人工智能下軟件測試發(fā)展與應(yīng)用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了人工智能下軟件測試發(fā)展與應(yīng)用范文，希望能給你帶來靈感和參考，敬請閱讀。

人工智能是指由人制造出來的能夠?qū)⒅挥腥怂邆涞闹腔郾憩F(xiàn)出來的機(jī)器。幾十年來，軟件測試逐漸從小型化、本地化向智能化、復(fù)雜化的大規(guī)模開發(fā)和維護(hù)轉(zhuǎn)變。因此本文提出研究人工智能時(shí)代下軟件測試的發(fā)展與應(yīng)用，來對人工智能技術(shù)對軟件測試的影響進(jìn)行深入的研究，通過研究可以更加深刻的理解人工智能技術(shù)對軟件測試的發(fā)展的重大影響。

1研究背景和意義

1.1研究背景

軟件測試是一種用來描述、促進(jìn)和鑒定軟件的正確性、完整性、安全性和質(zhì)量的過程，它是一種將實(shí)際輸出與期望輸出進(jìn)行審核或者比較的過程，因此通過軟件測試可以更快速的發(fā)現(xiàn)軟件開發(fā)過程中的各種問題，幫助人們更加高效率的對軟件進(jìn)行完善，使得軟件的性能逐步提高。現(xiàn)今社會，隨著大數(shù)據(jù)和云計(jì)算的飛速發(fā)展，傳統(tǒng)的軟件測試技術(shù)很難支撐現(xiàn)代軟件的發(fā)展，軟件測試技術(shù)如今面對著新的挑戰(zhàn)。

1.2研究意義機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、NLP等

AI領(lǐng)域被認(rèn)為是我們身邊大多數(shù)技術(shù)的前沿。如今，隨著人工智能技術(shù)的發(fā)展，人工智能技術(shù)也開始逐步成熟，人工智能技術(shù)逐步滲透到工業(yè)和生活中的各個(gè)領(lǐng)域，作為與程序密切相關(guān)的軟件測試，也深受人工智能技術(shù)的影響。

2軟件測試發(fā)展史

2.1程序員和測試人員的時(shí)代

在程序員和測試人員的時(shí)代，開發(fā)和測試被視為相互獨(dú)立的活動，軟件準(zhǔn)備就緒后，將其傳遞給測試團(tuán)隊(duì)進(jìn)行驗(yàn)證。測試人員在需求分析階段的參與不是很積極，與業(yè)務(wù)涉眾的互動也很有限。他們在很大程度上依賴于通過設(shè)計(jì)和開發(fā)過程中完成的文檔或從編寫代碼的開發(fā)人員那里收集的知識來獲取信息。因此在這個(gè)時(shí)代，測試人員缺乏對客戶需求和期望的洞察力，進(jìn)而導(dǎo)致軟件測試策略的有限性。

2.2探索和手動測試的時(shí)代

90年代末期，各種軟件測試方法的問世，例如探索性測試、敏捷測試等。在這個(gè)階段，軟件測試人員使用詳細(xì)的測試用例和測試計(jì)劃手動進(jìn)行測試。探索性測試通過在測試章程范圍內(nèi)探索軟件，從而使測試人員可以自由地以本機(jī)方式測試軟件。并且在這個(gè)時(shí)期，軟件開發(fā)工程量逐步增加，軟件開發(fā)過程的廣泛而密集的增長需要更全面的測試方法，敏捷測試采用的增量和迭代方法有助于實(shí)現(xiàn)此目標(biāo)。

2.3自動化時(shí)代

隨著21世紀(jì)的到來，更多的新方法浮出水面，從而徹底改造了軟件測試。在軟件開發(fā)各個(gè)階段的質(zhì)量保證和控制都變得越來越重要，測試都被視為軟件開發(fā)過程中不可或缺的一部分。自動化使測試達(dá)到了完全不同的水平，通過大量的自動化測試框架，使得測試人員能夠以更高的效率執(zhí)行其任務(wù)。云測試的出現(xiàn)可以幫助企業(yè)以更快的速度和更少的資金管理產(chǎn)品的測試。

2.4持續(xù)測試的時(shí)代

持續(xù)測試時(shí)期業(yè)務(wù)動態(tài)開始發(fā)生變化，客戶期望看到最終產(chǎn)品的模型，因此測試需求逐步增加。現(xiàn)階段出現(xiàn)的改進(jìn)網(wǎng)絡(luò)基礎(chǔ)架構(gòu)為開發(fā)和測試提供了高連接性，并提高了跨多個(gè)平臺的部署和測試的速度。DevOps和CI/CD的興起導(dǎo)致軟件整個(gè)開發(fā)周期縮短，實(shí)時(shí)進(jìn)行仔細(xì)的風(fēng)險(xiǎn)評估成為了當(dāng)務(wù)之急。同時(shí)，在軟件開發(fā)生命周期的所有階段都必須進(jìn)行風(fēng)險(xiǎn)評估和處理，進(jìn)而降低軟件開發(fā)的風(fēng)險(xiǎn)。為了跟上這些需求，需要不斷進(jìn)行測試以提高效率，人們開始嘗試應(yīng)用人工智能技術(shù)進(jìn)行測試。

