| 编辑推荐: |
重点分享了基于
AI 的自动化测试框架。以及在实践过程中领悟到的深度学习的优势与挑战。
本文来自于微信公众号前端之巅，由火龙果软件Anna编辑、推荐。 |
|
理想中的 UI 测试框架
从测试框架的角度来讲，肯定会有一些自己想要的功能或需求，对这个测试框架的期望也会很高。
首先，在衡量一个测试框架的过程中，会找一些指标来衡量这个测试框架的好坏，比如说我们会要求这个测试框架易于维护和开发，修改后的代码稳定性变得更好，会要求它的执行效率能够满足需求。在这些基础要求之上，可能还会要求它能够有些跨平台的能力，跨应用的能力，或者支持
Hybrid 的能力。
现在主流的测试框架在这些指标上的表现其实不太一致，因为有不同的侧重点。举个简单的例子，像 UIAutomator，它其实本身侧重于和系统的交互能力，所以它在跨应用的能力上会表现的更强一点，但是相对来说它对
Hybrid 这种场景的支持会相对来说弱一点。像 Espresso 这种框架，它的能力很强，可以做很多事情，比如可以拿到当前应用的运行状态，拿到当前代码里面内存的数据，这些功能其他测试框架都是不能做到的，但是这个测试框架，其弊端就是可能对你代码的要求比较高，要求你理解一些代码的运行逻辑，它本身更倾向于面向开发者的测试框架。
整体来说，每个平台它自己提供的测试框架，其实都不具有跨平台的能力，现在比较主流的具备跨平台能力是第三方的
Appium 这样一个框架，这个框架它本身是把各个平台的测试框架进行了整合，然后再进行封装，所以这种跨平台能力并没有实现技术上真正的跨平台。而且由于它做这些封装，支持很多语言，支持各种平台，它是一种基于协议的框架，这个框架就会导致代码的可维护性，相对来说比其他框架都要低。
总结一下传统框架都会存在的一些缺点。第一个就是跨平台能力比较差；第二个是跨应用能力也满足不了我们的需求。此外现在所有的测试框架都会有一个问题，就是系统对于
ID 的依赖性比较强，这个在之前问题不大，但是随着近期移动端技术的发展，移动端应用在发布的时候，会做一些资源
ID 混淆的事情，所以在每个版本里面 Android 的资源 ID 都会发生变化，这个时候你会发现你的测试的
ID 不断地变更，每个版本的测试代码都要进行维护。第四个是，由于要去捕捉控件，我们需要拿到控件对应的属性，这些属性很难直观去拿到，需要先
Dump 系统视图树出来，找到它的对应关系，才能够找到这些属性。相对来说，控件的捕获能力在我看来，是一个相对比较高的成本。还有一个问题就是，目前在所有的框架里面，在
Dump 系统树的过程中，都会存在一定级别的失败。
基于这些缺点，我们想要一个什么样的框架，才是理想的框架？我想象这种框架是一个支持所见即所得的自动化框架，什么是所见即所得？因为我们平时很多做
UI 测试的过程中，其实就是在模拟用户的操作。而用户在进行使用的时候，是不需要这些控件 ID 信息的，它是一种所见即所得的操作，所以如果我们的自动化测试框架里也能够做到这点，对测试代码的可维护性就会有个显著的提升，包括它的理解上也会变得轻松愉快。
其实行业里有一些人，之前也不断地做过一些这样的尝试，这个是早期的，在 PC 端的测试框架，叫 Sikuli。可能测试做得比较久的人会有一些涉猎，现在这个框架已经不维护了，它的特点，是把对应的界面进行截图，如果想要匹配某个元素的话，把某个部分进行截取，匹配对应的模块，完全通过图片匹配的方式，做对应区域的选取和验证。这个框架是
PC 时代的，现在已经不怎么维护了。
其实近期也有一些公司做过这样的尝试，例如，网易推出了一个比较火的框架 AirTest，这个框架本身能力比较强，一个很突出的特点也是基于图片截图匹配的方式。
这种完全基于图片匹配的方式存在很多不足。第一是准确率不足，不同手机分辨率情况下，或者手机存在一些色差的情况下，你会发现，你尝试截的那张图用来做测试用例，再去匹配新手机上的截图，经常匹配不上，就是准确率的问题。第二，截图的操作方式，肯定是构建不出层次结构的，它所有写的代码都是一层平级的概念。还有就是，由于我们是完全基于一张截图的方式，比如图片应用稍微发生一些界面上的变化，背景稍微发生一点变化，你会发现你都要重新截图，这个时候稳定性会变得很差。可以想象，这样的代码维护成本会变得比较高。
