τα δεδομένα που αναφέρονται σε περιπτώσεις δοκιμών πρέπει να επιλέγονται σωστά. Η ακρίβεια της στήλης «Πραγματικά αποτελέσματα» του εγγράφου περίπτωσης δοκιμής εξαρτάται κυρίως από τα δεδομένα δοκιμής. Έτσι, το βήμα για την προετοιμασία των δεδομένων δοκιμής εισόδου είναι πολύ σημαντικό. Έτσι, εδώ είναι η κατάληψή μου στο 'DB Testing - Test Data Preparation Strategies'.

Ιδιότητες δεδομένων δοκιμής

Τα δεδομένα δοκιμής πρέπει να επιλέγονται με ακρίβεια και πρέπει να διαθέτουν τις ακόλουθες τέσσερις ιδιότητες:

1) Ρεαλιστικός:

Από ρεαλιστική, σημαίνει ότι τα δεδομένα πρέπει να είναι ακριβή στο πλαίσιο των σεναρίων πραγματικής ζωής. Για παράδειγμα, για να δοκιμάσετε το πεδίο 'Ηλικία', όλες οι τιμές πρέπει να είναι θετικές και 18 ή περισσότερες. Είναι προφανές ότι οι υποψήφιοι για εισαγωγή στο πανεπιστήμιο είναι συνήθως 18 ετών (αυτό μπορεί να οριστεί διαφορετικά από την άποψη των επιχειρηματικών απαιτήσεων).

Εάν η δοκιμή γίνεται χρησιμοποιώντας τα ρεαλιστικά δεδομένα δοκιμών, τότε θα κάνει την εφαρμογή πιο ισχυρή, καθώς τα περισσότερα από τα πιθανά σφάλματα μπορούν να καταγραφούν χρησιμοποιώντας ρεαλιστικά δεδομένα. Ένα άλλο πλεονέκτημα των ρεαλιστικών δεδομένων είναι η επαναχρησιμοποίησή τους που εξοικονομεί χρόνο και προσπάθεια για τη δημιουργία νέων δεδομένων ξανά και ξανά.

Όταν μιλάμε για ρεαλιστικά δεδομένα, θα ήθελα να σας παρουσιάσω την έννοια του χρυσού συνόλου δεδομένων. Ένα χρυσό σύνολο δεδομένων είναι αυτό που καλύπτει σχεδόν όλα τα πιθανά σενάρια που συμβαίνουν στο πραγματικό έργο. Χρησιμοποιώντας το GDS, μπορούμε να παρέχουμε μέγιστη κάλυψη δοκιμών. Χρησιμοποιώ το GDS για να κάνω δοκιμές παλινδρόμησης στον οργανισμό μου και αυτό με βοηθά να δοκιμάσω όλα τα πιθανά σενάρια που μπορούν να προκύψουν εάν ο κώδικας πηγαίνει στο πλαίσιο παραγωγής.

Υπάρχουν πολλά διαθέσιμα εργαλεία δημιουργίας δεδομένων δοκιμής στην αγορά που αναλύουν τα χαρακτηριστικά της στήλης και τους ορισμούς των χρηστών στη βάση δεδομένων και βάσει αυτών, δημιουργούν ρεαλιστικά δεδομένα δοκιμής για εσάς. Λίγα από τα καλά παραδείγματα των εργαλείων που δημιουργούν δεδομένα για δοκιμές βάσεων δεδομένων είναι Δημιουργία δεδομένων DTM , Δημιουργία δεδομένων SQL και Μοκαρό .

2. Πρακτικά ισχύει:

Αυτό είναι παρόμοιο με ρεαλιστικό αλλά όχι το ίδιο. Αυτή η ιδιότητα σχετίζεται περισσότερο με την επιχειρηματική λογική του AUT π.χ. Η τιμή 60 είναι ρεαλιστική στον τομέα της ηλικίας, αλλά ουσιαστικά άκυρη για έναν υποψήφιο Αποφοίτησης ή ακόμη και Μεταπτυχιακά Προγράμματα. Σε αυτήν την περίπτωση, ένα έγκυρο εύρος θα είναι 18-25 έτη (αυτό μπορεί να οριστεί στις απαιτήσεις).