2.5人工智能時(shí)代

簡而言之，人工智能是機(jī)器通過感知，理解和學(xué)習(xí)模仿人類行為的能力。人工智能的算法是基于數(shù)據(jù)的預(yù)測分析，這也意味著AI測試在很大程度上取決于數(shù)據(jù)。當(dāng)今有許多可用AI驅(qū)動的測試工具，可幫助進(jìn)行單元測試、API測試、UI測試等，其中最經(jīng)典的示例是可視化測試。

3人工智能技術(shù)在軟件測試中的應(yīng)用及挑戰(zhàn)

3.1AI系統(tǒng)的測試

隨著人工智能技術(shù)的發(fā)展，目前出現(xiàn)了各類有關(guān)人工智能技術(shù)的應(yīng)用，然而由于人工智能技術(shù)是一個(gè)新興技術(shù)，傳統(tǒng)的軟件測試無法與人工智能技術(shù)相匹配，因此在人工智能時(shí)代軟件測試技術(shù)的更新成為一件重要的事情。由于人工智能技術(shù)所開發(fā)的系統(tǒng)其功能具有動態(tài)性，并且開發(fā)出來的系統(tǒng)擁有自我學(xué)習(xí)的能力，因此在對人工智能系統(tǒng)進(jìn)行測試時(shí)，應(yīng)當(dāng)充分考慮時(shí)間范圍。人工智能系統(tǒng)的學(xué)習(xí)能力應(yīng)該是不斷增強(qiáng)、動態(tài)性的，因此，針對此類測試過程，需要大規(guī)模、長時(shí)間的進(jìn)行測試。例如，Google的AlphaGo存在所使用的黑盒測試規(guī)模龐大、測試周期長，并且有自動化測試難的問題。然而AlphaGo是一種功能相對簡單的系統(tǒng)，人工智能技術(shù)所開發(fā)的智能語音響應(yīng)系統(tǒng)在測試時(shí)會更加困難。智能語音響應(yīng)系統(tǒng)需要模擬不同的場景進(jìn)行測試，因此小規(guī)模的測試數(shù)據(jù)集，很難判斷系統(tǒng)的反應(yīng)能力，也無法對系統(tǒng)提出具有重大意義的改善。深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法通常被認(rèn)為是黑盒模型，但是隨著訓(xùn)練的數(shù)據(jù)集不同，其測試結(jié)果具有不穩(wěn)定的特性。因此針對深度神經(jīng)網(wǎng)絡(luò)測試需要大規(guī)模的數(shù)據(jù)集，這種測試方法與傳統(tǒng)的測試方法相差甚遠(yuǎn)。在傳統(tǒng)的測試過程中可以使用等價(jià)類劃分和其他方法來減小所需測試的樣本規(guī)模，但是對于人工智能系統(tǒng)來說，必須依賴于大量的數(shù)據(jù)才可以達(dá)到測試的效果。

3.2大數(shù)據(jù)的測試

大數(shù)據(jù)的測試并不比人工智能系統(tǒng)測試容易，其很難確定判斷其測試預(yù)測測試結(jié)果的標(biāo)準(zhǔn)，因?yàn)闊o法對數(shù)據(jù)處理結(jié)果的大小進(jìn)行判定。在數(shù)據(jù)收集、存儲、檢索和分析之后，軟件測試人員需要開發(fā)適當(dāng)?shù)墓ぞ咭詮拇笕萘俊⒍鄻有浴⒖焖僮兓蛯?shí)時(shí)表征方面對數(shù)據(jù)的一致性和完整性進(jìn)行校驗(yàn)。

3.3云服務(wù)測試

現(xiàn)階段云服務(wù)主要包括私有云、公共云、混合云和各種其他形式的云，云服務(wù)的測試面臨著復(fù)雜的系統(tǒng)架構(gòu)、復(fù)雜的配置、復(fù)雜的計(jì)算和存儲節(jié)點(diǎn)，盡管可以通過使用兩個(gè)或三個(gè)的組合來減少組合的數(shù)量，但是這種方法覆蓋率相對較低，并且在云服務(wù)的測試中存在著較高的風(fēng)險(xiǎn)。同時(shí)，云服務(wù)的性能測試也非常困難，主要包括云質(zhì)量壓力模擬需要承擔(dān)較高的成本，甚至花費(fèi)大量的資金也無法對測試進(jìn)行模擬。而且，云服務(wù)作為新興的技術(shù)，傳統(tǒng)的測試工具很難與計(jì)算機(jī)平臺的云性能測試相匹配。

