人工智能是軟件開發(fā)行業(yè)中最新的流行語之一。但這到底是什么意思？在軟件測試自動化的背景下，人工智能與廣義定義有何不同？

當(dāng)我們談?wù)?/span>AI及其姊妹術(shù)語機器學(xué)習(xí)時，我們是什么意思？我以為我會清理我們的用法，所以很清楚我們?nèi)绾问褂?/span>AI和機器學(xué)習(xí)來推進最新的API測試。

如何在軟件測試中實施人工智能（不僅僅是嗡嗡聲）

人工智能是數(shù)字市場上最繁瑣的流行語之一。“AI”讓人聯(lián)想到功能強大的超級計算機之類的圖像，這些圖像深陷于人類的毀滅之中。通過Alexa或Siri的語音控制幫助；電腦象棋的對手；或自動駕駛汽車。

維基百科將AI研究定義為“……對“智能代理”的研究：任何能感知其環(huán)境并采取行動以最大程度地成功實現(xiàn)其目標(biāo)的設(shè)備。”但這有點抽象。我喜歡將AI視為計算機程序或機器思考（自身原因）和學(xué)習(xí)（收集數(shù)據(jù)并以有益的方式修改未來行為）的能力。在這個定義中，我們開始看到AI在軟件開發(fā)工具和技術(shù)中的意義。

同樣重要的是要認識到“AI”的范圍會隨著時間而變化。例如，人們曾經(jīng)一次將AI中的光學(xué)字符識別（OCR）技術(shù)視為最新技術(shù)。或是Siri和Alexa的問答式回答，其中的影響曾經(jīng)被認為是最先進的，但現(xiàn)在在很大程度上被認為是理所當(dāng)然的，而不總是被視為AI系統(tǒng)。軟件測試工具將發(fā)生同樣的事情-隨著新功能的發(fā)展，當(dāng)今自動化領(lǐng)域的創(chuàng)新將成為人們期待的事情。但是現(xiàn)在，讓我們考慮一下2019年軟件測試自動化中的AI。

2020年實現(xiàn)軟件測試自動化中的AI

人工智能在軟件開發(fā)中的使用仍處于起步階段，其自主性水平遠低于諸如自動駕駛系統(tǒng)或語音輔助控制之類的更先進的工作領(lǐng)域，盡管它仍在朝著方向發(fā)展自主測試。AI在軟件測試工具中的應(yīng)用旨在簡化軟件開發(fā)生命周期。通過推理，問題解決以及在某些情況下的機器學(xué)習(xí)的應(yīng)用，人工智能可用于幫助自動化和減少開發(fā)和測試中平凡而繁瑣的任務(wù)。

“還沒有測試自動化工具嗎？”你可能會問。

答案當(dāng)然是：“是的！他們是這樣！”…但是它們有局限性。

人工智能在軟件開發(fā)中大放異彩的地方就是它被應(yīng)用來消除那些限制，以使軟件測試自動化工具能夠為開發(fā)人員和測試人員提供更多價值。AI的價值來自減少開發(fā)人員或測試人員直接參與最普通的任務(wù)。（在應(yīng)用業(yè)務(wù)邏輯等方面仍然非常需要人類智能。） 

例如，考慮到大多數(shù)（如果不是全部）測試自動化工具為您運行測試并提供結(jié)果。大多數(shù)人都不知道要運行哪些測試，因此他們會運行所有測試或預(yù)定的一組測試。那么，如果啟用AI的機器人可以查看測試狀態(tài)的當(dāng)前狀態(tài)，最近的代碼更改，代碼覆蓋率和其他指標(biāo)，確定要運行的測試，然后再運行它們，該怎么辦？引入基于更改數(shù)據(jù)的決策是應(yīng)用AI的一個示例（順便說一下，Parasoft就是這樣做的）。該軟件可以有效地在決策過程中替代開發(fā)人員/測試人員。將其應(yīng)用于CI/CD管道的好處顯而易見。

人工智能和機器學(xué)習(xí)

那么，關(guān)于機器學(xué)習(xí)呢？機器學(xué)習(xí)可以通過應(yīng)用算法來增強AI，算法允許工具通過收集測試產(chǎn)生的大量數(shù)據(jù)來自動改進。

機器學(xué)習(xí)研究是整個AI研究的子集，其重點是基于先前觀察到的數(shù)據(jù)進行決策管理。這是整個AI的重要方面，因為隨著學(xué)習(xí)的改善，智能需要修改決策。但是，在軟件測試工具中，機器學(xué)習(xí)并非總是必要的-有時最好手動微調(diào)支持AI的工具以適合使用該工具的組織，然后每次都可以應(yīng)用相同的邏輯和推理，而無論結(jié)果。

