人工智能在软件测试中的应用研究

彭玲 武汉软件工程职业学院

一、软件测试的发展形势

目前整个软件质量工程环境与软件开发的节奏越来越快，开发团队受制于市场的竞争，需要持续构建、持续集成、持续测试才能做到持续交付。开发关注的是构建软件产品的质量，而测试是软件质量的守护者，可以帮助开发减少错误，提醒开发改进软件质量的方面。这样就更好地帮助团队构建软件质量。

软件测试的效率已经成为软件行业关注的焦点。白盒测试、黑盒测试、手工测试、自动化测试，哪一个效率更高呢？自动化测试公认会带来高效率。敏捷开发的回归测试范围越来越大，完全靠手工测试肯定不行。在一般情况下，软件测试中回归测试更适合自动化，即使在当今的测试环境下，仍然适用。调查显示，2016、2017年，国内自动化测试的使用情况并不乐观，2017年大部分测试任务自动化的占比为32%，自动化测试超过一半的公司仅23%，具体情况如图1所示。

图1 国内自动化测试使用情况

AI测试工具可以理解代码，但是真正跟业务结合起来的数据也很少。就像机器学习有时候需要大量的数据，但是真正基于业务的数据比较少，像开源里面有4TB的代码，这些代码更多的是可以做Java、C、Python这方面语言的学习，甚至可以做到Bug的自动定位、Bug的自动修复。但是如果真正结合业务，发现与业务结合这个工具还是很弱的，需要靠人工进行测试。

二、人工智能提升测试效率

（一）人工智能助力测试自动化

从软件测试的发展历程来看，早期是纯手工测试，然后发展到依赖部分自动化工具完成自动化测试，到后来使用健壮的TA工具与开源框架集成，受到业界的欢迎和广泛的应用。云计算、大数据技术的推动下，构建代码库，把所有的代码整合到一起，可以更好的复用或者学习。公司在不断尝试将自己的开发环境和测试环境放到云平台，这样才能有更多的数据积累下来，为机器学习提供便利。当前基于云计算平台和大数据，基于生态链工具，可以更好地去完成自动化测试。未来，测试基于新的微服务架构或者其他架构，可以真正做到自主、智能化。

未来，在测试过程中，测试人员更多地完成分析、设计、建模、训练模型的任务。所有的执行测试的任务应该交由测试工具去完成。例如，Google提供了TensorFlow（TF）或其他的一些平台，针对自己的业务，通过大量的分析来构建对应的模型。Google研发出了AlphaGo，然后加入人机交互智能生成了AlphaZero。人工智能或者机器人，或者未来的测试机器人是需要人去训练的。相当于把测试工程师的经验和知识，对业务流程和业务场景的理解赋能给机器人。

（二）人工智能在测试领域应用的挑战

一般来讲，人工智能包含计算智能、感知智能和认知智能，现在计算智能和感知智能发展相对比较成熟，但认知智能比较弱，要让人工智能真正去理解人类业务还是比较困难的。需要人类构建业务流程或者知识图谱，让机器去理解、学习。人工智能的应用前期需要依赖很多的人力，没有大量的数据标识，机器是不会去识别或者做预测的。所以有时候在某些相对落后地区，有大量的人力从事数据标识的基础性工作，这个过程会比较慢。

人工智能的算法不一定要有数据标识，监督学习需要标识数据，还有无监督学习、强化学习。目前无监督的学习更受欢迎，有更好地应用和发展。从单元测试扩展到系统测试，文字识别变成图像识别来处理。在游戏行业，腾讯、华为、网易等公司在测试上应用AI能力方面有了良好应用成果，与高清摄像头结合，做到更多的场景识别、人工智能辅助决策，实时游戏控制等。

借助AI生成测试数据、生成测试用例等方面，进行了一段时间的探索，并取得了一定的收获。人工智能的应用，使用全局和局部的智能优化算法，如遗传算法、粒子群优化算法、蚁群优化算法、爬山算法、禁忌搜索算法等。

三、AI技术提高测试覆盖率

实践表明，借助AI提高功能测试覆盖率、源码测试覆盖率、回归测试覆盖率、系统非功能性测试覆盖率等。同时，也可以借助关键字引导的搜索策略以提高测试覆盖率。在回归测试中利用AI，选择40%测试用例集可以达到80%的测试覆盖率，如图2所示。

图2 回归测试覆盖率提升

通过针对关键字索引提高测试覆盖率。例如：Eggplant AI导入已有测试资产创建模型、使用智能算法选择最佳测试集运行测试，基于模型算法能最大程度减少构建与维护的成本。Eggplant AI的测试覆盖率与以前相比，有很大提高，达到80%-90%。通过遗传算法和对源码“编译时插桩”的方式自动生成测试用例。以探索二进制程序内部新的执行路径，而且能够不断优化执行路径，从而获得高效的模糊测试策略。这样可以大大提高源码测试覆盖率。

当前人工智能能够企及的地方，包括黑盒测试、单元测试、回归测试等，但其结果只能作为测试员判断的依据或是参考，起到一个辅助的作用。也就是说，AI还做不到“无人化”的参与效果。虽然并行计算与分布式计算给我们带来了可靠的支撑，但目前的瓶颈是缺乏有效的建模。因此，未来的AI助力测试的理想状态是结合MBT与AI，共同助力测试。