| 编辑推荐: |
本文主要介绍使用AI面对和解决的问题是什么、AI带来的曙光、使用了哪些技术，效果是怎么样的及对未来的展望，希望对您的学习有所帮助。
本文来自于搜狐，由Linda编辑、推荐。 |
|
UI自动化测试的问题
从业务角度看自动化测试，看到的东西仅仅是冰山浮在水面上的一小部分，而在自动化测试深入的过程中，会发现有很多看不见的坑在冰山下面。
1 自动化测试的复杂度障碍
举一个例子来说明， UI自动化测试工具首要要解决的是识别UI中的各个元素，因为安卓、iOS、Windows这样的操作系统有非常不同的表现逻辑，导致测试工具要针对不同的平台区分不同版本的工具，QTA测试工具也是按照这种结构去划分的。这是在冰山之上很显而易见的部分。
（冰山之上）
但是随着新技术的发展，越来越多的研发框架引入，如网页渲染、UI引擎甚至3D渲染引擎接连出现。这些数量繁多的开发框架，因为实现原理不同，在自动化测试过程中都会出现很多问题。
（冰山之下）
因为技术繁多，会让负责自动化测试工具的同学很受挫折，每一项技术都需要针对性的方案去解决，又面对非常多的场景要考虑兼容通用。
如下面的例子，一个软件界面，在人眼中看到的是完整的样子，但在UI自动化工具眼中，就要拆分成多个不同的模块使用不同技术来识别。
这是一个混合客户端的例子，但在现实中往往会发现，在一个界面中，经常会混合很多种渲染技术。每当一个新的UI渲染技术出现，自动化工具都要进行适配，这样下来不仅成本会非常高，也是一件很难做兼容的事情。这样就给自动化测试工具带来了无尽的挑战，是自动化工具开发遇到的困难点。
2 自动化测试同质元素识别障碍
第二个例子是一个闹钟应用的界面，但是在控件树上看起来，却因为区分不出内容，而只能把每一个时间元素同等对待。工具没有好办法来识别哪一个条目是北京的闹钟。
虽然通过无障碍化产品设计的方式，可以部分解决这一问题，但取决于产品的定位，并不是每一个产品都会支持到无障碍化。除了无障碍之外，出现了很多例如React之类的响应式布局，开发在写代码时，很难预料实际运行时的UI结构，更难在开发时提供给测试使用的UI数据结构。这样一来，又给自动化测试增加了难度。
3 自动化测试成效问题
在谈到自动化测试时，很多同学提到投入产出比。成效是推行自动化测试很重要的问题。
如上图，纵坐标是自动化测试的投入度，横坐标是随着产品演进过程的投入时间。自动化测试有两种投入方式，分别是脚本式和录制回放式。脚本式在项目初期投入较高，而后会随着产品的功能逐渐完善而逐渐降低维护成本。但业务往往由于脚本式自动化测试初期投入过高，而选择初期比较简单上手的录制回放式方案。而录制回放式方法由于界面变动就需要重新录制脚本，导致后续版本要投入与之前相同的工作量，而无法最终收敛。
另外一种场景，业务选择了脚本式自动化测试方案。但是投入并不彻底，导致随着功能开发迭代，自动化测试脚本的维护工作量并不收敛。这代表这次自动化测试的实施是失败的。如下图：
这其中的原因，最可能是没有做好自动化测试的变更管理——变化是影响UI自动化测试成效的关键因素。
控件识别和定位技术是自动化测试技术的关键难题
把以上三个问题做一下归纳，会发现自动化测试一个核心需要攻破的难点，那就是控件识别和定位。它是影响自动化测试成效的关键因素之一。
AI带来的曙光
QTA所做的AI尝试
QTA是在SNG跑了很多年的自动化测试平台，已经接入了170个活跃的公司产品和项目。仅2018年Q1，就自动化执行了一百四十万个测试任务、五千万个用例，按成时间平均每秒就有3个用例被执行。这些数据基础，为QTA引入AI技术提供了可靠的数据来源。
QTAMetis就是为了解决控件识别和定位技术这一关键难题，而引入AI优化能力。
（传统自动化测试识别和定位）
（Metis AI自动化测试识别和定位）
应用成熟的目标检测技术，可以看到Metis已经成功的把对象定位出来。而后通过分类器，把每一个元素分类和识别出来，例如哪些是可以点击的按钮，哪些是一个图片区域。然后通过OCR技术，把原件中对应的文本提取出来；如果是Logo，则通过图片的分类器把对应的Logo类型分类出来，而映射为特定的文本。
可以看到，这一实现结果和人看到的是一样的，与人类的认知相仿。已经基本脱离了APP本身的代码实现，也不需要再关注应用后面的UI实现技术，可以解决文章前面所述的几个问题。
同时还有另一个好处，比如某一个控件在新版本换了位置，对自动化测试没有任何影响。在成效方面，也减少了变更时增加的维护量。
在这种技术下，自动化测试脚本变得简单化：
（更接近自然语言的自动化测试脚本）
脚本所实现的自动化测试效果，视频速度减慢15倍）
实际测试的速度会比视频快很多，虽然过程中出现一些误报，但80%的情况下已经能够满足自动化的要求。
（传统UI自动化测试与Metis的区别）
可以看到，AI已经可以使自动化测试实现一个质的飞跃。
但就像电动汽车尚未在马路上普及一样，在使用的时候还有若干个问题。
比如下图的界面，联系人有两个，容易导致AI混淆而进行误操作。
我们人之所以知道用哪个联系人，是因为人类有先前的知识积累，但是AI并没有类似的经验，导致没法分辨。
第二个问题，并不是全部的Logo都能识别出来，特别对于业务自定义的Logo和图案，识别的成本非常高。例如下图中用户自定义的厘米秀按钮：
为了解决这些问题，就像电动汽车很多车型采用混动技术一样，QTA采用了传统方式和Metis混用的方法，一定程度上补足了AI暂时性的不足。用户可以任意搭配传统和AI的方式。
第二种方式是把AI和算法混合，例如厘米秀，通过维护一系列相近的图片，使用模式匹配技术进行图片识别和认定，还是有一定的工作量会影响到自动化测试脚本编写者的使用体验。
小结一下QTA Metis所应用的主要技术：
第一是由海量脚本UI逻辑数据进行的大数据；第二是AI对象识别技术，包含OCR以及图像的分类；第三是AI目标检测技术，实时的检测每一个对象，并对每个对象进行分类。经过如上技术，让UI自动化测试“看得见”。
CSIG研发工具体系
QTA是 CSIG 的研发工具体系中的一部分，负责自动化测试，CSIG 体系中还有很多有用的工具，比如做代码扫描的CodeDog，以及致力于DevOps打通的持续集成流水线QCI等，也欢迎大家深入了解。
（CSIG 研发工具体系） |