在其他情況下，數(shù)據(jù)收集是決策過程的關(guān)鍵，而機器學(xué)習(xí)可能會非常有價值，首先需要一些數(shù)據(jù)，然后隨著收集更多數(shù)據(jù)而進行改進或調(diào)整。例如，隨著時間的流逝，代碼覆蓋率，靜態(tài)分析結(jié)果，測試結(jié)果或其他軟件度量標(biāo)準(zhǔn)可以將有關(guān)軟件項目狀態(tài)的信息告知AI。

深度學(xué)習(xí)

機器學(xué)習(xí)有其自己的名為“深度學(xué)習(xí)”的子集，該子集基于處理大量數(shù)據(jù)以供學(xué)習(xí)。在大多數(shù)情況下，此類數(shù)據(jù)由多層分析神經(jīng)網(wǎng)絡(luò)表示-它們是受人類神經(jīng)元網(wǎng)絡(luò)啟發(fā)的模型，可幫助計算機獲取新知識并高度智能地推理。

深度學(xué)習(xí)的關(guān)鍵方面是以神經(jīng)網(wǎng)絡(luò)為代表的大量信息，以驅(qū)動決策過程。如此大量的數(shù)據(jù)并不總是可用或不適用于軟件測試-也許這就是為什么我們在這些領(lǐng)域沒有看到很多深度學(xué)習(xí)案例的原因。一個可能的示例是從數(shù)千萬行代碼中“學(xué)習(xí)”，以了解不同類型的安全沖突，并基于深度學(xué)習(xí)模型實現(xiàn)靜態(tài)分析引擎。

軟件測試中AI和機器學(xué)習(xí)的真實示例

這是Parasoft的重要研發(fā)領(lǐng)域。令人興奮的是，我們當(dāng)前的產(chǎn)品僅僅是開始，而我們對AI和ML的持續(xù)研究繼續(xù)為將這些技術(shù)集成到我們的產(chǎn)品中帶來新的方式。我們已經(jīng)采用了以下幾種方法。

使用人工智能使單元測試生成和參數(shù)化自動化

第一個示例在Parasoft Jtest中，這是我們針對Java開發(fā)人員的軟件測試解決方案，其中包括靜態(tài)分析、單元測試、覆蓋率和可追溯性等。在此應(yīng)用AI，我們發(fā)布了自動測試用例生成，可幫助開發(fā)人員填補空白從稀疏的JUnit工具開始。

Parasoft Jtest的IDE插件通過簡單的一鍵式操作即可創(chuàng)建，擴展和維護單元測試，從而為單元測試實踐增加了有用的自動化。通過使用支持AI的Jtest，用戶可以實現(xiàn)更高的代碼覆蓋率，同時將構(gòu)建全面而有意義的Junit測試用例套件所需的時間和精力減少一半。

一種方法是通過簡化存根和模擬來隔離被測代碼。底層的AI使Jtest能夠觀察被測單元以確定其對其他類的依賴關(guān)系，并且在創(chuàng)建這些依賴關(guān)系的實例時，建議將其模擬給用戶以創(chuàng)建更多隔離的測試。自動創(chuàng)建必要的模擬和存根可以減少測試創(chuàng)建中最耗時的部分之一的工作量。

Parasoft Jtest還可以自動檢測現(xiàn)有測試套件未涵蓋的代碼，并遍歷源代碼的控制路徑，以找出需要將哪些參數(shù)傳遞給被測方法，以及需要如何初始化sub/mocks才能到達該代碼。通過啟用此AI，Jtest可以自動生成新的單元測試，并應(yīng)用修改后的參數(shù)來增加整個項目的總體代碼覆蓋率。

使用AI和機器學(xué)習(xí)自動執(zhí)行API測試的生成和維護 

另一個很好的例子是Parasoft SOAtest的Smart API Test Generator，它增加了機器學(xué)習(xí)功能，它超越了記錄和回放測試的范圍，利用AI和機器學(xué)習(xí)將手動UI測試轉(zhuǎn)換為完整的自動化API測試方案。

智能API測試生成器使用推理來理解在執(zhí)行UI時進行的不同API調(diào)用中的模式和關(guān)系。通過該分析，構(gòu)造了一系列API調(diào)用，這些API調(diào)用表示在UI流期間進行的基礎(chǔ)接口調(diào)用。然后，它通過觀察有關(guān)不同API資源的內(nèi)容并將其作為模板存儲在專有數(shù)據(jù)結(jié)構(gòu)中，來應(yīng)用機器學(xué)習(xí)。通過檢查用戶庫中的其他測試用例，以學(xué)習(xí)使用API時的不同類型的行為（例如，斷言或在正確的位置添加特定的標(biāo)頭）來更新內(nèi)部結(jié)構(gòu)。

