你每天跑这么多自动化用例，能发现BUG吗？
阿里QA导读：为什么要度量测试有效性？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%的行覆盖率了，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？怎么找出那些为了覆盖而覆盖，发现不了真正问题的测试用例？本文带您探索其中的奥秘。 |
什么是测试用例的有效性？
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：
往被测代码中写入一个BUG（即：变异）
执行测试
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
重复1-3若干次，每次注入一个不同的Bug
统计该系统的“测试有效性”
变异机器人的优点：
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。
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。
高效：数小时即可完成一个系统的测试有效性评估。
扩展性：该模式可以支持JAVA以及JAVA以外的多种语系。
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：
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。
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：
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。
热部署：基于字节码做更新，减少变异和部署的过程。
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：
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。
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。
关注「阿里巴巴技术质量」阅读更多