Menu

Co jsou testovací data? Testujte techniky přípravy dat pomocí příkladu

what is test data test data preparation techniques with example

Vyzkoušejte Náš Nástroj Pro Odstranění Problémů

Zjistěte, co jsou testovací data a jak připravit testovací data pro testování:

V současném eposu revolučního růstu v oblasti informačních a technologických technologií se testeři běžně setkávají s rozsáhlou spotřebou testovacích dat v životním cyklu testování softwaru.

Testeři nejen shromažďují / udržují data ze stávajících zdrojů, ale také generují obrovské objemy testovacích dat, aby zajistili jejich vzkvétající přínos v dodávce produktu pro skutečné použití.

Proto jako testeři musíme neustále zkoumat, učit se a aplikovat nejúčinnější přístupy ke sběru, generování, údržbě, automatizaci a komplexní správě dat pro všechny typy funkčních i nefunkčních testů.

Co jsou Testovací data - Příprava testovacích dat

V tomto tutoriálu uvedu tipy, jak připravit testovací data, aby žádný důležitý testovací případ nezmeškal nesprávná data a neúplné nastavení testovacího prostředí.

Co se naučíte:

Co jsou testovací data a proč jsou důležité

S odkazem na studii provedenou společností IBM v roce 2016 zahrnuje vyhledávání, správa, údržba a generování testovacích dat 30% - 60% času testerů. Je nepopiratelným důkazem, že příprava dat je časově náročná fáze testování softwaru.

Průměrná doba strávená testery na TDM

Obrázek 1: Průměrná doba strávená testery na TDM

Nicméně v mnoha různých oborech je faktem, že většina datových vědců tráví 50–80% času vývoje svého modelu organizováním dat. A nyní vzhledem k legislativě a také k osobně identifikovatelným informacím (PII) je zapojení testerů do procesu testování naprosto slušné.

Důvěryhodnost a spolehlivost testovacích dat jsou dnes pro majitele firem považovány za nekompromisní prvek. Vlastníci produktů považují duchovní kopie testovacích dat za největší výzvu, která snižuje spolehlivost jakékoli aplikace v této jedinečné době poptávky klientů / požadavků na zajištění kvality.

Vzhledem k významu testovacích dat drtivá většina vlastníků softwaru neakceptuje testované aplikace s falešnými daty nebo méně v bezpečnostních opatřeních.

Proč si v tomto okamžiku nevzpomínáme na to, co jsou Testovací data? Když začneme psát naše testovací případy, abychom ověřili a ověřili dané funkce a vytvořené scénáře aplikace v rámci testu, potřebujeme informace, které se použijí jako vstup k provedení testů pro identifikaci a lokalizaci defektů.

příkazy a odpovědi pro zkušené

A víme, že tyto informace musí být přesné a úplné, aby mohly být chyby odstraněny. To je to, čemu říkáme testovací data. Aby to bylo přesné, mohou to být jména, země atd., Nejsou citlivé, protože údaje týkající se kontaktních údajů, SSN, anamnézy a údajů o kreditní kartě jsou citlivé povahy.

Data mohou být v jakékoli formě, jako například:

  • Testovací data systému
  • Testovací data SQL
  • Údaje o testu výkonu
  • Testovací data XML

Pokud píšete testovací případy, potřebujete vstupní data pro jakýkoli druh testu. Tester může poskytnout tato vstupní data v době provádění testovacích případů nebo aplikace může vybrat požadovaná vstupní data z předdefinovaných datových umístění.

Data mohou být jakýkoli druh vstupu do aplikace, jakýkoli druh souboru, který je načten aplikací, nebo položky načtené z databázových tabulek.

Příprava správných vstupních dat je součástí nastavení testu. Testeři to obecně nazývají a příprava testovacího lože . Ve zkušebně jsou všechny softwarové a hardwarové požadavky nastaveny pomocí předdefinovaných datových hodnot.

