- 已编辑
介绍
随着 AI 的飞速发展,AI 已经使用到许多软件系统中,也逐步的应用到软件测试的工作中,并且利用各种 AI 相关的技术来辅助测试工作也是未来一个测试趋势。当前 AI 的主要几个应用方向包括,视觉系统,语音系统,决策系统,自然语言处理系统和大数据系统,因此在测试辅助工作中其最主要的方面包括:基于业务流程、被测系统内容、测试用例和测试数据的学习,测试用例和测试数据的生成,自动化测试代码的生成,测试中的视觉识别和 NLP,自动化探索性测试,大规模测试日志和结果分析,缺陷定位等等。其中视觉测试,测试日志和结果学习,以及缺陷定位都已经有比较成熟的商业产品,但是相应的成熟的开源系统还暂时没有。而通过相应的学习,并生成测试用例,测试数据和自动化测试代码则是 AI 辅助自动化测试最为重要的部分,虽然这部分也有一些商业和开源的框架和工具,比如 EvoSuite,test.ai,recheck-web 等,但是都还不是非常不成熟。因为这些 AI 辅助自动化测试框架和工具虽然使用了 AI 技术,可以较好的通过学习各种已知信息,比如业务流程图,已有的手动测试用例,测试日志等。然后通过深度学习,并生成新的测试用例和测试数据,甚至相应的自动化测试代码。
但是现在它们都存在不少问题,其中包括很难或者不能生成测试预言(Test Oracle)来验证测试结果;测试用例准确性和覆盖率不够高,无法替代当前人工设计的测试用例;生存的测试用例不易管理,比如难以理解与阅读,导致很难维护等。导致这些问题最主要的原因是现在 AI 算法本身存在问题:无法保证准确性。截止 2021 年,我参加过多个业界的软件和测试大会,其中有几个中国一线互联网厂商分享的 AI 自动化测试的准确率也只有 80%多,不足 90%。这种准确率在金融,工控等一些要求很高的系统中很难获得认同,并且需要专门的定制化从而很难通用,导致它们几乎都是自研自用,很少公开对外。而那些所谓通用的商用和开源的 AI 自动化测试工具则更难达到这样高的准确性,因此现在绝大部分 AI 自动化测试工具都只能作为常规测试的扩充,而不能替代现在已有的测试工作。
我将 AI 辅助自动化测试分为 3 个级别,只有达到第 3 个级别,并且准确性达到 99%及以上,这样的 AI 辅助自动化测试才有可能替换高质量产品的功能回归测试。这 3 个级别分别是:
L1,半自动化辅助级
通过深度学习模型自动生成测试用例的输入,人工验证输出。
L2,全自动化规则级
通过深度学习模型自动生成测试用例的输入,并通过固定规则模型来自动验证输出。
L3,全自动化模型级
通过深度学习模型自动生成测试用例的输入和输出,并通过深度学习模型来自动验证输出。
现在业界很多公司基本上能实现级别 1,因为无法全自动化,导致现在只是用来查漏补缺,辅助测试人员设计出更多并且更高覆盖率的测试用例。不过也有少量头部公司已经实现了级别 2。其中级别 2 需要很高的定制化,实施成本较高,并且很难通用,导致很难大规模推广。而级别 3 遇到的最大问题还是深度学习的不准确性,导致测试预言的不准确,从而导致需要大量的人工审核工作,从而很难真正的落地实施。
而陈磊老师的文章中将 AI 测试框架分为 6 级,分别是:
L0,原始级
测试工程师还是在做测试用例设计、执行、回归、修复后再回归。没有专职的人写自动化的脚本。测试人员按需撰写脚本,遇到较大变更的时候还要检查脚本是否有效。
L1,辅助级
测试框架能帮助测试工程师完成一些枯燥乏味的工作,通过一些算法完善测试脚本并将测试结果发送给对应的工程师,由工程师来决策测试结果。
L2,部分自动化级
自动化测试的算法可以自我容错,不需要大量的维护工作,会按照测试用例去执行与识别,不会影响执行流程。然后它会把测试结果发送给测试工程师,由工程师决策测试。
L3,有条件的自动化级
测试工程师能建立自己的测试基线与准则,测试框架可以通过机器学习完成基线的建立,可以在无人干预的情况下完成测试,测试工程师只需要了解被测系统和数据规则即可,并自动的确定 Bug。并且还可以收集并分析全部的测试用例,通过机器学习等相关技术,人工智能系统可以检测到变化中的异常, 并只将异常提交给人工进行验证。
L4,高度自动化级
系统能模拟类人的行为,进行并执行一些逻辑脚本或者业务脚本的撰写,达到一种完美的人机交互。它可以将测试结果定优先级,会根据严重程度发到测试管理系统,但不会对没有样本的做定义,还需要人类决策。
L5,全量自动化级
系统能够完成过程化的测试,了解产品的变更,知道产品的黄金流程,同时还会将问题完全反馈。测试工程师在这里仅仅做的是算法逻辑的维护、规则的维护。
这个分级更为精细,根据这个分级,现在大部分的自动化框架都是 L1 辅助级别,同时都有一部分已经达到 L2,而很少能达到 L3 以及以后的级别。
总结
当前 AI 辅助自动化测试需要在两个方面有所突破,这样才能很好的达到全自动化模型级和全量自动化级,并且提高其准确性。它们分别是自然语言处理和大数据预测。首先对于自然语言,主要是用来对于业务需求,验收条件等被测系统的信息进行处理并学习,并真正的理解被测系统,从而提高测试用例和测试预言的准确性。其次是大数据预测,主要是开发准确性更好的大数据预测模型,通过学习到的被测系统的大量数据信息,提高测试预言预测的准确性。只有这两个方面有所突破,AI 辅助自动化测试才能被真正的通用和普及,从而真正的可以替代当前人工测试分析,测试用例设计和自动化测试开发工作。纵观当前的 AI 技术,要实现这个目标还有相当长的路需要走。
版权声明:本文由[刘冉]发表于https://xie.infoq.cn/article/876b5903fc33f9222e39ba040
如有侵权,请联系commuinty@eolink.com删除。