.jpg)
可以看一下平时交流过程中，你会是一个什么样的状况。我们在描述一个场景的时候，比如说点一下 tap
下面 VIP 按纽，或者点一下会员按纽，相对来说，在沟通过程中是一个比较直白的操作。当我们想要把这样的描述翻译成代码的时候，希望它是变成什么样的代码。我们进行一个简单的翻译，比如说前面点击会员按纽，就变成
find('tab').find('会员')，如果你要是写这样的代码，会发现代码维护性就会变得非常好。
要做这样的事情，需要具备什么样的能力。第一个就是我们要具备图像切割的能力，能切割对应的块出来。第二就是需要图像分类的能力，能够知道这块是什么东西。第三个需要
OCR 的文字识别能力，这个是由于我们没有去 Dump 一个系统树，所以不知道对应的视图里面有什么东西，要完全依赖图像
OCR 的识别能力，知道对应的视图里面有哪些文字。还有就是传统的图像相似度匹配能力。最后一个是像素点的操作，可以依赖传统的框架，比如给一个位置去做一些操作，也可以依赖一些机械臂来帮我们来完成像素点的操作。
深度学习带来的机会
在传统的技术框架里面，有一些能力得到满足，还有一些能力无法得到满足。这个时候，我们发现其实在深度学习技术发展过程中，它刚好能够帮完成一些之前的技术不能完成的任务。
这会给我们带来什么样的机会呢？第一个就是它的图像分类能力，可以看到这是李飞飞发起的 ImageNet
大型视觉分类挑战赛的结果。你会发现在 2012 年以前，也就是说在深度学习被引入到图像分类比赛之前，它的准确率一直在
75% 以下没有突破，但是在 2012 年，深度学习被引入到图像分类领域以后，它的准确率每一年都在提升，而且到最近一年，已经达到
98%、99% 的准确率，这个准确率意味着什么？因为之前看到过一些文章说，如果它的准确率提高到 95%
以上，就已经超过人类分辨图像的水平了，这是一个相当高的水平。
第二个是 OCR 的能力，我没有用一些行业的数据，而是和我们 OCR 团队做了一些尝试，他们给到一些数据。这里有两个指标，一个是它的完整准确率，一个是文字的准确率。完整的准确率是指，在一个截图里面，会有一些
title，会有一些词组，在一个 title 里面有一个字出现了错误，就认为这个 title 的识别是错误的，这就作为一条错误，这样的准确率能够达到
93%。文本的准确率，能够达到 98%。OCR 里面有一个比较重要的是召回率，整体的召回率在测试过程中是不太理想的，只有
70%-80% 这样的状态，但是在我们的应用场景里面，由于会做提前的预切割操作，给 OCR 的内容相当小的一个模块，整体来说对于它的召回率要求会更低一点。最后测试下来，它的确能够满足需求。
AIon 的诞生
有了这些技术基础以后，我们就去尝试 AIon 的框架。
做这个框架之前，肯定会去对比一下，行业有没有人做过类似这样的事情，有没有可参考的地方。其实发现，在做
UI 自动化测试框架的时候，它和我们现有的一个领域比较像，UI2Code 这样一个应用场景，把一个应用截图，或者把一个
UI 的设计图，通过图像识别的方式生成出对应的代码，这样的应用场景和通过图像识别，找到它的输入元素进行点击是很像的。在这个方面的尝试，就有很多的例子，比如说像
PixelToApp，是国外的一个大学，他们在 2012 年到 2014 年的时候发布了这样一个项目，这是一个用传统的图像处理技术完成的项目。它的主要流程是，先把图片逆向生成视图树，然后提取出对应的资源，根据前面的视图树和资源就能生成核心的应用代码。
这里最核心的部分，就是通过一个截图，逆向生成出来我们想要的视图树，因为这个视图树生成出来以后用来生成布局图，还是用来生成
APP，或者用来做测试点击，其实是一样的。