Pokud nemáte systematický přístup k vytváření dat, zatímco psaní a provádění testovacích případů pak existuje šance, že vám chybí některé důležité testovací případy. Testeri mohou vytvářet vlastní data podle potřeb testování.

Nespoléhejte se na data vytvořená jinými testery nebo standardní produkční data. Vždy vytvořte novou sadu dat podle svých požadavků.

Někdy není možné vytvořit úplně novou sadu dat pro každé sestavení. V takových případech můžete použít standardní produkční data. Nezapomeňte však do této existující databáze přidat / vložit vlastní datové sady. Jedním z nejlepších způsobů, jak vytvořit data, je použít existující ukázková data nebo testovací postel a připojit nová data testovacích případů pokaždé, když získáte stejný modul pro testování. Tímto způsobem můžete vytvořit komplexní soubor dat za dané období.

Vyzkoušejte výzvy týkající se získávání dat

Jednou z oblastí generování testovacích dat, kterou testeři berou v úvahu, je požadavek na získávání dat pro podmnožinu. Například máte více než jeden milion zákazníků a potřebujete tisíc z nich pro testování. A tato ukázková data by měla být konzistentní a statisticky představovat vhodné rozdělení cílové skupiny. Jinými slovy, máme najít správnou osobu pro testování, což je jedna z nejužitečnějších metod testování případů použití.

A tato ukázková data by měla být konzistentní a statisticky představovat vhodné rozdělení cílové skupiny. Jinými slovy, máme najít správnou osobu pro testování, což je jedna z nejužitečnějších metod testování případů použití.

V procesu navíc existují určitá environmentální omezení. Jedním z nich je mapování zásad PII. Vzhledem k tomu, že soukromí je významnou překážkou, musí testeři klasifikovat data PII.

Nástroje pro správu testovacích dat jsou navrženy k řešení zmíněné otázky. Tyto nástroje navrhují zásady na základě norem / katalogu, které mají. Není to však příliš bezpečné cvičení. Stále nabízí příležitost auditovat, co člověk dělá.

Abychom drželi krok s řešením současných i budoucích výzev, měli bychom si vždy klást otázky typu Kdy / kde bychom měli zahájit jednání TDM? Co by mělo být automatizováno? Kolik investic by měly společnosti přidělit na testování v oblastech rozvoje dovedností v oblasti lidských zdrojů a používání novějších nástrojů TDM? Měli bychom začít testovat s funkčním nebo nefunkčním testováním? A mnohem pravděpodobnější otázky jako oni.

Níže uvádíme některé z nejčastějších výzev získávání testovacích dat:

  • Týmy nemusí mít dostatečné znalosti a dovednosti v oblasti nástrojů pro generování testovacích dat
  • Pokrytí testovacích dat je často neúplné
  • Méně jasnosti v požadavcích na data pokrývající specifikace svazků během fáze shromažďování
  • Testovací týmy nemají přístup ke zdrojům dat
  • Zpoždění v poskytování přístupu k testovacím datům vývojářům
  • Data produkčního prostředí nemusí být plně použitelná pro testování na základě rozvinutých obchodních scénářů
  • Je možné, že za krátkou dobu budete potřebovat velké objemy dat
  • Závislosti / kombinace dat k testování některých obchodních scénářů
  • Testeri tráví více času, než je nutné, pro komunikaci s architekty, správci databází a BA pro shromažďování dat
  • Data se většinou vytvářejí nebo připravují během provádění testu
  • Více aplikací a datových verzí
  • Cykly nepřetržitého uvolňování napříč několika aplikacemi
  • Legislativa pro péči o osobní identifikační údaje (PII)

Na straně bílého rámečku testování dat vývojáři připravují produkční data. To je místo, kde QA potřebuje spolupracovat s vývojáři na podpoře testování pokrytí AUT. Jednou z největších výzev je začlenit všechny možné scénáře (100% testovací případ) do všech možných negativních případů.

V této části jsme hovořili o výzvách testovacích dat. Můžete přidat další výzvy, protože jste je odpovídajícím způsobem vyřešili. Následně prozkoumejme různé přístupy ke zpracování a správě testovacích dat.

