测试之巅—自动化测试！

Posted 2020-12-15 cemaxueyuan

这些年，自动驾驶的概念很火。

 

美国汽车工程师协会提出了六级(L0-L5)分层模型，用来衡量自动驾驶的能力和水平。许多人对这个分类模型耳熟能详。

 

自动化测试和自动化驾驶一样，也是人类的梦想。如何衡量自动化测试的水平呢？

 

有人就参考自动驾驶的分层方法，对自动化测试也进行了类似的分级(参见《人工智能测试的六个层次》、《测试工程师不懂AI，还有未来吗？》等文章)。

 

仔细看完具体的分类内容后，我发现这些分级方法存在模仿过度的问题。

 

由于忽视了软件测试的本质，由于脱离了自动化测试的实际，而划分出在我看来有些错乱的类型。 例如，将难度最高的测试检查点自动化划分为L1层次。

 

给自动化测试分等级，不能偏离测试的基本原理。软件测试是构造测试输入，作用于被测软件，然后观察其实际输出并与期望输出进行比较的过程。

 

软件测试依赖于(1) 测试输入和(2) 期望输出。其中测试输入与测试数据、测试步骤、测试操作序列等概念等价。

 

在已知测试输入和期望输出的情况下，自动化测试成为一个编程问题。无数通用或专用编程语言，例如Python、Java、Robot Framework等，能够帮助我们解决这个问题。

 

编程需要人工。编程之后，测试就可以实现自动化执行。相比完全手动的L0，这个层次的自动化测试是L1。这也是自动化测试领域当今的主流水平。

 

在L1基础上，要想更进一步，需要突破测试输入和期望输出的自动生成。这是两个问题。

 

1，自动生成测试输入

 

在进行软件测试时，测试人员需要精心构造测试数据和测试步骤，以期实现更高的覆盖，发现更多的bug。

 

业界尝试了许多方法，来自动生成测试数据和步骤。例如随机方法、Fuzzing方法、基于搜索的方法、基于模型的方法、基于机器学习的方法等。

 

这些方法或多或少存在以下问题：(1) 生成的用例数量过多，(2) 生成的用例长度过长，(2) 产生的误报率过高，(4) 测试的覆盖率过低等。除了有成本低的优势之外，它们与人工设计相比，质量还相差甚远。

 

测试输入的生成处于研究阶段，可落地成果还较少。倘若突破了测试输入的自动生成，那么我们可以达到L2级的自动化测试。

 

2，期望输出自动生成

 

写过测试用例的人都知道，用例的相当篇幅是关于检查点的。为了一个个检查点，我们需要对说明文档抠字眼，需要与用户、与产品经理、与开发人员反复核对。即使这样，有时候用例失败报bug，结果由于我们的检查点不合理而被打回。

 

这些现象从侧面反映了测试结果判定的难度。结果判定难，关键在于软件的期望输出获取难。这个难题又叫做oracle难题。这里oracle的意思是预言、神谕。可以说，做预言有多难，生成期望输出就有多难。人工都难，自动化就更难了。

 

oracle自动化之难，难于上青天。

 

过去几十年的研究表明，大家对测试oracle自动化基本还没多少办法。倘若突破了oracle生成的自动化，那么我们就可以实现L3级别的自动化测试。

 

只有用例生成、用例执行和结果判定都自动化了，软件测试才能够实现端到端、一站式的自动化。这是自动化测试的终极目标，是测试之巅，是真正的“解放”。

 

 

这张图就是我认为的自动化测试等级模型。这个模型很简单，也比较符合实际。说它符合实际，是因为自动化测试的现状就是：用例执行自动化80分，用例生成自动化20分，oracle自动化5分。

 

基于这个实际，任何的新技术、新工具，例如机器学习、人工智能，只有解决了测试真正的瓶颈问题(用例生成和oracle生成)，才能算明显地推动了测试的进步。

 

 

如果你处于想学Python自动化或者正在学习Python自动化，Python自动化的教程不少了吧，但是是最新的吗？说不定你学了可能是一年前人家就学过的内容。

 

干货分享一波：2020最新的Python教程。获取方式：加入爱码小哥（主页获取加入方式）干货群，私信管理员语嫣获取。