3. Ευέλικτα σενάρια κάλυψης:

καλύτερο λογισμικό για τη λήψη βίντεο στο YouTube

Μπορεί να υπάρχουν αρκετές επακόλουθες συνθήκες σε ένα σενάριο, οπότε επιλέξτε τα δεδομένα προσεκτικά για να καλύψετε τις μέγιστες πτυχές ενός μεμονωμένου σεναρίου με το ελάχιστο σύνολο δεδομένων, π.χ. ενώ δημιουργείτε δεδομένα δοκιμών για την ενότητα αποτελεσμάτων, μην λαμβάνετε υπόψη μόνο την περίπτωση των κανονικών μαθητών που ολοκληρώνουν ομαλά το πρόγραμμά τους. Δώστε προσοχή στους μαθητές που επαναλαμβάνουν το ίδιο μάθημα και ανήκουν σε διαφορετικά εξάμηνα ή ακόμα και σε διαφορετικά προγράμματα. Το σύνολο δεδομένων μπορεί να έχει την εξής μορφή:

Κύριος# Student_ID Πρόγραμμα_ID Μάθημα_ID Βαθμός
1 BCS-Fall2011-Morning-01 BCS-F11 CS-401 ΠΡΟΣ ΤΗΝ
δύο BCS-Άνοιξη2011-Βράδυ-14 BCS-S11 CS-401 Β +
3 MIT-Fall2010-Απόγευμα-09 MIT-F10 CS-401 ΠΡΟΣ ΤΗΝ-
... ... ... ... ...

Μπορεί να υπάρχουν πολλές άλλες ενδιαφέρουσες και δύσκολες υπο-προϋποθέσεις. Π.χ. τον περιορισμό των ετών για την ολοκλήρωση ενός προγράμματος πτυχίου, περνώντας ένα προαπαιτούμενο μάθημα για την εγγραφή ενός μαθήματος, το μέγιστο αριθ. των μαθημάτων που ένας φοιτητής μπορεί να εγγραφεί σε ένα εξάμηνο κ.λπ. κ.λπ. Φροντίστε να καλύψετε όλα αυτά τα σενάρια με σύνεση με το πεπερασμένο σύνολο δεδομένων.

καλά δεδομένα δοκιμής

4. Εξαιρετικά δεδομένα (εάν ισχύει / απαιτείται):

Μπορεί να υπάρχουν ορισμένα εξαιρετικά σενάρια που εμφανίζονται λιγότερο συχνά αλλά απαιτούν μεγάλη προσοχή όταν συνέβη, π.χ. θέματα σχετικά με άτομα με ειδικές ανάγκες.

Μια άλλη καλή εξήγηση & παράδειγμα του εξαιρετικού συνόλου δεδομένων φαίνεται στην παρακάτω εικόνα:

Εξαιρετικά δεδομένα

Πάρε μακριά:

Τα δεδομένα δοκιμής είναι γνωστά ως καλά δεδομένα δοκιμών εάν είναι ρεαλιστικά, έγκυρα και ευπροσάρμοστα. Είναι ένα πρόσθετο πλεονέκτημα εάν τα δεδομένα παρέχουν κάλυψη και για εξαιρετικά σενάρια.

Τεχνικές προετοιμασίας δεδομένων δοκιμής

Συζητήσαμε εν συντομία τις σημαντικές ιδιότητες των δεδομένων δοκιμής και έχει επίσης επεξεργαστεί τον τρόπο με τον οποίο η επιλογή δεδομένων δοκιμής είναι σημαντική κατά τη διάρκεια της δοκιμής της βάσης δεδομένων. Τώρα ας συζητήσουμε το ' τεχνικές για την προετοιμασία δεδομένων δοκιμής ' .