Strategie pro přípravu testovacích dat

Každodenní praxí víme, že hráči v odvětví testování neustále prožívají různé způsoby a prostředky, jak zlepšit úsilí v oblasti testování a hlavně jeho nákladovou efektivitu. V krátkém kurzu vývoje informací a technologií jsme viděli, když se nástroje začleňují do produkčních / testovacích prostředí, úroveň výstupu se podstatně zvýšila.

Když mluvíme o úplnosti a úplném pokrytí testování, záleží hlavně na kvalitě dat. Jelikož testování je páteří pro dosažení kvality softwaru, jsou testovací data klíčovým prvkem v procesu testování.

Strategie pro správu testovacích dat (TDM)

Obrázek 2: Strategie pro správu testovacích dat (TDM)

Vytváření plochých souborů na základě pravidel mapování. Je vždy praktické vytvořit podmnožinu dat, která potřebujete, z produkčního prostředí, kde vývojáři navrhli a kódovali aplikaci. Tento přístup skutečně snižuje úsilí testerů o přípravu dat a maximalizuje využití stávajících zdrojů, aby se zabránilo dalším výdajům.

Typicky musíme data vytvořit nebo alespoň identifikovat na základě typu požadavků, které má každý projekt na samém začátku.

Můžeme použít následující strategie zpracovávající proces TDM:

  1. Data z produkčního prostředí
  2. Načítání dotazů SQL, které extrahují data ze stávajících databází klienta
  3. Automatizované nástroje pro generování dat

Testeri podpoří své testování úplnými údaji s ohledem na prvky, jak je znázorněno na obrázku 3 zde. Resters v agilních vývojových týmech generují potřebná data pro provádění svých testovacích případů. Když mluvíme o testovacích případech, máme na mysli případy pro různé typy testování, jako je bílá skříňka, černá skříňka, výkon a zabezpečení.

V tomto okamžiku víme, že data pro testování výkonu by měla být schopna určit, jak rychle systém reaguje v rámci dané pracovní zátěže, aby byl velmi blízký skutečnému nebo živému velkému objemu dat se značným pokrytím.

Pro testování bílé skříňky vývojáři připraví svá požadovaná data tak, aby pokryli co nejvíce větví, všechny cesty ve zdrojovém kódu programu a negativní rozhraní API (Application Program Interface).

Testování aktivit generování dat

Obrázek 3: Testování aktivit generování dat

Nakonec můžeme říci, že každý, kdo pracuje v životním cyklu vývoje softwaru ( SDLC ) stejně jako BA, vývojáři a vlastníci produktů by měli být dobře zapojeni do procesu přípravy testovacích dat. Může to být společné úsilí. A nyní vás vezmeme k problému poškozených testovacích dat.

Poškozená data testu

Před provedením jakýchkoli testovacích případů na našich stávajících datech bychom se měli ujistit, že data nejsou poškozená / zastaralá a aplikace v rámci testu může číst zdroj dat. Typicky, když je více než tester pracující na různých modulech AUT v testovacím prostředí současně, šance na poškození dat jsou tak vysoké.

Ve stejném prostředí testeři upravují stávající data podle svých potřeb / požadavků testovacích případů. Většinou, když jsou testeři s daty hotovi, nechají data tak, jak jsou. Jakmile další tester vyzvedne upravená data a provede další provedení testu, existuje možnost, že konkrétní selhání testu nebude chybou nebo vadou kódu.

Ve většině případů tímto způsobem dochází k poškození nebo zastarání dat, což vede k selhání. Abychom se vyhnuli a minimalizovali pravděpodobnost nesrovnalostí v datech, můžeme použít řešení uvedená níže. A samozřejmě můžete přidat další řešení na konci tohoto kurzu v sekci komentáře.

