Beslutstabelltestning (exempel)

⚡ Smart sammanfattning

Beslutstabellstestning är en black-box-teknik som samlar in inmatningskombinationer och deras förväntade utdata i tabellform. Den här handledningen förklarar orsak-verkan-konceptet, går igenom exempel på inloggning och uppladdning och visar varför metoden ger god täckning för komplex affärslogik.

  • 🧮 Kärnidé: En beslutstabell mappar villkor (orsaker) till utfall (effekter) för systematisk täckning.
  • 🔢 Kombinationsregel: Antalet regler är lika med 2 upphöjt till antalet villkor (2^n).
  • 🔐 Arbetade exempel: Inloggnings- och fotouppladdningsskärmarna visar sant/falskt-villkor mappade till utgångar.
  • ✅ Bästa användningen: Idealiskt när systemets beteende skiljer sig åt för varje ingångskombination.
  • 🤖 AI-aktivering: AI-verktyg genererar nu beslutstabeller från krav och tar bort redundanta regler.

Beslutsbordstestning

Vad är Decision Table Testing?

Beslutstabellstestning är en mjukvarutestningsteknik som används för att testa systembeteende för olika inmatningskombinationer. Det är en systematisk metod där de olika inmatningskombinationerna och deras motsvarande systembeteende (utdata) registreras i tabellform. Det är därför det också kallas en Orsak effekt tabell, där orsaker och effekter registreras för bättre testtäckning.

A Beslutstabell är en tabellformad representation av indata kontra regler, fall eller testvillkor. Det är ett mycket effektivt verktyg för både komplexa mjukvarutestning och kravhantering. En beslutstabell hjälper till att kontrollera alla möjliga kombinationer av villkor, och testare kan enkelt identifiera saknade villkor. Villkor indikeras med värden för Sant (Sant) och Falskt (Falskt).

#1 BÄST TOTALTTesta sigma
9.8/ 10
★ ★ ★ ★ ★
Få gratis demo
PractiTest
9.5/ 10
★ ★ ★ ★ ★
Besök PractiTest
Testiny
9.3/ 10
★ ★ ★ ★ ★
Besök Testiny
bäst förTestautomationPenetrationstesterSmå och medelstora QA-team
Key Feature✓Generera automatiserade tester på några sekunder✓Centraliserad testhantering✓Manuella + automatiserade testfall
integrationer✓Jenkins, Slack, Jira✓Jira, Jenkins, Slack✓Jira, GitHub, GitLab
Pröva PåGratis demonstration14-Day Free TrialGratis demonstration
Få gratis demoBesök PractiTestBesök Testiny

Exempel 1: Beslutstabell för en inloggningsskärm

Låt oss skapa en beslutstabell för en inloggningsskärm.

Beslutsbastabell för inloggningsskärm

Villkoret är enkelt: om användaren anger rätt användarnamn och lösenord omdirigeras de till startsidan. Om någon inmatning är felaktig visas ett felmeddelande.

Villkor Regel 1 Regel 2 Regel 3 Regel 4
Användarnamn (T/F) F T F T
Lösenord (T/F) F F T T
Utgång (E/H) E E E H

Förklaring:

  • T – Rätt användarnamn/lösenord
  • F – Fel användarnamn/lösenord
  • E – Felmeddelande visas
  • H – Hemskärmen visas

tolkning:

  • fallet 1 – Användarnamn och lösenord är felaktiga. Användaren får ett felmeddelande.
  • fallet 2 – Användarnamn korrekt, lösenord felaktigt. Användaren får se ett felmeddelande.
  • fallet 3 – Felaktigt användarnamn, korrekt lösenord. Användaren får se ett felmeddelande.
  • fallet 4 – Användarnamn och lösenord är korrekta. Användaren navigerar till startsidan.

När man omvandlar detta till en testfall, kan du skapa två scenarier, eftersom de tre felfallen alla testar samma regel.

  • Ange rätt användarnamn och rätt lösenord och klicka sedan på Logga in – användaren bör nu navigera till startsidan.
  • Ange fel användarnamn och/eller lösenord och klicka sedan på Logga in – användaren bör se ett felmeddelande.

Exempel 2: Beslutstabell för en uppladdningsskärm

Tänk dig nu en dialogruta som ber användaren att ladda upp ett foto under vissa villkor:

  1. Endast formatet ”.jpg” är tillåtet.
  2. Filstorleken måste vara mindre än 32 KB.
  3. Upplösningen måste vara 137 × 177.

Om något villkor misslyckas visar systemet ett motsvarande felmeddelande; om alla villkor är uppfyllda laddas fotot upp utan problem.

Beslutstabell för uppladdningsskärmen

Beslutstabellen för detta fall visas nedan.