Υπάρχουν μόνο δύο τρόποι προετοιμασίας δεδομένων δοκιμής:

Μέθοδος # 1) Εισαγωγή νέων δεδομένων

Αποκτήστε ένα καθαρό DB και εισαγάγετε όλα τα δεδομένα, όπως ορίζεται στις δοκιμαστικές σας περιπτώσεις. Μόλις εισαχθούν όλα τα απαιτούμενα και επιθυμητά δεδομένα σας, ξεκινήστε να εκτελείτε τις δοκιμαστικές σας περιπτώσεις και συμπληρώστε τις στήλες «Pass / Fail» συγκρίνοντας το «Πραγματικό αποτέλεσμα» με το «Αναμενόμενο αποτέλεσμα». Ακούγεται απλό, έτσι; Αλλά περιμένετε, δεν είναι τόσο απλό.

Λίγες βασικές και κρίσιμες ανησυχίες έχουν ως εξής:

  • Μια κενή παρουσία της βάσης δεδομένων ενδέχεται να μην είναι διαθέσιμη
  • Τα δεδομένα δοκιμής που έχουν εισαχθεί ενδέχεται να μην επαρκούν για τη δοκιμή ορισμένων περιπτώσεων, όπως δοκιμές απόδοσης και φόρτωσης.
  • Η εισαγωγή των απαιτούμενων δεδομένων δοκιμής σε κενό DB δεν είναι εύκολη δουλειά λόγω των εξαρτήσεων του πίνακα βάσης δεδομένων. Λόγω αυτού του αναπόφευκτου περιορισμού, η εισαγωγή δεδομένων μπορεί να γίνει μια δύσκολη εργασία για τον ελεγκτή.
  • Η εισαγωγή περιορισμένων δεδομένων δοκιμής (μόνο σύμφωνα με τις ανάγκες της δοκιμαστικής υπόθεσης) ενδέχεται να αποκρύψει ορισμένα ζητήματα που θα μπορούσαν να βρεθούν μόνο με το μεγάλο σύνολο δεδομένων.
  • Για την εισαγωγή δεδομένων, ενδέχεται να απαιτούνται πολύπλοκα ερωτήματα ή / και διαδικασίες και για αυτό απαιτείται επαρκής βοήθεια ή βοήθεια από τους προγραμματιστές DB.

Τα παραπάνω πέντε θέματα είναι τα πιο κρίσιμα και τα πιο εμφανή μειονεκτήματα αυτής της τεχνικής για την προετοιμασία δεδομένων δοκιμής. Ωστόσο, υπάρχουν και ορισμένα πλεονεκτήματα:

  • Η εκτέλεση των TC γίνεται πιο αποτελεσματική καθώς το DB έχει μόνο τα απαιτούμενα δεδομένα.
  • Η απομόνωση σφαλμάτων δεν απαιτεί χρόνο, καθώς μόνο τα δεδομένα που καθορίζονται σε περιπτώσεις δοκιμής υπάρχουν στο DB.
  • Απαιτείται λιγότερος χρόνος για δοκιμές και σύγκριση αποτελεσμάτων.
  • Διαδικασία δοκιμής χωρίς ακαταστασία

Μέθοδος # 2) Επιλέξτε δείγμα υποσυνόλου δεδομένων από πραγματικά δεδομένα DB

Αυτή είναι μια εφικτή και πιο πρακτική τεχνική για την προετοιμασία δεδομένων δοκιμής. Ωστόσο, απαιτεί υγιείς τεχνικές δεξιότητες και απαιτεί λεπτομερείς γνώσεις για το DB Schema και το SQL. Σε αυτήν τη μέθοδο, πρέπει να αντιγράψετε και να χρησιμοποιήσετε δεδομένα παραγωγής αντικαθιστώντας ορισμένες τιμές πεδίου από εικονικές τιμές. Αυτό είναι το καλύτερο υποσύνολο δεδομένων για τη δοκιμή σας, καθώς αντιπροσωπεύει τα δεδομένα παραγωγής. Αλλά αυτό μπορεί να μην είναι εφικτό συνεχώς λόγω ζητημάτων ασφάλειας και απορρήτου δεδομένων.