  1. Zálohování vašich dat
  2. Vraťte svá upravená data do původního stavu
  3. Rozdělení dat mezi testery
  4. Udržujte aktualizovaného správce datového skladu ohledně jakékoli změny / úpravy dat

Jak zachovat neporušená data v jakémkoli testovacím prostředí?

Většinu času je za testování stejné verze zodpovědné mnoho testerů. V tomto případě bude mít více než jeden tester přístup k běžným datům a pokusí se manipulovat se společnou datovou sadou podle svých potřeb.

Pokud jste připravili data pro některé konkrétní moduly, nejlepší způsob, jak zachovat neporušenou datovou sadu, je uchovat si její záložní kopie.

Testovací data pro testovací případ výkonu

Testy výkonu vyžadují velmi velkou sadu dat. Někdy ruční vytváření dat nezjistí některé jemné chyby, které mohou být zachyceny pouze skutečnými daty vytvořenými testovanou aplikací. Pokud chcete data v reálném čase, která nelze vytvořit ručně, požádejte svého vedoucího / manažera, aby je zpřístupnil v živém prostředí.

Tato data budou užitečná k zajištění hladkého fungování aplikace pro všechny platné vstupy.

Jaká jsou ideální data testu?

O datech lze říci, že jsou ideální, pokud jsou pro minimální velikost souboru dat identifikovány všechny chyby aplikace. Zkuste připravit data, která budou zahrnovat všechny funkce aplikace, ale nepřekročí náklady a časové omezení pro přípravu dat a spuštění testů.

Jak připravit data, která zajistí maximální pokrytí testem?

Navrhněte svá data s ohledem na následující kategorie:

1) Žádné údaje: Spusťte testovací případy na prázdných nebo výchozích datech. Zjistěte, zda jsou generovány správné chybové zprávy.

2) Platný soubor dat: Vytvořte jej a zkontrolujte, zda aplikace funguje podle požadavků a zda jsou platná vstupní data správně uložena v databázi nebo souborech.

3) Neplatný soubor dat: Připravte neplatnou datovou sadu ke kontrole chování aplikace na záporné hodnoty, alfanumerické vstupy řetězce.

4) Neoprávněný formát dat: Vytvořte jednu sadu dat s nelegálním formátem dat. Systém by neměl přijímat data v neplatném nebo nelegálním formátu. Zkontrolujte také, zda jsou generovány správné chybové zprávy.

5) Datová sada Boundary Condition: Datová sada obsahující data mimo rozsah. Určete hraniční případy aplikace a připravte soubor dat, který bude pokrývat dolní i horní okrajové podmínky.

6) Soubor dat pro testování výkonu, zátěže a zátěžového testování: Tato sada dat by měla mít velký objem.

Tímto způsobem vytvoření samostatných datových sad pro každou podmínku testu zajistí úplné pokrytí testem.

Data pro testování černé skříňky

Testeři zajišťování kvality provádějí integrační testování, testování systému a přejímací testování, které se označuje jako testování černé skříňky. V této metodě testování nemají testeři žádnou práci s vnitřní strukturou, designem a kódem aplikace v rámci testu.

Primárním účelem testerů je identifikovat a lokalizovat chyby. Tímto způsobem aplikujeme buď funkční nebo nefunkční testování pomocí různých technik testování černé skříňky.

Metody návrhu dat černé skříňky

Obrázek 4: Metody návrhu dat černé skříňky

V tomto okamžiku testeři potřebují data testu jako vstup pro provádění a implementaci technik testování černé skříňky. A testeři by měli připravit data, která prověří veškerou funkčnost aplikace s nepřekročením dané ceny a času.

Můžeme navrhnout data pro naše testovací případy s ohledem na kategorie datových sad, jako jsou žádná data, platná data, neplatná data, nelegální formát dat, data okrajových podmínek, oddíl ekvivalence, tabulka dat rozhodnutí, data přechodu stavu a data případů použití. Před vstupem do kategorií datových sad iniciují testeři sběr dat a analýzu stávajících zdrojů aplikace pod testerem (AUT).