3.4區(qū)塊鏈測試

區(qū)塊鏈主要包括公共網(wǎng)絡(luò)、私有鏈和聯(lián)盟網(wǎng)絡(luò)等不同類型的網(wǎng)絡(luò)，這些網(wǎng)絡(luò)在許多方面都大有不同，例如在區(qū)塊鏈的管理、使用者的用戶身份驗(yàn)證、區(qū)塊鏈的節(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)的共識機(jī)制和智能合約等方面。因此，不同的區(qū)塊鏈面臨的測試挑戰(zhàn)也是不同的。同時(shí)區(qū)塊鏈也存在一些共性的的挑戰(zhàn)，如安全測試非常困難。安全始終是矛與盾的問題，現(xiàn)階段不存在絕對受保護(hù)的技術(shù)、系統(tǒng)或平臺，因此對于區(qū)塊鏈來說，很難對其安全質(zhì)量進(jìn)行測試。同時(shí)區(qū)塊鏈還包括基礎(chǔ)結(jié)構(gòu)安全性、加密算法保護(hù)、網(wǎng)絡(luò)協(xié)議保護(hù)、共識機(jī)制安全性和合同安全性等合同安全性又包括身份驗(yàn)證和身份驗(yàn)證。而且區(qū)塊鏈擁有眾多的網(wǎng)絡(luò)節(jié)點(diǎn)，對于區(qū)塊鏈的測試不僅僅只是某個(gè)區(qū)塊鏈節(jié)點(diǎn)。

3.5物聯(lián)網(wǎng)測試

在工業(yè)4.0和5G時(shí)代，網(wǎng)絡(luò)成為人們生活中不可缺少的東西。物聯(lián)網(wǎng)是指萬物互聯(lián)，它不僅僅只是將計(jì)算機(jī)相連接，還包括工業(yè)設(shè)備、家用電器等，物聯(lián)網(wǎng)旨在讓每一個(gè)物品等能夠連接到網(wǎng)絡(luò)。然而網(wǎng)絡(luò)的融合需要創(chuàng)建一個(gè)更大的系統(tǒng)，因此這也給軟件測試帶來新的挑戰(zhàn)。同時(shí)物聯(lián)網(wǎng)需要更多的物理設(shè)備才可以進(jìn)行測試，這會耗費(fèi)大量的時(shí)間和精力。其次物聯(lián)網(wǎng)系統(tǒng)需要具有實(shí)時(shí)性，物聯(lián)網(wǎng)設(shè)備對時(shí)間十分的敏感，它需要實(shí)時(shí)數(shù)據(jù)收集，并且需要實(shí)同步數(shù)據(jù)的傳輸。此外，物聯(lián)網(wǎng)測試還面臨著檢查系統(tǒng)規(guī)模、可伸縮性、協(xié)作感知、大數(shù)據(jù)處理性能和智能特性等挑戰(zhàn)。

4應(yīng)用人工智能技術(shù)的軟件測試

4.1測試規(guī)范和測試套件細(xì)化

在開源開發(fā)或軟件進(jìn)化的背景下，開發(fā)人員經(jīng)常面對開發(fā)時(shí)沒有明顯理由的測試套件，這些測試套件可能需要增加或改進(jìn)以確保足夠的可靠性，甚至需要減少以滿足緊迫的截止日期，我們稱這個(gè)過程為測試規(guī)范和測試套件的重新設(shè)計(jì)。同時(shí)在實(shí)踐中，測試規(guī)范可能一開始就不存在，尤其是如果沒有使用黑盒策略來識別測試用例的情況。在這種情況下，測試規(guī)范必須被逆向工程或者從高級系統(tǒng)規(guī)范創(chuàng)建。因此，軟件測試重要的是提供方法和工具支持，幫助人們理解測試套件的局限性及其可能的冗余，以便能夠以經(jīng)濟(jì)高效的方式對其進(jìn)行改進(jìn)。因此，基于機(jī)器學(xué)習(xí)的方法可以解決黑盒測試中的這個(gè)問題。

4.2調(diào)試、故障定位

使用機(jī)器學(xué)習(xí)來識別可疑語句，如測試期間觀察到的相關(guān)故障，這可在調(diào)試期間幫助故障定位。RUBAR技術(shù)解決了軟件測試的主要缺陷，但該方法難以處理多個(gè)故障的存在，因?yàn)樗[含地假設(shè)失敗的測試用例執(zhí)行相同的故障。同時(shí)使用C4.5決策樹來學(xué)習(xí)各種基于測試用例輸入和輸出信息的故障條件，在相似條件下執(zhí)行的失敗測試用例被認(rèn)為是由于相同的錯(cuò)誤而失敗，如果語句被在相似條件下執(zhí)行的大量失敗測試用例覆蓋，那么它們就被認(rèn)為是需要重點(diǎn)關(guān)注的。同時(shí)，由C4.5決策樹建模的故障條件可以準(zhǔn)確預(yù)測故障，因此可以用于幫助調(diào)試，由該樹建模的故障條件總體上準(zhǔn)確描述了實(shí)際故障條件。

