一、什么是边界值分析法（What？）
边界值分析法就是对输入或输出的边界值进行测试的一种黑盒测试方法，通常作为对等价类划分法的补充，其测试用例来自等价类的边界。所谓边界值，是指相对于输入等价类和输出等价类而言，稍高于边界或稍低于边界的一些特定情况。
二、为什么使用该方法（Why？）
- 等价类划分忽略掉了某些特定类型的高效测试用例，而边界值分析可以弥补其中的很多不足；
- 根据大量的测试统计数据，编程的很多错误是发生在输入定义域或输出值域的边界上，而不是发生在输入/输出范围的中间区域。因此针对输入和输出等价类的边界情况设计测试用例，可以查出更多的错误，具有更高的测试回报率；
- 边界值数据本质上是属于某个等价类的范围，测试时确实是一种冗余（重复），但是为了更好的测试质量（边界值特别容易出bug），边界值必须要单独测，适当的冗余是可以接受的。
Tips：边界值分析方法和等价类划分之间的重要区别是，边界值分析考察正处于等价划分边界或在边界附近的状态。
三、设置测试用例
边界值点的定义：
上点：边界上的点，闭内开外（“闭”是指域的边界是封闭的，即闭区间；“开”是指域的边界是开放的，即开区间）。
离点：离上点最近的点称为离点。开内闭外。
内点：域范围内的任意一点。
三点分析法：结合等价类划分的具体情况，针对边界值的选择就包括开区间、闭区间以及半开半闭区间。
上点就是区间的端点值，而内点就是上点之间任意一点。对于离点，要分具体情况，如果开区间的离点，就是开区间中上点内侧紧邻的点；如果是闭区间的离点，就是闭区间中上点外侧紧邻的点。
四、根据测试用例的完整性划分
单缺陷假设：
单缺陷假设是边界值分析的关键假设。单缺陷假设指“失效极少是由两个或两个以上的缺陷同时发生引起的”。在边界值分析中，单缺陷假设即选取测试用例时仅仅使得一个变量取极值，其他变量均取正常值。
多缺陷假设：
则是指“失效是由两个或两个以上缺陷同时作用引起的”，要求在选取测试用例时同时让多个变量取极值。
几种边界值分析法模型：一般性边界值测试、健壮性测试、最坏情况测试、健壮性最坏情况测试。
- 一般性边界值测试
有n个输入变量，设计测试用例使得一个变量在数据有效区域内取最大值、略小于最大值、正常值、略大于最小值和最小值。如下图所示,两个变量X1,X2。它们的有效取值区间分别为[a,b]、[c,d]。
对于有n个输入变量的程序，一般性边界值分析的测试用例个数为4n+1。边界值测试分析采用了可靠性理论的单缺陷假设。
- 优点：简便易行；生成测试数据的成本很低；
- 局限性：测试用例不充分；不能发现测试变量之间的依赖关系；
- 结论：只能作为初步测试用例使用。
- 健壮性测试
健壮性是指在异常情况下，软件还能正常运行的能力。健壮性考虑的主要部分是预期输出，而不是输入。健壮性测试是边界值分析的一种简单扩展。除了变量的5 个边界分析取值还要考虑略超过最大值（max）和略小于最小值（min）时的情况。健壮性测试的最大价值在于观察处理异常情况，它是检测软件系统容错性的重要手段。如下图所示。
PS：软件容错性的度量：从非法输入中恢复；健壮性有两层含义：容错能力和恢复能力
对于有n个输入变量的程序，健壮性测试的测试用例个数为6n+1。
- 最坏情况测试
最坏情况测试拒绝单缺陷假设，它关心的是当多个变量取极值时出现的情况。最坏情况测试中，对每一个输入变量首先进行包含最小值、略高于最小值、正常值、略低于最大值、最大值等5个元素集合的测试，然后对这些集合进行笛卡尔积计算，以生成测试用例。最坏情况测试将意味着更大工作量。
对于有n个输入变量的程序，最坏情况测试的测试用例个数为5^n。
最坏情况与基本边界值分析的比较：
- 基本边界值分析测试用例是最坏情况测试用例的真子集；
- 最坏情况测试显然更彻底；
- 最坏情况测试工作量大得多，变量函数的最坏情况测试会产生5的n次方个测试用例，边界值分析只产生4n+1个测试用例。
- 健壮性最坏情况测试
健壮性最坏情况假设对每一个变量首先进行最小值、略小于最小值的值、略高于最小值的值、正常值、最大值、略高于最大值的值、略低于最大值的值等7个元素的集合。然后对这些集合进行笛卡尔积运算，以生成测试用例。
对于有n个输入变量的程序，健壮最坏情况测试的测试用例个数为7^n。
五、边界的分类
- 边界条件：可以在产品说明书中有定义或者在使用软件过程中确定；
- 内部边界条件：在软件内部，也称为内部边界条件；
- 其他边界条件：如输入信息为空、非法、错误、不正确和垃圾数据