Podle dřívějších bodů zmíněných o udržování datového skladu vždy aktuálního byste měli dokumentovat požadavky na data na úrovni testovacích případů a při skriptování testovacích případů je označit jako použitelné nebo znovu nepoužitelné. Pomůže vám, aby data potřebná pro testování byla dobře vymazána a zdokumentována od samého začátku, na kterou se můžete později obrátit.

Příklad testovacích dat pro Open EMR AUT

Pro náš aktuální tutoriál máme Open EMR jako testovanou aplikaci (AUT).

jak čtu soubor XML

=> Prosím najděte odkaz na aplikaci Open EMR zde pro vaši referenci / praxi.

Níže uvedená tabulka do značné míry ilustruje ukázku shromažďování požadavků na data, která může být součástí dokumentace k testovacím případům, a je aktualizována při psaní testovacích případů pro vaše testovací scénáře.

( POZNÁMKA : Klepněte na na libovolném obrázku pro zvětšené zobrazení)

shromažďování požadavků na údaje o zkoušce 1

Vytváření manuálních dat pro testování Otevřená aplikace EMR

Uděláme krok vpřed k vytvoření ručních dat pro testování aplikace Open EMR pro dané kategorie datových sad.

1) Žádné údaje: Tester ověřuje adresu URL aplikace Open EMR a funkce „Hledat nebo přidat pacienta“ bez udání údajů.

2) Platné údaje: Tester ověřuje otevřenou adresu EMR aplikace a funkci „Hledat nebo přidat pacienta“ s poskytnutím platných dat.

3) Neplatná data: Tester ověřuje otevřenou adresu EMR aplikace a funkci „Hledat nebo přidat pacienta“ s uvedením neplatných dat.

4) Neplatný formát dat: Tester ověřuje otevřenou adresu EMR aplikace a funkci „Hledat nebo přidat pacienta“ s uvedením neplatných dat.

Testovací data pro 1-4 kategorie datových sad:

Zkušební vzorky dat 2

5) Soubor dat mezní podmínky: Jedná se o určení vstupních hodnot pro hranice, které jsou uvnitř nebo vně daných hodnot jako data.

6) Sada dat ekvivalence oddílu: Jedná se o testovací techniku, která rozděluje vaše vstupní data na vstupní hodnoty platné a neplatné.

Testovací data pro 5tha 6thkategorie datových sad, což je pro uživatelské jméno a heslo Open EMR:

Otevřete data testu EMT 3

7) Soubor dat tabulky rozhodnutí: Jedná se o techniku ​​pro kvalifikaci vašich dat pomocí kombinace vstupů k dosažení různých výsledků. Tato metoda testování černé skříňky vám pomůže snížit vaše úsilí při ověřování každé kombinace testovacích dat. Tato technika vám navíc může zajistit úplné pokrytí testem.

Níže naleznete datovou sadu rozhodovací tabulky pro uživatelské jméno a heslo aplikace Open EMR.

Údaje z tabulky rozhodnutí 4

Výpočet kombinací provedených v tabulce výše je popsán pro vaše podrobné informace níže. Možná budete potřebovat, když provedete více než čtyři kombinace.

  • Počet kombinací = Počet podmínek 1 Hodnoty * Počet podmínek 2 Hodnoty
  • Počet kombinací 2 ^ Počet pravdivých / nepravdivých podmínek
  • Příklad: Počet kombinací - 2 ^ 2 = 4

8) Sada dat testu přechodu stavu: Jedná se o testovací techniku, která vám pomůže ověřit přechod stavu Testované aplikace (AUT) poskytnutím vstupních podmínek systému.

Například, přihlásíme se do aplikace Open EMR zadáním správného uživatelského jména a hesla na první pokus. Systém nám poskytuje přístup, ale pokud zadáme nesprávné přihlašovací údaje, systém přístup odepře. Testování přechodu stavu ověřuje, kolik pokusů o přihlášení můžete provést, než se zavře Open EMR.