看下这里它是怎么做的，OCR 去识别出文本区域的位置，进行一个标记，再用图像识别技术，识别出对应元素的位置，同样也会生成布局图，再把这两个布局图进行融合，主要目的是提升最后布局的准确率，再对新的布局进行分析，比如说我们可以分析出它有没有列表，最后就会生成最终的布局文件，然后生成对应的
APP。
存在较多的问题：
第一个是它在复杂界面上的处理会比较难，文章里面用的图片相对来说会比较简单一点，但是实际应用中很多复杂场景，它根本处理不了。
第二是它应用传统的图像处理算法，一个比较大的问题是，它的阈值在不同的场景下需要不断调整，很难做到自动化。
第三是，很多算法在碰到一些问题的时候，它的瓶颈是很难突破的，跟我们前面图像分类的瓶颈是一样的，比较难突破。
第四是，由于它单个算法的瓶颈很难突破，可能会用很多算法，通过一种 filter 流的方式，让组合的方式达到更好的效果，这个时候会发现，你会叠加很多算法，最后整个代码的维护性会变得更差。
除了这种基于传统的图像处理技术之外，在深度学习以后，也有人做过这样的尝试，叫 Pix2Code，是一个比较知名的开源项目，跟我们现在图像识别里面图像理解的应用场景很像。给你一张图片，你告诉我，这个人是在打电话，还是在骑自行车。我们可以看见它构建了深度学习端对端的模型，这个模型相对来说会比较简单，它有两个输入，一个输入是图片的截图，另外一个输入是图片截图对应的布局描述文件，这个布局描述文件只是描述了布局里面的关键的视图节点，比我们真正的布局要简单很多。
第一步是先把对应的截图通过 CNN 网络生成特征向量，然后会把对应的布局描述文件切割成一个序列，序列的每一项先通过
LSTM 模块，也会同样生成特征向量，这个特征向量和之前的 CNN 的特征向量会进行级联，级联完成以后，再通过
LSTM 模块，再通过 softmax 进行一个分类，对当前的项进行预测。预测完了以后，它同时会把这个输出作为下一项的输入，这个模型相对来说会比较简单。且不说这个模型的好坏，但至少从准确率上来讲，它肯定是满足不了需求的，因为它的准确率只有
70% 左右。其实现在也有一些人在这个基础上，做过一些优化，比如西安交通大学之前就发过一篇论文，也是类似的这样，在它上面做了一些优化，这里就不做展开。
这样一个端对端的模型，它其实存在一些问题。第一个是从这个模型上来讲，它的准确度是不够的。第二如果这个模型的准确率达不到要求，就必须要重新构建一个模型，会发现它的成本相对比较高。第三，现在所有的深度学习里面都会碰到一个问题，就是它的训练素材标注成本高。另外，基于深度学习图像处理的技术，它在图像切割的准确度上是很难达到像素级的精确度，它的精确度也不能满足我们的需求。所以纯传统算法处理的和纯端对端深度学习的技术，都会存在一些问题。
AIon 是怎么做的？很简单，就是做了一个融合。
接下来看一下 AIon 是怎么做的。AIon 会把这样一个截图分切，切成几块以后会发现，TAB、导航、状态栏都会被切割出来，我们会用深度学习图像分类，对每一块进行分类识别，识别完了以后，就会把对应块里的子元素提取出来，再用一些
AI 的技术，提取里面的内容，把它填充到子元素的属性里面去，最后就会得到二级视图树的结构，然后就可以去做对应的点击操作。
这是一个简单的示例代码，可以从一个 TAB 里面找到一个叫热点的东西，它就可以实现我们前面说的操作。
整个测试框架它的核心流程是什么样的呢？
比如写了一个这样的测试用例，第一件事情是截屏，我们会对它进行场景判断，场景判断会应用到一些 AI
分类识别，就是会识别出当前界面有没有弹出对话，或者它是否是登陆页的场景识别。场景识别完了以后，就会进行传统的图像切割，图像切割完了以后，进行布局分类，布局分类也会应用到一些
AI 的技术，分类完了以后，进行子元素的提取，对这个子元素进行填充，填充会应用到一些 AI 的技术。
最后就是当视图树构建完了之后，我们就会匹配之前写的测试用例里面的条件，进行一些条件匹配，匹配完了以后，这个测试用例就可以去执行了，这就是我们整个
