乐趣区

CI做到90的行覆盖率真能发现BUG吗

阿里妹导读: 这么多的 CASE,花了大量时间和资源去运行,真能发现 BUG 吗?CI 做到 90% 的行覆盖率,能发现问题吗?测试用例越来越多,删一些,会不会就发现不了问题了?今天,我们谈谈如何评估测试用例的有效性?

我们的测试用例有两个比较关键的部分:

1)调用被测代码:例如下面的 RuleService.getLastRuleByClientId(ClientId)。
2)进行结果 Check:例如下面的 AssertEqual(OrderId,”ABCD1234″)。

TestCaseA
...
  RuleService.createRuleByClientId(ClientId,RuleDO);
  StringOrderId=RuleService.getLastRuleByClientId(ClientId);
...

TestCaseB
...
  RuleService.createRuleByClientId(ClientId,RuleDO);
  StringOrderId=OrderService.getLastOrderByClientId(ClientId);
  AssertEqual(OrderId,"ABCD1234");
...

我们希望一组测试用例不仅能够“触发被测代码的各种分支”,还能够做好结果校验。

  • 当业务代码出现问题的时候,测试用例可以发现这个问题,我们就认为这一组测试用例是有效的。
  • 当业务代码出现问题的时候,测试用例没能发现这个问题,我们就认为这一组测试用例是无效的。

我们对测试用例有效性的理论建模是:

测试有效性 = 被发现的问题数 / 出现问题的总数

为什么要评估测试用例的有效性?

测试用例有效性评估的方法?

基于故障复盘的模式成本太高,我们希望能够主动创造问题来评估测试用例的有效性。

我们找到了一种衡量“测试有效性”的方法,变异测试 (mutation testing):

变异测试的例子

我们用了一组测试用例(3 个),去测试一个判断分支。
而为了证明这一组测试用例的有效性,我们向业务代码中注入变异。我们把 b <100 的条件改成了 b <=100。

我们认为:

  • 一组 Success 的测试用例,在其被测对象发生变化后(注入变异后),应该至少有一个失败。
  • 如果这组测试用例仍然全部 Success,则这组测试用例的有效性不足。

通过变异测试的方式:让注入变异后的业务代码作为“测试用例”,来测试“测试代码”。

我们实现了多种规则,可以主动的注入下面这些变异:

如何优雅的评估测试有效性?

为了全自动的进行测试有效性评估,我们做了一个变异机器人,其主要运作是:

  1. 往被测代码中写入一个 BUG(即:变异);
  2. 执行测试;
  3. 把测试结果和无变异时的测试结果做比对,判断是否有新的用例失败;
  4. 重复 1 - 3 若干次,每次注入一个不同的 Bug;
  5. 统计该系统的“测试有效性”。

变异机器人的优点:

  1. 防错上线:变异是单独拉代码分支,且该代码分支永远不会上线,不影响生产。
  2. 全自动:只需要给出系统代码的 git 地址,即可进行评估,得到改进报告。
  3. 高效:数小时即可完成一个系统的测试有效性评估。
  4. 扩展性:该模式可以支持 JAVA 以及 JAVA 以外的多种语系。
  5. 适用性:该方法不仅适用于单元测试,还适用于其他自动化测试,例如接口测试、功能测试、集成测试。

变异机器人的使用门槛:

  1. 测试成功率:只会选择通过率 100% 的测试用例,所对应的业务代码做变异注入。
  2. 测试覆盖率:只会注入被测试代码覆盖的业务代码,测试覆盖率越高,评估越准确。

高配版变异机器人

我们正在打造的高配版变异机器人拥有三大核心竞争力:

分钟级的系统评估效率

为了保证评估的准确性,100 个变异将会执行全量用例 100 遍,每次执行时间长是一大痛点。

高配版变异机器人给出的解法:

  1. 并行注入:基于代码覆盖率,识别 UT 之间的代码覆盖依赖关系,将独立的变异合并到一次自动化测试中。
  2. 热部署:基于字节码做更新,减少变异和部署的过程。
  3. 精准测试:基于 UT 代码覆盖信息,只运行和本次变异相关的 UT(该方法不仅适用于 UT,还适用于其他自动化测试,例如接口测试、功能测试、集成测试)。

学习型注入经验库

为了避免“杀虫剂”效应,注入规则需要不断的完善。

高配版变异机器人给出的解法:故障学习,基于故障学习算法,不断学习历史的代码 BUG,并转化为注入经验。可学习型经验库目前覆盖蚂蚁金服的代码库,明年会覆盖开源社区。

兼容不稳定环境

集成测试环境会存在一定的不稳定,难以判断用例失败是因为“发现了变异”还是“环境出了问题”,导致测试有效性评估存在误差。

高配版变异机器人给出的解法:

  1. 高频跑:同样的变异跑 10 次,对多次结果进行统计分析,减少环境问题引起的偶发性问题。
  2. 环境问题自动定位:接入附属的日志服务,它会基于用例日志 / 系统错误日志构建的异常场景,自动学习“因环境问题导致的用例失败”,准确区分出用例是否发现变异。

落地效果如何?

我们在蚂蚁金服的一个部门进行了实验,得出了这样的数据:

换言之,几个系统的测试有效性为:系统 A 72%,系统 B 56%,系统 C 70%。

测试有效性 (%) = 1 – 未发现注入数 / 注入数

更多的测试有效性度量手段

基于代码注入的测试有效性度量,只是其中的一种方法,我们日常会用到的方法有这么几种:

  • 代码注入:向代码注入变异,看测试用例是否能发现该问题
  • 内存注入:修改 API 接口的返回内容,看测试用例是否能发现该问题
  • 静态扫描:扫描测试代码里是否做了 Assert 等判断,看 Assert 场景与被测代码分支的关系
  • … 还有更多其他的度量手段

Meet the testcase again

测试有效性可以作为基石,驱动很多事情向好发展:

  • 让测试用例变得更能发现问题。
  • 让无效用例可被识别、清理。
  • 创造一个让技术人员真正思考如何写好 TestCase 的质量文化。
  • 测试左移与敏捷的前置条件。
  • ……

写到最后,想起了同事给我讲的一个有趣的人生经历:

“大二期间在一家出版社编辑部实习,工作内容就是校对文稿中的各种类型的错误。编辑部考核校对质量的办法是,人为的事先在文稿中加入各种类型的错误,然后根据你的错误发现率来衡量,并计算实习工资。”

“你干得咋样?”

“我学习了他们的规则,写了个程序来查错,拿到了第一个满分”

“厉害了 …”

“第二个月就不行了,他们不搞错别字了,搞了一堆语法、语义、中心思想的错误 … 我就专心干活儿了”

“…”

殊途同归,其致一也。


本文作者:义理

阅读原文

本文来自云栖社区合作伙伴“阿里技术”,如需转载请联系原作者。

退出移动版