Níže uvedená tabulka ukazuje, jak reagují správné nebo nesprávné pokusy o přihlášení

Přihlášení Pokus o testovací data 5

9) Datum použití případu: Je to testovací metoda, která identifikuje naše testovací případy zachycující end-to-end testování konkrétní funkce.

Příklad, otevřít EMR přihlášení:

Data testu neúspěchu úspěchu 6

Přečtěte si také => Techniky správy datových dat

Vlastnosti dat dobrého testu

Jako tester musíte otestovat modul ‚Výsledky zkoušky 'na webu univerzity. Vezměte v úvahu, že celá aplikace byla integrována a je ve stavu „Připraveno k testování“. „Zkušební modul“ je propojen s moduly „Registrace“, „Kurzy“ a „Finance“.

Předpokládejme, že máte odpovídající informace o aplikaci a že jste vytvořili komplexní seznam testovacích scénářů. Nyní musíte tyto testovací případy navrhnout, zdokumentovat a provést. V části „Akce / kroky“ nebo „Testovací vstupy“ testovacích případů budete muset uvést přijatelné údaje jako vstup pro test.

Data uvedená v testovacích případech musí být vybrána správně. Přesnost sloupce „Skutečné výsledky“ dokumentu Test Case je primárně závislá na datech testu. Krok přípravy vstupních testovacích dat je tedy velmi důležitý. Tady je tedy můj přehled o „DB Testing - Test Data Preparation Strategies“.

Otestujte vlastnosti dat

Údaje o zkoušce by měly být vybrány přesně a musí mít následující čtyři vlastnosti:

1) Realistické:

Realisticky to znamená, že data by měla být přesná v kontextu scénářů z reálného života. Chcete-li například otestovat pole „Věk“, měly by být všechny hodnoty kladné a 18 nebo vyšší. Je zcela zřejmé, že uchazečům o přijetí na univerzitu je obvykle 18 let (může to být z hlediska obchodních požadavků definováno jinak).

Pokud se testování provádí pomocí realistických testovacích dat, bude aplikace robustnější, protože většinu možných chyb lze zachytit pomocí realistických dat. Další výhodou realistických dat je jejich opakovaná použitelnost, která šetří náš čas a úsilí při vytváření nových dat znovu a znovu.

Když mluvíme o realistických datech, rád bych vám představil koncept zlaté datové sady. Zlatá datová sada je ta, která pokrývá téměř všechny možné scénáře, ke kterým v reálném projektu dochází. Použitím GDS můžeme poskytnout maximální pokrytí testem. Používám GDS k provádění regresního testování v mé organizaci a to mi pomáhá testovat všechny možné scénáře, které mohou nastat, pokud kód jde do produkčního pole.

Na trhu je k dispozici spousta nástrojů pro generování testovacích dat, které analyzují vlastnosti sloupců a uživatelské definice v databázi a na základě nich pro vás generují realistická testovací data. Několik dobrých příkladů nástrojů, které generují data pro testování databáze, jsou Generátor dat DTM , Generátor dat SQL a Mockaroo .

2. Prakticky platné:

Je to podobné jako realistické, ale ne stejné. Tato vlastnost více souvisí s obchodní logikou AUT, např. hodnota 60 je ve věkovém poli realistická, ale pro kandidáty na maturitní nebo magisterské programy je prakticky neplatná. V tomto případě by platný rozsah byl 18–25 let (toto může být definováno v požadavcích).

3. Všestranný pro pokrytí scénářů:

jak mohu otevřít torrentovaný soubor

V jednom scénáři může existovat několik následných podmínek, proto údaje volte chytře, abyste pokryli maximální aspekty jednoho scénáře s minimální sadou dat, např. při vytváření testovacích dat pro modul výsledků neberte v úvahu pouze případ běžných studentů, kteří hladce dokončují program. Věnujte pozornost studentům, kteří opakují stejný kurz a patří do různých semestrů nebo dokonce do různých programů. Datová sada může vypadat takto:

Pan# Student_ID Program_ID Course_ID Školní známka
jeden BCS-podzim2011-ráno-01 BCS-F11 CS-401 NA
dva BCS-jaro2011-večer-14 BCS-S11 CS-401 B +
3 MIT-podzim2010-odpoledne-09 MIT-F10 CS-401 NA-
... ... ... ... ...