AIon 的核心流程。由于考虑到之前的一些测试用例，还有一些传统的测试框架写的测试用例，我们本身还做了对传统测试框架的融合。
整个流程以后，接下来介绍一下涉及到的一些技术性的问题。第一个就是在图像切割里面用到的一些算法，因为有一些传统的图像处理可能会应用到很多算法，不可能把所有的算法都给大家逐一介绍，这里给大家简单介绍其中一个算法。就是利用子元素布局的相似度来切割界面。
可以看到在这张图里面，要提取前面的头是比较简单的，但是如果我们要把这个头再进一步切割成下面三块，是有一定的难度的，这个时候应该怎么做？
首先把它切成四块，每一块之间都会有个比较清晰的分割，然后把对每一块子元素的分布进行元素提取，提取完了以后，再对提取完的特征进行一个处理，处理完了以后，用这个处理完的特征，计算它当前的上面两个块和下面两个块的相似度，计算相似度的过程中，会应用到一些子元素的数量、分布，还有一些当前界面的宽度信息，综合起来就有这样一个相似度。可以看到，这里它得出来的相似度是
85.6%，乍看起来，它的相似度还是很高的。
再看一下整体的三个相似度分别是多少，这张图切割出来会得到三个相似度，85.6%、99.4% 和 94.8%，在我们的定义里面，低于
99% 的都会不满足需求，所以会直接把中间这个满足需求的给去掉，其他不满足需求的就直接切割开来，这样就完成了这一块的切割。这是我们在传统算法里面的一些尝试。
我们在 AI 上也会有一些 AI 技术上的应用。
第一个就是在 AI 模型的选择，有一个最大的问题是模型的执行效率，和执行的性能上面会做均衡。早期一开始是选择
Google 的 Inception V3 这样一个网络，它的网络准确率相对来说还是比较高的，但是它现在有个问题，它的执行效率会比较慢，因为模型比较大也比较深。后面我们经过衡量，采用了
MobileNetV2 这样一个模型，相对来说它的执行效率会更高，但是它的准确率会稍微偏一点点，也是满足需求的。
除了分类模型的选择，我们在其他 AI 应用中也会碰到一些问题，也做过一些优化。
第一个就是这个素材分布不均的问题，因为有些元素相对来说是比较好截取，但有些素材因为它的场景比较少，这样的素材可能跑完了整个应用只有一两个，跑完四五个应用，发现只有十个，这样的场景对我们来说比较尴尬，这样的素材拿来训练肯定是有问题的。而我们就会通过一些方法去解决，第一个是通过脚本生成的方式，帮我们扩充很多素材。
第二个，我们会找更多的应用去截取图片，以扩充素材库。为什么用了脚本生成后，还会再去找更多应用呢？因为脚本生成是基于一些假设，而我们的假设是有一些局限性的，所以其实还是要基于更多的场景去截取更多的图片，所以会找更多的应用。通过这两种方式就能够找到比较均衡的训练素材的状态，然后就可以进行分类训练。
由于用的是迁移学习的方式，在迁移学习里面比较快速上手的方式就是 Top-layer 的方式，在 Top-layer
这样迁移学习的定义里面，我们会把网络模型中间的所有层都冻结，就是在训练的时候，这一段是不参与训练的，然后会把最后的分类层，替换成我们自己的分类层，只对最后分类层进行训练。这样的话，这种基于
Top-layer 的训练，已经能够达到比较好的效果。但是当我们想要把卷积率进一步提升的时候，就需要把训练的层次变得更多。比如我们之前全部冻结了，现在我们再放出两三层出来也参与训练，而这个时候训练层就会更多，这样准确率就会有一个更大的提升，这个相当于
Fine-tune 的训练模式。这样一个模式它碰到的问题是你需要更多的素材，这个在当前的过程中，也是需要均衡的问题，在素材有限的情况下，你会发现要做这个尝试，也是不太能满足需求，我们现在也还在扩充素材的过程中。
第三个是多结果并用，也是现在常用的一种方式，给一个原图，通过一个模型，就会得出想要的结果。还有没有其他的方式提升卷积率？还有一些比较好的方法，比如说可以把这张图，生成一张灰度图，再生成一张轮廓图，用灰度图、原图、轮廓图分别训练这个模型，模型在不同的图作为输入的时候，由于它的特征提取不太一致，有些图它的分类在灰度图的表现会变得更好，有些图在轮廓图里面的表现会更好，而这个情况下它会形成一个互补的关系，准确率也会得到一个比较好的提升。