此處AI的目標(biāo)是創(chuàng)建更高級的測試（不僅僅是重復(fù)用戶所做的事情，就像通過簡單的記錄和播放測試一樣）。該工具可以識別流量內(nèi)部的模式，創(chuàng)建觀察參數(shù)的全面數(shù)據(jù)模型，生成自動化的API測試，并可以將學(xué)習(xí)的模式應(yīng)用于其他API測試以增強它們，并幫助用戶創(chuàng)建更高級的自動化測試場景。由此產(chǎn)生的自動化API測試具有更完整的可重用性，可伸縮性和更改彈性。

使用機器學(xué)習(xí)自我修復(fù)硒測試的執(zhí)行

自動驗證UI層是測試策略的另一個關(guān)鍵組成部分，以確保產(chǎn)品在投入生產(chǎn)之前已得到完全驗證。Selenium框架已被廣泛用于UI測試，這是用戶的明確選擇，但用戶仍無法擺脫常見的Selenium測試在可維護性和穩(wěn)定性方面的挑戰(zhàn)。AI技術(shù)（尤其是機器學(xué)習(xí)）可以在此提供幫助，在運行時提供自我修復(fù)功能，以解決與UI測試執(zhí)行相關(guān)的常見可維護性問題。

我們通過提供此功能，它可以在定期執(zhí)行Selenium測試期間“了解”內(nèi)部數(shù)據(jù)結(jié)構(gòu)。引擎監(jiān)視每次運行，并捕獲有關(guān)被測應(yīng)用程序的Web UI內(nèi)容的詳細信息。它提取DOM元素，它們的屬性，定位符等，并將它們與UI驅(qū)動的測試所執(zhí)行的操作相關(guān)聯(lián)。采用Parasoft專有的數(shù)據(jù)建模方法，將該信息存儲在其AI引擎中，并且該模型會不斷更新，分析所有測試的歷史執(zhí)行以繼續(xù)變得“更智能”。

如果網(wǎng)頁的UI元素被顯著移動或修改而導(dǎo)致測試失敗，則這是至關(guān)重要的時間節(jié)省。借助，引擎使用的AI啟發(fā)式算法可以將那些已更改的元素與模型表示的歷史數(shù)據(jù)“匹配”，并自動生成可抵抗更改的“智能定位器”，以在運行時恢復(fù)Selenium測試的執(zhí)行。有關(guān)這些更改的信息會自動通過模型傳播，并且會根據(jù)這些更改來調(diào)整未來的新定位器。

使用軟件測試人工智能提高靜態(tài)分析的采用率

成功采用靜態(tài)分析工具的障礙之一是管理大量警告并處理結(jié)果中的誤報（警告不是真正的錯誤）。對遺留或現(xiàn)有代碼庫進行分析的軟件團隊將無法獲得通過靜態(tài)分析獲得的初始結(jié)果，并且由于這種經(jīng)驗而被關(guān)閉，以至于無法繼續(xù)努力。不堪重負的部分原因是現(xiàn)代靜態(tài)分析工具可能會提供的標(biāo)準(zhǔn)，規(guī)則（檢查程序），建議和度量標(biāo)準(zhǔn)的數(shù)量。

軟件開發(fā)團隊具有獨特的質(zhì)量要求，并且沒有針對檢驗工具或編碼標(biāo)準(zhǔn)的所有建議。每個團隊都有自己的誤報定義，通常是“不在乎”而不是“從技術(shù)上講是不正確的”。為此，Parasoft的解決方案是應(yīng)用AI和機器學(xué)習(xí)對靜態(tài)分析報告的結(jié)果進行優(yōu)先級排序，以改善用戶體驗并采用此類工具。

Parasoft使用一種方法將靜態(tài)分析工具的輸出中的發(fā)現(xiàn)快速分類為團隊希望看到的結(jié)果或團隊希望通過查看少量發(fā)現(xiàn)并基于與之關(guān)聯(lián)的元數(shù)據(jù)構(gòu)造分類器來抑制的結(jié)果。這些發(fā)現(xiàn)。該分類器是基于先前對靜態(tài)分析結(jié)果的手動分類的結(jié)果，該結(jié)果是在不相關(guān)警告的歷史抑制和有意義的發(fā)現(xiàn)的優(yōu)先級確定要優(yōu)先解決的情況下進行修復(fù)的。

最終結(jié)果以兩種方式分類：

• 供團隊研究的興趣

• 可以抑制的項目

通過將開發(fā)人員引導(dǎo)至最有可能應(yīng)用于其項目的警告，從而極大地改善了用戶體驗。通過這些創(chuàng)新，組織可以立即減少采用和使用靜態(tài)分析的人工。

人工智能和機器學(xué)習(xí)的未來

 那么接下來呢？我們正在這一領(lǐng)域積極進行研發(fā)，繼續(xù)搜索人工智能和機器學(xué)習(xí)的更多應(yīng)用，以增強我們的軟件測試工具套件。有很多研究途徑，但最終目標(biāo)很明確：幫助團隊更有效地開發(fā)和測試代碼，快速創(chuàng)建更高質(zhì)量的軟件。