Může existovat několik dalších zajímavých a složitých dílčích podmínek. Např. omezení let pro absolvování studijního programu, absolvování nezbytného kurzu pro zápis do kurzu, maximální počet kurzů, které si student může zapsat do jednoho semestru atd. atd. Všechny tyto scénáře moudře pokryjte konečnou sadou dat.

dobrá testovací data

4. Výjimečná data (je-li to relevantní / požadované):

Mohou existovat určité výjimečné scénáře, které se vyskytují méně často, ale vyžadují vysokou pozornost, když k nim dojde, např. problémy související se zdravotně postiženými studenty.

Další dobré vysvětlení a příklad výjimečné datové sady je vidět na obrázku níže:

Výjimečná data

Odnést:

Data testu jsou známá jako dobrá data testu, pokud jsou realistická, platná a univerzální. Další výhodou je, pokud data poskytují pokrytí i pro výjimečné scénáře.

Techniky přípravy testovacích dat

Stručně jsme diskutovali o důležitých vlastnostech testovacích dat a také jsme zpracovali, jak důležitý je výběr testovacích dat při testování databáze. Nyní pojďme diskutovat o '' techniky pro přípravu testovacích dat '' .

Existují pouze dva způsoby, jak připravit testovací data:

Metoda č. 1) Vložte nová data

Získejte čistý DB a vložte všechna data, jak je uvedeno ve vašich testovacích případech. Jakmile zadáte všechna požadovaná a požadovaná data, začněte s prováděním testovacích případů a vyplňte sloupce „Pass / Fail“ porovnáním „skutečného výstupu“ s „očekávaným výstupem“. Zní to jednoduše, že? Ale počkejte, není to tak jednoduché.

Několik zásadních a kritických obav je:

  • Prázdná instance databáze nemusí být k dispozici
  • Vložená data testu nemusí být dostatečná pro testování některých případů, jako je testování výkonu a zátěže.
  • Vložení požadovaných testovacích dat do prázdné databáze není snadná práce kvůli závislostem databázové tabulky. Z důvodu tohoto nevyhnutelného omezení se vkládání dat může pro testera stát obtížným úkolem.
  • Vložení omezených testovacích dat (přesně podle potřeb testovacího případu) může skrýt některé problémy, které lze najít pouze u velké datové sady.
  • Pro vkládání dat mohou být vyžadovány složité dotazy a / nebo postupy, a proto by byla nutná dostatečná pomoc nebo pomoc od vývojářů DB.

Výše zmíněných pět otázek je nejkritičtější a nejzřejmější nevýhodou této techniky pro přípravu testovacích dat. Existují však také některé výhody:

  • Výkon TC se stává efektivnějším, protože DB má pouze požadovaná data.
  • Izolace chyb nevyžaduje žádný čas, protože v databázi jsou přítomna pouze data uvedená v testovacích případech.
  • Méně času potřebného na testování a porovnání výsledků.
  • Průběžný testovací proces

Metoda č. 2) Vyberte podmnožinu ukázkových dat ze skutečných dat databáze

Toto je proveditelná a praktičtější technika pro přípravu testovacích dat. Vyžaduje však důkladné technické dovednosti a vyžaduje podrobné znalosti schémat DB a SQL. V této metodě musíte kopírovat a používat produkční data nahrazením některých hodnot polí fiktivními hodnotami. Toto je nejlepší podmnožina dat pro vaše testování, protože představuje výrobní data. To však nemusí být proveditelné po celou dobu kvůli problémům se zabezpečením dat a ochranou soukromí.