其实除了在原图的输入素材上进行一些处理，还可以用更多的网络模型，我们选取了 ShuffleNet
轻量级的这样一个模型，这个时候就会产生大概六种输出结果，对结果进行最大概率的提取。最后的结果就会有一个比较显著的提升。
AIon 的优势与挑战
可以看一下整个测试框架，它本身存在哪些优势以及它会面临到哪些挑战。
第一个，我们再看一下第一张图，这就是刚开始看的这张图，AIon 这个框架在各个指标上的表现，都会比其他框架要好，比如说它的控件捕获肯定是低的，因为它完全是基于图像识别，它的跨平台能力是支持的，由于它不依赖
ID，它的稳定性也是比较高的。
总结一下，可以看到，它是一个可见且可得的模型，比较易于理解和开发。由于它对系统框架依赖会比较弱，到现在来说，它只依赖于我们对像素点的操作，跨平台能力就会比较强。由于它不依赖于
ID，所以不用担心由于 ID 混淆的问题，导致代码要不断更新。
第四个，由于只有两层视图树，而且比较直观，相对来说，它的空间捕获会比较简单。还有个好处是，它也可以做到无缝支持传统框架，这是它相对于现在框架存在的优势。
当然它也会有些不足的地方，也就是我们所要面临的挑战。第一个，由于技术选型的问题，它一定会面临准确率的问题，迁移出来的问题是样本数量不够的问题，而且这两个问题是比较有挑战的。除此之外，还有就是执行效率的问题，因为会跑很多模型，做图像切割，做图像分类，还有
OCR 这样的事情，你会发现它涉及的步骤很多，因为我们执行一个测试用例，时间肯定在一两秒，最多两三秒。要在一两秒之内，完成这么多操作，在执行效率上也是有一些挑战的。由于是元素提取的方式，当碰到和背景的融合度比较高的场景，你会发现它的前景的提取相对来说比较困难。
还有就是像特征值非常少的元素，最典型的就是文本输入框，很多文本输入框设计只有下面一条线，再好的情况，在聚焦的情况下会有光标，要基于这样的特征值，把它识别出来是输入框，难度相对来说比较大。还有一些悬浮元素的提取，悬浮元素和第四个碰到的问题是一样的，它在一些和背景元素融合度不是很高的情况下，也没有太大的问题，但是如果碰到一些场景和背景的元素融合非常深，这个时候它也会有一些问题。
AI 未来
今天主要讲了一下可以用 AI 帮我们解决之前一些传统框架可能会碰到的问题，即使传统的算法也会碰到一些算法，用了
AI 技术也会发现，这些问题都会得到比较好的解决。除此之外，我们在 AI，还有更多的畅想，除了这个事情以外，还能用
AI 做更多的事情。
第一，错误界面的识别，在所有的自动化测试过程中，都会碰到一个问题，比如某一个界面，某一个文字被遮盖住了，或者说这两个文本出现了重叠，或者出现一个大的空白，而这样的场景如果用传统的测试框架，去做验证相对来说是比较困难的，但是如果用我们的测试框架，就会发现你要做这个事情非常简单。可以很方便地帮你检测出一大段空白，文本重叠，文字覆盖这样的场景，甚至有些背景色不满足需求也可以帮你检测出来。
第二，子元素的 AI 识别，这是对我们框架的一个优化，对传统图像匹配技术的依赖性会更弱，我们要找搜索按纽的时候，就不用搜索按纽去匹配，只要给它一个搜索文字，这件事
APM 框架公司也在做。
第三，在应用的性能优化场景上也能做了一些事情，如果在客户端能够预测出用户下一个会进入某个页面，这个是通过用户行为分析，或者基于学习的话，是可以预测有多大概率会进入到那个界面的。如果你能预测出，它下面会进入哪一个界面，你会发现，对它进行预加载的话，整个应用的体验就会变得更好。
第四个，现在也是非常火的应用场景了，那就是 UI2Code，包括微软、阿里，还有多公司都在做这样的尝试，包括我们也在做这样的尝试，就是它可以把一张图片，逆向生成布局图出来。我们在自动化测试过程中还会录取一些视频信息，录取完视频信息以后，我们会在后面对视频信息进行分帧识别或者一些分析，而这个时候如果再引入
AI 技术，你会发现它能大大提升分析时候的准确率和人工参与度。
|
