Modellbasiertes Testen (MBT) – Anne Kramer 

 October 10, 2023

You are currently viewing a placeholder content from Podigee. To access the actual content, click the button below. Please note that doing so will share data with third-party providers.

More Information

"And making this additional information visible in the first place is one of the very big added values of modeling in general" - Anne Kramer

Model-based testing approaches have been around for years. For a while, interest was high. Then came disillusionment. Too technical, too complicated - a topic for experts. Now the time is ripe for the return of models. In model-based testing, test cases are created based on a previously created visual model. This method has several advantages and can be combined with different tools. Anne shares her broad knowledge and then ventures a future prediction.

Dr. Anne Kramer was a project manager, process consultant, and trainer until she took a new direction at the end of 2021. Since April 2022, she has been Global Customer Success Manager at Smartesting, a French manufacturer of SW testing tools, and is dedicated to software quality assurance and model-based testing. Additionally, the PhD physicist writes textbooks and is passionate about giving talks. Among other things, she has contributed to the ISTQB Model-Based Testing syllabus and is co-author of the associated textbook "Model-Based Testing Essentials - Wiley, 2016". At the end of 2019, her project management textbook was published in the form of a thriller entitled "In Times of Flu - BoD".

Highlights in this episode:

  • Anne Kramer ist eine leidenschaftliche Model-Based-Testerin und unser Gast
  • Wir diskutieren die Vorurteile gegenüber modellbasiertem Testen und zeigen, wie es auch leichtgewichtig funktionieren kann
  • Modellbasiertes Testen hilft, Testfälle aus grafischen Modellen wie Flowcharts abzuleiten
  • Es ist ein hervorragendes Kommunikationsmittel, um Anforderungen und Testfälle zu klären
  • Modellbasiertes Testen ermöglicht eine frühe Fokussierung auf das, was getestet werden soll
  • Das Konzept unterstützt sowohl manuelle als auch automatisierte Testfälle und bildet eine Brücke zur Testautomatisierung
  • Modelle machen implizite Annahmen explizit und fördern so das Verständnis
  • Die Wartung und Aktualisierung von Testmodellen ist essentiell und wird durch Tools unterstützt
  • KI könnte in der Zukunft helfen, den Einstieg in modellbasiertes Testen zu erleichtern und Abstraktionsprozesse zu unterstützen
  • Anne teilt ihre Top 3 Vorteile des modellbasierten Testens: klare Kommunikation, Effizienz und eine Brücke zur Automatisierung

 

Contact Anne:

More links:

 

Von Flowcharts zu Qualität: Der pragmatische Weg des modellbasierten Testens

TLDR: Modellbasiertes Testen ist eine Methode, die Komplexität beherrschbar macht und Qualität früh im Entwicklungsprozess sichert. Durch den Einsatz von Modellen werden Anforderungen klar, Kommunikation verbessert und eine Brücke zur Automatisierung geschlagen. Die Zukunft könnte KI nutzen, um den Einstieg zu vereinfachen.

Der erste Schritt in die Welt des modellbasierten Testens

Willkommen in der Welt des modellbasierten Testens, einem Bereich, der oft als komplex und schwer zugänglich gilt. Heute hatte ich das Vergnügen, mit Anne Kramer, einer leidenschaftlichen Befürworterin dieser Methode, zu sprechen. Anne beleuchtete, wie modellbasiertes Testen Missverständnisse ausräumen und in einem leichtgewichtigen und pragmatischen Rahmen angewendet werden kann. Unsere Diskussion gab Einblick in die Entstehung von Testmodellen, ihre Anbindung an die Automatisierung und ihre Wartung.

Was ist modellbasiertes Testen?

Modellbasiertes Testen mag für viele ein unklarer Begriff sein. Anne erklärte es als eine Methode, bei der grafische Modelle verwendet werden, um Testfälle abzuleiten. In der Praxis bedeutet das häufig den Einsatz von Flowcharts statt komplexer UML-Diagramme. Diese Modelle ermöglichen es, Zustandsübergänge und verschiedene Pfade durch ein System zu visualisieren, wodurch verschiedene Testfälle entstehen können. Interessanterweise liegt der Ursprung dieser Idee in der Möglichkeit, Zustandsdiagramme zur Ableitung von Testfällen zu verwenden – eine Praxis, die den Überblick über Systeminteraktionen vereinfacht.

Vom Modell zur Testfallgenerierung

Der Prozess beginnt mit der Erstellung eines Modells basierend auf den Systemanforderungen. Dieses Modell dient nicht nur als Grundlage für die Generierung von Testfällen, sondern fördert auch Diskussionen und macht implizite Annahmen explizit. Besonders hervorzuheben ist die Fähigkeit des modellbasierten Testens, schon früh im Entwicklungsprozess zum Einsatz zu kommen – sogar bevor Details wie Buttonbeschriftungen feststehen. Dadurch können Abläufe definiert und als Grundlage für Diskussionen herangezogen werden, was letztendlich zu einer qualitativen Verbesserung der Anforderungen führt.

Die Rolle von Tools im modellbasierten Testen

Ein wesentlicher Aspekt des modellbasierten Testens ist die Verwendung spezieller Tools zur Generierung von Testfällen aus den erstellten Modellen. Diese Tools durchlaufen das Modell und sammeln Schritt für Schritt Informationen über verschiedene Pfade, um daraus textuelle Szenarien oder automatisierte Tests zu generieren. Die Auswahl des richtigen Tools kann dabei entscheidend sein, da sie die Effizienz der Generierung und die Möglichkeiten zur Anpassung an spezifische Projekterfordernisse beeinflusst.

Aktualisierung von Modellen und Tests

Ein häufiger Einwand gegenüber dem modellbasierten Testen ist die Sorge um den Aufwand bei Änderungen am getesteten System. Anne betonte jedoch die Bedeutung eines effektiven Konfigurationsmanagements für Modelle sowie die Notwendigkeit eines Tools, das hilft, generierte Testfälle aktuell zu halten. Durch solche Werkzeuge können Änderungen im Modell leichter in aktualisierte Testfälle überführt werden – ein Vorteil gerade in agilen Entwicklungsprozessen.

Künstliche Intelligenz im modellbasierten Testen

Ein spannender Ansatz könnte der Einsatz künstlicher Intelligenz sein, um den Einstieg in die Modellerstellung zu erleichtern und Abstraktionsprozesse zu unterstützen. Diese Technologie könnte helfen, Hemmschwellen abzubauen und gleichzeitig neue Möglichkeiten für eine effiziente Qualitätssicherung zu eröffnen.