Odnést:

Ve výše uvedené části jsme výše diskutovali techniky přípravy testovacích dat. Stručně řečeno, existují dvě techniky - buď vytvořit nová data, nebo vybrat podmnožinu z již existujících dat. Oba je třeba provést tak, aby vybraná data poskytovala pokrytí pro různé testovací scénáře, zejména platný a neplatný test, test výkonu a nulový test.

V poslední části pojďme také rychle prozkoumat přístupy ke generování dat. Tyto přístupy jsou užitečné, když potřebujeme generovat nová data.

Přístupy ke generování testovacích dat:

  • Ruční generování testovacích dat: V tomto přístupu jsou testovací data ručně zadávána testery podle požadavků testovacího případu. Je to čas, který proces trvá a také náchylný k chybám.
  • Automatické generování testovacích dat: To se provádí pomocí nástrojů pro generování dat. Hlavní výhodou tohoto přístupu je jeho rychlost a přesnost. Přináší to však vyšší cenu než ruční generování testovacích dat.
  • Vkládání dat typu back-end : To se provádí pomocí dotazů SQL. Tento přístup může také aktualizovat existující data v databázi. Je to rychlé a efektivní, ale mělo by být implementováno velmi opatrně, aby nedošlo k poškození stávající databáze.
  • Pomocí nástrojů třetích stran : Na trhu jsou k dispozici nástroje, které nejprve porozumí vašim testovacím scénářům a poté odpovídajícím způsobem generují nebo vkládají data, aby poskytly široké pokrytí testem. Tyto nástroje jsou přesné, protože jsou přizpůsobeny podle obchodních potřeb. Ale jsou docela nákladné.

Odnést:

K testování datových generací existují 4 přístupy:

  1. Příručka,
  2. automatizace,
  3. back-end vkládání dat,
  4. a nástroje třetích stran.

Každý přístup má své vlastní výhody a nevýhody. Měli byste zvolit přístup, který uspokojí vaše obchodní a testovací potřeby.

Závěr

Vytváření kompletních testovacích dat softwaru v souladu s průmyslovými standardy, legislativou a základními dokumenty prováděného projektu patří mezi hlavní odpovědnosti testerů. Čím efektivněji spravujeme testovací data, tím více můžeme nasadit produkty bez problémů pro skutečné uživatele.

Správa testovacích dat (TDM) je proces, který je založen na analýze výzev a zavedení a použití nejlepších nástrojů a metod pro správné řešení zjištěných problémů, aniž by byla ohrožena spolehlivost a úplné pokrytí konečného výstupu (produktu).

Vždy musíme přijít s otázkami pro hledání inovativních a nákladově efektivnějších metod pro analýzu a výběr metod testování, včetně použití nástrojů pro generování dat. Je všeobecně prokázáno, že dobře navržená data nám umožňují identifikovat vady testované aplikace v každé fázi vícefázového SDLC.

Musíme být kreativní a účastnit se všech členů uvnitř i vně našeho agilního týmu. Podělte se o své zpětné vazby, zkušenosti, dotazy a komentáře, abychom mohli pokračovat v našich technických diskusích a maximalizovat tak náš pozitivní dopad na AUT správou dat.

Příprava správných testovacích dat je základní součástí „nastavení testovacího prostředí projektu“. Nemůžeme jednoduše přehlédnout testovací případ, který říká, že pro testování nebyla k dispozici úplná data. Tester by měl vytvořit svá vlastní testovací data navíc ke stávajícím standardním výrobním datům. Vaše datová sada by měla být ideální z hlediska nákladů a času.

Buďte kreativní, použijte své vlastní dovednosti a úsudky k vytváření různých datových sad, místo abyste se spoléhali na standardní produkční data.

Část II - Druhá část tohoto tutoriálu je na ' Otestujte generování dat pomocí online nástroje GEDIS Studio “.

Setkali jste se s problémem neúplných testovacích dat pro testování? Jak jste to zvládli? Podělte se o své tipy, zkušenosti, komentáře a dotazy pro další obohacení tohoto tématu diskuse.

Doporučené čtení

^