4.3風(fēng)險(xiǎn)驅(qū)動測試

無論采用何種測試策略，實(shí)際上很少有足夠的人力資源和時(shí)間來徹底測試系統(tǒng)的每個(gè)部分，達(dá)到令人滿意的程度。測試團(tuán)隊(duì)必須集中精力并優(yōu)先考慮他們的測試工作，通常這是通過分析與功能或系統(tǒng)組件相關(guān)的“風(fēng)險(xiǎn)”來完成的，這取決于測試級別。風(fēng)險(xiǎn)通常被定義為故障概率和它們可能造成損害的組合，目前軟件測試中有各種各樣的方法來解決這個(gè)問題，構(gòu)建預(yù)測文件或類中錯(cuò)誤位置的模型是一個(gè)可行的方案。在許多利用機(jī)器學(xué)習(xí)算法訓(xùn)練的模型中，通常不需要與統(tǒng)計(jì)模型相關(guān)聯(lián)的嚴(yán)格假設(shè)類型，對于實(shí)踐者來說更容易解釋和理解。人們也越來越認(rèn)識到要獲得合理準(zhǔn)確的預(yù)測模型，還需要考慮其他因素。盡管在軟件測試中輸入使用的數(shù)據(jù)各不相同，但它通常包括組件的結(jié)構(gòu)復(fù)雜性度量、來自最近發(fā)布的組件變更信息、與組件相關(guān)聯(lián)的歷史數(shù)據(jù)，以及開發(fā)人員關(guān)于例如他們對被變更的系統(tǒng)的體驗(yàn)的信息。因此一旦開發(fā)了故障預(yù)測模型，就可以根據(jù)系統(tǒng)組件包含故障的可能性對它們進(jìn)行排序，結(jié)果也可以用樹形圖更容易地可視化。并且從經(jīng)濟(jì)的角度出發(fā)，建立和利用故障預(yù)測模型也具有很高的經(jīng)濟(jì)效應(yīng)。

4.4測試預(yù)言

測試預(yù)言的自動化可能是軟件測試中最困難的問題之一，雖然沒有普遍適用的自動化測試預(yù)言的解決方案，但是在很多情況下機(jī)器學(xué)習(xí)可以提供幫助。例如，在圖像和語音處理領(lǐng)域有許多這樣的情況。圖像分割是從圖像中提取感興趣的特定結(jié)構(gòu)的行為，為了評估圖像分割算法花費(fèi)了大量的時(shí)間和精力，卻并不能提供足夠準(zhǔn)確的結(jié)果，技術(shù)專家需要修改算法并重新運(yùn)行整個(gè)測試套件來驗(yàn)證它。該過程大多是手工完成的，因此非常耗時(shí)，也需要可靠的專家在場。在初始學(xué)習(xí)階段，使用機(jī)器學(xué)習(xí)算法來學(xué)習(xí)一個(gè)模型，一旦學(xué)習(xí)了有效的機(jī)器學(xué)習(xí)模型，由測試中圖像分割算法的任何新版本產(chǎn)生的分割將自動認(rèn)定其正確地性，此時(shí)也不需要任何人工專家的干預(yù)，所以在分割的重新測試期間可以獲得大量時(shí)間和人工的節(jié)省。在人工智能時(shí)代，作為軟件工程師所面臨問題的工程特性，例如部分定義和不明確的應(yīng)用領(lǐng)域，具有多個(gè)相互競爭、相互沖突和不斷變化的目標(biāo)，正把我們從完美的烏托邦拖向更現(xiàn)實(shí)的工程世界。當(dāng)代的軟件性質(zhì)變化迫使我們改變開發(fā)和部署測試技術(shù)。人工智能技術(shù)被證明非常適合這個(gè)不斷變化的是時(shí)代。本文通過研究人工智能時(shí)代下軟件測試的發(fā)展與應(yīng)用，對人工智能技術(shù)對軟件測試的影響進(jìn)行深入的研究，通過對人工智能時(shí)代下軟件測試得研究現(xiàn)狀、軟件測試發(fā)展史、人工智能技術(shù)在軟件測試中的應(yīng)用及挑戰(zhàn)、應(yīng)用人工智能技術(shù)的軟件測試以及軟件測試的未來發(fā)展等進(jìn)行論述，更加深刻的理解人工智能技術(shù)對軟件測試的發(fā)展的重大影響。

作者:胡中奇 植賜佳 單位:工業(yè)和信息化部 電子第五研究所