Πάρε μακριά:

Στην παραπάνω ενότητα, έχουμε συζητήσει παραπάνω τις τεχνικές προετοιμασίας δεδομένων δοκιμής. Εν ολίγοις, υπάρχουν δύο τεχνικές - είτε να δημιουργήσετε νέα δεδομένα είτε να επιλέξετε ένα υποσύνολο από ήδη υπάρχοντα δεδομένα. Και τα δύο πρέπει να γίνουν με τέτοιο τρόπο ώστε τα επιλεγμένα δεδομένα να παρέχουν κάλυψη για διάφορα σενάρια δοκιμών, κυρίως έγκυρα & μη έγκυρα, τεστ απόδοσης και μηδενικό τεστ.

Στην τελευταία ενότητα, ας ρίξουμε μια γρήγορη περιήγηση στις προσεγγίσεις παραγωγής δεδομένων. Αυτές οι προσεγγίσεις είναι χρήσιμες όταν πρέπει να δημιουργήσουμε νέα δεδομένα.

Προσεγγίσεις παραγωγής δεδομένων δοκιμής:

  • Μη αυτόματη παραγωγή δεδομένων δοκιμής: Σε αυτήν την προσέγγιση, τα δεδομένα δοκιμής εισάγονται χειροκίνητα από τους υπεύθυνους δοκιμών σύμφωνα με τις απαιτήσεις της υπόθεσης δοκιμής. Είναι ένας χρόνος που παίρνει τη διαδικασία και είναι επίσης επιρρεπής σε λάθη.
  • Αυτοματοποιημένη παραγωγή δεδομένων δοκιμής: Αυτό γίνεται με τη βοήθεια εργαλείων δημιουργίας δεδομένων. Το κύριο πλεονέκτημα αυτής της προσέγγισης είναι η ταχύτητα και η ακρίβεια. Ωστόσο, έχει υψηλότερο κόστος από τη μη αυτόματη παραγωγή δεδομένων δοκιμής.
  • Έγχυση δεδομένων back-end : Αυτό γίνεται μέσω ερωτημάτων SQL. Αυτή η προσέγγιση μπορεί επίσης να ενημερώσει τα υπάρχοντα δεδομένα στη βάση δεδομένων. Είναι γρήγορη και αποτελεσματική, αλλά πρέπει να εφαρμοστεί πολύ προσεκτικά, ώστε η υπάρχουσα βάση δεδομένων να μην καταστραφεί.
  • Χρήση εργαλείων τρίτων : Υπάρχουν διαθέσιμα εργαλεία στην αγορά που κατανοούν πρώτα τα σενάρια δοκιμής σας και στη συνέχεια δημιουργούν ή εισάγουν δεδομένα αναλόγως για να παρέχουν ευρεία κάλυψη δοκιμών. Αυτά τα εργαλεία είναι ακριβή καθώς προσαρμόζονται σύμφωνα με τις επιχειρηματικές ανάγκες. Όμως, είναι αρκετά δαπανηρά.

Πάρε μακριά:

Υπάρχουν 4 προσεγγίσεις για τη δοκιμή της δημιουργίας δεδομένων:

  1. Εγχειρίδιο,
  2. αυτοματοποίηση,
  3. έγχυση δεδομένων back-end,
  4. και εργαλεία τρίτων.

Κάθε προσέγγιση έχει τα δικά της πλεονεκτήματα και μειονεκτήματα. Πρέπει να επιλέξετε την προσέγγιση που ικανοποιεί την επιχείρησή σας και τις ανάγκες δοκιμών.

συμπέρασμα

Η δημιουργία πλήρων δεδομένων δοκιμής λογισμικού σύμφωνα με τα πρότυπα της βιομηχανίας, τη νομοθεσία και τα βασικά έγγραφα του αναληφθέντος έργου είναι μεταξύ των βασικών αρμοδιοτήτων των υπεύθυνων δοκιμών. Όσο περισσότερο διαχειριζόμαστε αποτελεσματικά τα δεδομένα δοκιμών, τόσο περισσότερο μπορούμε να αναπτύξουμε προϊόντα χωρίς λογικά σφάλματα για πραγματικούς χρήστες.

Η διαχείριση δεδομένων δοκιμής (TDM) είναι η διαδικασία που βασίζεται στην ανάλυση των προκλήσεων και στην εισαγωγή συν την εφαρμογή των καλύτερων εργαλείων και μεθόδων για την καλή αντιμετώπιση των εντοπισμένων ζητημάτων χωρίς να διακυβεύεται η αξιοπιστία και η πλήρης κάλυψη της τελικής παραγωγής (προϊόν).

Πρέπει πάντα να βρούμε ερωτήσεις για την αναζήτηση καινοτόμων και οικονομικότερων μεθόδων για την ανάλυση και την επιλογή των μεθόδων δοκιμών, συμπεριλαμβανομένης της χρήσης εργαλείων για τη δημιουργία των δεδομένων. Είναι ευρέως αποδεδειγμένο ότι τα καλά σχεδιασμένα δεδομένα μας επιτρέπουν να εντοπίζουμε ελαττώματα της εφαρμογής υπό δοκιμή σε κάθε φάση ενός πολυφασικού SDLC.

Πρέπει να είμαστε δημιουργικοί και να συμμετέχουμε με όλα τα μέλη εντός και εκτός της ευέλικτης ομάδας μας. Μοιραστείτε τα σχόλιά σας, την εμπειρία, τις ερωτήσεις και τα σχόλιά σας, ώστε να μπορέσουμε να συνεχίσουμε τις τεχνικές συζητήσεις μας για να μεγιστοποιήσουμε τη θετική επίδρασή μας στο AUT με τη διαχείριση δεδομένων.

Η προετοιμασία κατάλληλων δεδομένων δοκιμής αποτελεί βασικό μέρος της «ρύθμισης περιβάλλοντος δοκιμής έργου». Δεν μπορούμε απλώς να χάσουμε τη δοκιμαστική υπόθεση λέγοντας ότι δεν ήταν διαθέσιμα πλήρη δεδομένα για δοκιμή. Ο υπεύθυνος δοκιμών θα πρέπει να δημιουργήσει τα δικά του δεδομένα δοκιμής επιπλέον των υφιστάμενων τυπικών δεδομένων παραγωγής. Το σύνολο δεδομένων σας πρέπει να είναι ιδανικό από άποψη κόστους και χρόνου.

Να είστε δημιουργικοί, να χρησιμοποιήσετε τη δική σας ικανότητα και κρίσεις για να δημιουργήσετε διαφορετικά σύνολα δεδομένων αντί να βασίζεστε σε τυπικά δεδομένα παραγωγής.

Μέρος II - Το δεύτερο μέρος αυτού του σεμιναρίου είναι στο ' Δοκιμάστε τη δημιουργία δεδομένων με το διαδικτυακό εργαλείο GEDIS Studio '.

Αντιμετωπίσατε το πρόβλημα των ελλιπών δεδομένων δοκιμών για δοκιμή; Πώς το καταφέρατε; Μοιραστείτε τις συμβουλές, την εμπειρία, τα σχόλια και τις ερωτήσεις σας για περαιτέρω εμπλουτισμό αυτού του θέματος συζήτησης.

Συνιστώμενη ανάγνωση

^