Villkor fallet 1 fallet 2 fallet 3 fallet 4 fallet 5 fallet 6 fallet 7 fallet 8
Format . Jpg . Jpg . Jpg . Jpg Inte .jpg Inte .jpg Inte .jpg Inte .jpg
Storlek < 32 kB < 32 kB ≥ 32 KB ≥ 32 KB < 32 kB < 32 kB ≥ 32 KB ≥ 32 KB
Upplösning 137 × 177 Inte 137×177 137 × 177 Inte 137×177 137 × 177 Inte 137×177 137 × 177 Inte 137×177
Produktion Foto uppladdat Upplösningen matchar inte Storleksavvikelse Storleks- och upplösningsavvikelse Formatfel Format- och upplösningsfel Format- och storleksavvikelse Format, storlek och upplösning saknar matchning

Från den här tabellen kan du skapa åtta testfall för fullständig täckning:

  1. .jpg, < 32 KB, 137×177 → fotouppladdningar har genomförts.
  2. .jpg, < 32 KB, inte 137×177 → fel på upplösningsavvikelse.
  3. .jpg, ≥ 32 KB, 137×177 → fel på grund av storleksavvikelse.
  4. .jpg, ≥ 32 KB, inte 137×177 → fel vid avvikande storlek och upplösning.
  5. Inte .jpg, < 32 KB, 137×177 → formatfel.
  6. Inte .jpg, < 32 KB, inte 137×177 → fel vid format- och upplösningsmatchning.
  7. Inte .jpg, ≥ 32 KB, 137×177 → fel på format- och storleksmatchning.
  8. Inte .jpg, ≥ 32 KB, inte 137×177 → fel vid avvikelse mellan format, storlek och upplösning.

Varför testning av beslutstabeller är viktigt

Testning av beslutstabeller är viktigt eftersom det testar många kombinationer av villkor och ger god täckning för komplex affärslogik. När systembeteendet skiljer sig åt för varje uppsättning indata ger tekniken god täckning i en enkel, lättläst representation.

In mjukvaruutveckling, randvärdesanalys och ekvivalenspartitionering är liknande tekniker, men de är mest effektiva när systemet visar Samma beteende över en stor mängd indata. När beteendet är olika För varje ingångskombination kan dessa tekniker inte garantera god täckning – och testning av beslutstabeller blir det bättre alternativet.

Denna tabell fungerar också som referens för krav- och funktionsutveckling eftersom den är lätt att förstå och täcker alla kombinationer. Betydelsen ökar när indata ökar: antalet möjliga kombinationer är 2^n, där n är antalet indata. För n = 10, vilket är vanligt i webbformulär, är det 1 024 kombinationer. Du kan inte testa alla, men du kan välja en omfattande delmängd med hjälp av beslutsbaserad testning.

Fördelar med Decision Table Testing

  • Fungerar när systembeteendet skiljer sig åt mellan ingångar, där ekvivalenspartitionering och randvärdesanalys inte når upp till förväntningarna.
  • Representationen är enkel, så den är lätttolkad och användbar för både utvecklings- och affärsteam.
  • Hjälper till att bygga effektiva kombinationer och säkerställer bättre testtäckning.
  • Alla komplexa affärsförhållanden kan omvandlas till en beslutstabell.
  • Kan säkerställa 100 % täckning när antalet ingångskombinationer är lågt.

Nackdelar med Decision Table Testing

Den största nackdelen är att tabellen blir mer komplex och svårare att hantera ju fler indata som blir tillgängliga.

Vanliga frågor

Testning av beslutstabeller är en black-box-teknik som fångar kombinationer av indatavillkor och deras förväntade utdata i en tabell. Det säkerställer systematisk täckning av komplexa affärsregler.

Den mappar orsaker (ingångsvillkor) till effekter (systemutgångar). Att fånga båda sidor i en tabell gör sambandet explicit, vilket är anledningen till att den också kallas en orsak-verkan-tabell.

Antalet regler är lika med 2^n, där n är antalet binära villkor. Till exempel ger 4 villkor 16 regler och 10 villkor ger 1 024 möjliga kombinationer.

Randvärdesanalys passar indata där beteendet är detsamma över ett intervall. Beslutstabeller passar fall där varje indatakombination producerar en annan utdata, vilket ger täckning som de andra teknikerna missar.

Använd den när en funktion har flera indatavillkor som samverkar för att producera olika utdata, till exempel inloggningsvalidering, formuläruppladdningar eller pris- och rabattregler med flera beroenden.

Allt eftersom antalet villkor ökar expanderar tabellen exponentiellt (2^n) och blir svår att hantera. Testare väljer vanligtvis en representativ delmängd av regler snarare än att testa varje kombination.

AI-verktyg läser krav och genererar beslutstabeller automatiskt, identifierar saknade eller redundanta regler och komprimerar motsvarande regler. Detta minskar manuell arbetsinsats samtidigt som kombinationstäckningen förbättras.

Ja. AI kan omvandla varje regel i en beslutstabell till ett konkret testfall med indata och förväntade resultat, och sedan prioritera dem efter risk så att kombinationer med hög effekt testas först.

Sammanfatta detta inlägg med: