Grænseværdianalyse og ækvivalensopdeling

Af: Thomas Hamilton Thomas Hamilton
Hours Opdateret

⚡ Smart opsummering

Ækvivalenspartitionering og grænseværdianalyse er black-box-testteknikker, der komprimerer store inputområder til ækvivalensklasser og testpartitioneringskanter, hvilket leverer stærk defektdetektion med effektiv dækning på tværs af gyldige og ugyldige input.

  • Partitionsindgange: Gruppér værdier i gyldige og ugyldige klasser for at fjerne redundans.
  • Target Grænser: Test minimums-, nær-minimums-, nominelle-, nær-maksimums- og maksimumsværdier.
  • Kombiner begge: Brug først ækvivalenspartitionering, derefter randværdianalyse for kantdefekter.
  • Maksimer dækningen: Én værdi pr. klasse validerer adfærd for alle ækvivalente input.
  • Brug AI Generators: AI-værktøjer automatiserer partitionsopdagelse og oprettelse af grænsetilfælde.
Læs mere

Fempunktsmodel for grænseværdianalyse

Udtømmende testning er sjældent mulig på grund af tids- og kombinatoriske begrænsninger. Ækvivalenspartitionering og randværdianalyse løser dette ved at gruppereping lignende input og målrette deres kanter for stærkere dækning med færre tilfælde.

Hvad er ækvivalenspartitionering?

Ækvivalenspartitionering (også kaldet ækvivalensklassepartitionering eller ECP) ​​er en black-box-teknik, der opdeler inputdata i grupper af ækvivalente værdier. Testeren vælger én repræsentant pr. klasse, forudsat at softwaren opfører sig ens for hvert medlem.

  • Opdeler inputdomænet i gyldige og ugyldige ækvivalensklasser.
  • Gælder overhovedet niveauer af test—enhed, integration, system og accept.

Hvad er randværdianalyse?

Grænseværdianalyse (BVA), også kaldet rækkeviddekontrol, validerer de ekstreme ender af hver ækvivalensklasse. Fordi defekter grupperes ved rækkeviddegrænser, er BVA rettet mod fem nøglepunkter:

  1. Minimum
  2. Lige over minimum
  3. En nominel værdi
  4. Lige under maksimum
  5. Maksimum

Fempunktsmodel for grænseværdianalyse

BVA supplerer ækvivalenspartitionering: Når klasserne er defineret, dukker deres randværdier op til overfladen off-by-one og kantfejl.

Hvorfor bruge ækvivalenspartitionering og randværdianalyse?

Intelligent testudvælgelse er afgørende, når kombinationer er for store til at kunne teste udtømmende. Disse teknikker tilbyder tre fordele:

  1. Komprimer store testcase-volumener til håndterbare bidder.
  2. Sørg for klare regler for valg af testdata uden at gå på kompromis med effektiviteten.
  3. Passer til beregningsintensive apps med mange numeriske variabler.

Sådan udføres ækvivalenspartitionering (eksempel)

  • Overvej tekstfeltet Bestil pizza nedenfor.
  • Mængderne 1-10 er gyldige; der vises en succesmeddelelse.
  • Mængderne 11–99 er ugyldige og udløser “Kun 10 pizzaer kan bestilles”.
Bestil pizza:

Testbetingelser:

  1. Ethvert tal over 10 er ugyldigt.
  2. Ethvert tal under 1 er ugyldigt.
  3. Numbers 1-10 er gyldige.
  4. Ethvert trecifret tal som -100 er ugyldigt.

Test af hver værdi producerer 100+ tilfælde. Ækvivalenspartitionering grupperer domænet i klasser med identisk adfærd.

Ækvivalenspartitioneringsgrupper for Pizza-input

Disse grupper kaldes ÆkvivalensklasserVælg én værdi pr. klasse – hvis den består, består alle andre; hvis den fejler, fejler hele klassen.

Repræsentative værdier for ækvivalensklassen

RELATEREDE ARTIKLER

Sådan udfører du en randværdianalyse (eksempel)

Ved hjælp af det samme Pizza-felt kontrollerer BVA partitionskanter i stedet for nominelle værdier. Testere evaluerer 0, 1, 10 og 11 – og dækker både gyldige og ugyldige grænser.

Grænseværdianalyse på pizza-input

For et input, der accepterer 1 til 10, er grænsetesttilfældene:

Testscenarie Description Forventet resultat
Grænseværdi = 0 Systemet bør IKKE acceptere
Grænseværdi = 1 Systemet skal acceptere
Grænseværdi = 2 Systemet skal acceptere
Grænseværdi = 9 Systemet skal acceptere
Grænseværdi = 10 Systemet skal acceptere
Grænseværdi = 11 Systemet bør IKKE acceptere

Ækvivalenspartitionering vs. randværdianalyse

Begge reducerer testvolumen, men adskiller sig i fokus og timing.

Aspect Ækvivalenspartitionering Grænseværdianalyse
Fokus Grupper af ækvivalente input Kanterne af hver gruppe
Datavalg Én værdi pr. klasse Min, nær min, nominel, nær maks, maks
Bedste for Reduktion af overflødige sager Opdagelse af fejl efter fejl
Bestil Anvendt først Anvendt næste

Eksempel: Validering af adgangskodefelt

Et adgangskodefelt, der accepterer 6 til 10 tegn, danner tre partitioner – 0-5, 6-10 og 11-14 – med tilsvarende resultater inden for hver.

Indtast adgangskode:
# Testscenarie Forventet resultat
1 Indtast 0 til 5 tegn Systemet bør ikke acceptere
2 Indtast 6 til 10 tegn Systemet skal acceptere
3 Indtast 11 til 14 tegn Systemet bør ikke acceptere

Bedste praksis for ækvivalensopdeling og BVA

Følg disse fremgangsmåder for at opretholde en stærk dækning, samtidig med at du kontrollerer testantallet:

  • Kortlæg hvert domæne: Angiv først gyldige, ugyldige og specialtilfælde-partitioner.
  • Test begge sider af hver grænse: Inkluder værdier kun indeni og udenfor for at fange enkeltfejl.
  • Kombinér teknikker: Kombiner med beslutningstabeller eller tilstandsovergangstest til kompleks logik.
  • Automatiser kantsager: Parametriser randværdier, så regressionssuiter kører ensartet.

Nøgleforsøg

  • Ækvivalenspartitionering grupperer lignende input; én værdi pr. klasse er nok.
  • Grænseværdianalyse validerer partitionsgrænser og gyldige/ugyldige kanter.
  • Begge er black-box-teknikker til numeriske eller områdebaserede felter.
  • Kombinationen af ​​dem reducerer testvolumen uden at miste kvaliteten af ​​fejldetektering.

Grænseværdianalyse og ækvivalenspartitioneringstestvideo

Klik link. hvis videoen ikke er tilgængelig

Ofte Stillede Spørgsmål

Ækvivalenspartitionering vælger én repræsentant pr. klasse; grænseværdianalyse sigter mod ekstreme værdier ved hver kant. Partitionering reducerer volumen, og grænseanalyse fanger grænsedefekter.

Ækvivalenspartitionering er en black-box-teknik, fordi den fokuserer på input-output-adfærd uden adgang til kildekode. Testere udleder partitioner fra specifikationer, så den gælder på enheds-, integrations-, system- og acceptniveauer.

Ja. Begge gælder for API-test, hvor parametre og nyttelastfelter ofte har numeriske intervaller eller længdegrænser. Testere definerer partitioner for gyldige, ugyldige og kantindgange.

Undgå BVA, når input ikke er numeriske områder – såsom uordnede sæt, boolske flag eller kategoriske værdier. Beslutningstabeller eller tilstandsovergangstest fungerer bedre, fordi grænser ikke er meningsfulde der.

Robust BVA udvider standardmetoden ved at tilføje værdier lige uden for det gyldige område – én under minimum og én over maksimum – for at verificere, hvordan systemet afviser tydeligt ugyldige input.

Ja. AI-generatorer analyserer krav og skemaer for at foreslå ækvivalensklasser og grænseværdier. Værktøjer som f.eks. Testim og Mabl Lær hurtigt af defekthistorik og tilfælde af overfladekanter.

AI registrerer overlapping partitioner, redundante tilfælde og oversete kanter, som testere overser. Maskinlæring rangerer højrisikogrænser ud fra defekthistorikken, hvilket muliggør smartere testvalg og hurtigere detektion af subtile problemer.

RELATEREDE ARTIKLER

Ja. JUnit, TestNG, og pytest understøtter parameteriseret testning, hvilket giver testere mulighed for at definere partitioner og randværdier som inputdatasæt. Dette muliggør systematisk udførelse af ækvivalens- og randtilfælde i CI-pipelines.

Opsummer dette indlæg med: