文章来源：本文节选自TesterHome社区爱好者合力编写的《2021接口测试白皮书》。
接口回归测试面临的问题
迭代形态及组织变化
迭代加快
在当今的互联网行业的形态背景下，产品需求迭代都愈加地追求快速交付流动，大部分公司都采用精益产品研发流程，那么在之家经销商bu内部，我们近2年的平均需求交付时间≈4天，而潜在的问题是，由于原自动化接口测试的开发/维护成本较高已追不上迭代，我们大部分的回归测试是被跳过的，更多要依赖开发人员水平+测试人员经验，所以一旦常规的节奏被打破（紧急需求插入、人员状态、人员变化等），回归缺失的问题就会暴露出来，而这种外来变化其实也越来越频繁。
项目/人员变更
随着公司内部布局的各种变化，也会产生一些项目交接/重组，或人员
技术演进
另外随着技术的不断演进，给日常接口回归测试也带来了多元角度的影响：
- 架构或应用内部代码的演进重构的过程本身（容器化、接口合并/
拆分/优化、数据源迁表/迁ES......），需要回归验证支撑。 - 服务节点多，只改了1个服务几行代码，可能需要验证所有调用方。
- 服务链条长，跨BU/服务调用多，通过Mock单服务测试不能独善其
身，集成/联调测试阶段问题多。 - 服务功能类型增多，技术类型需求增多，使用传统回归验证方式效率低，效果差。
解决方案分析
接口自动化vs流量回放
在前述背景下，我们引入了新的流量回放方式来进行接口回归来解决上述问题，使用上一个版本的响应情况作为基准，默认是正确的，然后与新版本的情况做对比，检查差异项是否为预期内。相比原有的接口自动化测试，这种测试方式的收益比要更高。整体方案
开源方案
当时的流量回放方案大概有 2 种，原理可以简述为：
• 基于 HTTP 接口纯黑盒的回放，如 Diffy。
拉取线上流量请求信息后，在部署了不同版本代码的 2 套测试环境进行 Http
接口的调用回放，实时或离线的比对接口的 response 响应的区别是否符合预期，来进行测试。代表的有 twitter 的 diffy 工具
• 基于代码方法级别的回放及验证，如 Repeater
方案分析
而结合我们实际诉求，以及方案的优缺点，进行匹配：
- 部门内.net 转 java 、接口合并等技术任务，需要这套方案能进行跨语言、平台的回归
- 需要能够兼并读+写接口的回归，即需要 Mock 或数据还原
- 需要能支持集成联调阶段，即对外真实的外部调用
基于分析，我们发现单独基于黑盒的方案，对写接口验证能力较弱（写接口对外只返回一个状态 ok），测试数据不稳定 case 类型偏移（如线上有数据的商家，在测试环境回放结果空）。而单独基于 Repeater 的方案，又只能支持单语言平台（不能支持.Net 转 java 的实际诉求），Mock 功能不能兼容有 IO 变化的迭代（只能匹配到已记录的 db 查询） 。
没有完美解决所有问题的银弹
经过综合考虑，最终确定：
• 对于读接口（80%）：自研 AutoDiff 进行黑盒流量回放测试。
• 对于写接口：使用 Reapeater 进行回放测试。而其他仍不能支持的写接口场景（如有 io 变更、跨语言等情景）再进行常规的接口自动化测试或手工测试。
底层写接口方案，是基于 Repeater 进行二开和包装，录制数据上报 kafka
核心问题解决
写接口(Repeater)回放原理
Repeater 是阿里基于 JVM SANDBOX 开发的一套开源框架，核心功能是提供了通用录制回放能力，其官方介绍：
无侵入式录制 HTTP/Java/Dubbo 入参/返回值录制能力（业务系统无感知） ；
基于 TTL 提供多线程子调用追踪，完整追踪一次请求的调用路径 ；
入口请求（HTTP/Dubbo/Java）流量回放、子调用（Java/Dubbo）返回值 Mock 能力。
也就是说 Repeater 基于 sandbox 提供的能力，可以记录到 Java 方法级调用的入参、返回值、调用顺序等信息，并把外部调用的入口请求，定义为入口调用(比如 http 接口默认将 Httpservlet 的拦截作为入口调用)，而将该次请求所产生的下游调用，称为子调用，流量的录制过程就是把入口调用和子调用绑定成一次完整的记录。
具体哪些下游方法调用会被记录下来，可以由埋点插件自定义，应用于业务时，一般会将 Dao 外部 IO 层调用的 Java 方法进行埋点，拦截录制，比如数据库查询或外部接口调用的返回结果实体。录制下流量后，在回放时，会重放入口调用，并在运行时从录制的子调用中根据 MockStrategy 搜索匹配的子调用，如果有调用到已录制的子调用，则进行 throwReturnImmediately 返回录制时记录的返回值，没有匹配结果则抛出异常阻断流程。
而针对需要录制的下游方法调用类型，官方已提供了若干常用的插件，在落地过程中针对我们部门内部常用的组件，补充了若干插件的开发，截至 21 年中旬支持的插件大概有：降噪处理
在流量回放测试（可以说是所有接口自动化测试）落地中，误报率一直是生命线一般的指标值，同时影响着稳定性、结果可信度、排查时间等，是至关重要的一项指标。
读接口-智能去噪
对于黑盒的读接口方案，误报最大的因素是噪音，在实际测试中，大部分的接口 response 都会包含一些时间戳或者广告 pvid 等字段，每次请求生成的都不一样，导致比对不一致报错，但其实业务上并没有问题，有的项目甚至所有 100% 的 case 都会因此报错。比如下面这几种：
可以看到噪音字段的种类、字段名多种多样，不同项目光时间戳的字段就有 cdntime、timespan、timestamp 等，只提供人工配置忽略的话，非常繁琐耗时不可接受。
针对噪音字段的特性是，这些字段的变更并非本次变更所导致，也就是说即使本次代码没有变更，同样的环境，多次刷新下，这个字段值也会变。
由此我们将黑盒回放的过程进行了优化，由原来的新旧代码各请求 1 次，优化为会对旧代码环境请求 2 次，将差异的字段记录下来，就可以认为是我们想要忽略的噪音，在和新代码环境响应进行比对时过滤掉，剩余的差异才是真实代码差异所导致的变更。同时也支持人工配置的指定字段。为了进一步优化这个机制的效果，减少出现 “请求 2 次旧代码的时候这个字段没变，但请求新代码的时候正好变了，比如秒级时间戳” 的偶发事件，请求顺序需要固定为： 请求旧代码-->请求新代码-->请求旧代码。
这样，如果 2 次请求旧代码时间戳变了那它会被识别为噪音没问题；而如果 2 次请求旧代码时间戳没变，那么时间是流逝的，夹在中间请求的新代码时间戳必然也是一致的，这样该字段就不在差异范围。
而对于对相同代码环境请求 2 次时，哪些类型的 response 差异可以被标识为噪音，主要考虑了以下几种：
• json 节点 value 不同：是噪音。此类差异被识别为噪音的差异项，将记录这些节点 jsonpath，并在新、老代码报文比对时进行忽略。
• json 节点 key 不同：不视为噪音，虽然我们的大前提是连续 2 次请
求线上代码环境，但可有可能因环境或第三方问题造成某次请求报文结构不同，我们的目的是识别噪音用于后期忽略，为了防止误加，此类差异，不会视为噪音。
• json 数组个数不同：不视为噪音，理由同上，因为不是叶子节点，
而是数组某个元素的话有可能比较大的节点，直接作为噪音去忽略的话，很有可能造成最终漏报。但仍有一些情况是推荐类接口，有可能第一次推荐 3 条内容、第二次推荐 4 条内容，这种情况下数组个数在业务上是应该被视为噪音的，但目前没有对此进行特殊识别。
• json 数组顺序不同：是噪音，主要出现于部分推荐接口，或不关心列表排序的接口。
• http 层响应码、响应头不同：是噪音（由于大部分项目功能测试不
关心头信息，所以 AutoDiff 中，默认不比对头，只有配置了要比对头的项目，才会提供这部分的检查及去噪）
读接口方案引入这套去噪机制后，效果显著，如果是带有时间戳的项目，报错率可以由>90%降到<10%。
而仍存在的误报，主要是推荐类业务的 List 接口，目前无法解决，即接口业务上每次会推荐数据不同的数据，这种类型的接口可以设置根据 schema 比对，但为了不漏报，故没有进行固定忽略。
写接口-完善 Mock
对于基于 Repeater 的写接口方案，由于其自带的 Mock 支持，出现噪音的
场景与原因与黑盒并不相同。比如上面提到的推荐数据变更导致的误报，在
Repeater 中开启 Mock 后并不存在（查询时会返回录制的数据，并不会真实重复查询）。
但 Repeater 方案中，因 response 内包含的时间戳等字段不一致导致的误报，
除此外，我们还不同问题进行针对优化，如下移原 mybatis 插件的 insert
埋点，用于解决 response 内回显插入数据主键 id 场景下，回放值为 null 的误报问题等。
而目前还存在的误报，主要是会因新老版本代码逻辑变化，子查询无法匹配
用例计算
那么在提高用例质量方面，我们设置了一套组合的测试用例生成规则，生成
时可以按照以下几个规则，分别提取指定数量的 case，合并成一份 case，兼顾时效、与覆盖等维度，相互弥补：
**A.近期日志测试（保证时效+随机性） **
**B.人工录入（支持重要/打底场景） **
直接添加录入，或导入 txt，用于创建部分打底的 case
**C.精准提取（高覆盖低冗余） **
提取日志时，按照一定规则对同一接口的流量，进行分类，根据配置的每个接口所需条数，尽量返回更多不同类的。分类依据有如下：
1）url 参数
根据 url 的参数组合及值进行处理，清洗掉无关的参数等后，进行类似如图的分组后平均提取，后续会继续补充一些针对参数值的定制化规则。
2）response
根据历史录制/回放过的流量 response，按照是否 json，$.result 节点的类型进行一层大类的分类，然后不同大类选择不同的特征项，对流量进行标注，并具体计算出具体的特征坐标值。
在生成流量时，每大类都按照 Kmean 算法聚类，对于异常的大类，类簇 k 最多 2 类，然后每个聚类平均提取。
3）方法调用链覆盖情况
计划可以结合 jacoco，对流量覆盖的方法进行记录，并将覆盖路径相同的 case 标识为同类的 case。目前还在计划中。
**D.参数化生成（满足部分单接口专项） **
录入某条种子请求，将需要参数化的值以{series}&withEqid=true&${cidAnddid}
POST--
并分别录入每个参数（如 series、cidAnddid）的数据文件，执行时将按照各参数值，生成笛卡尔积的 case 集合。
用以支撑线上数据量覆盖不全或希望全量测试，需根据 db 内现有数据构造生成 case 等情况。
跨平台、跨接口比对
在前述提到如.net 迁 java 项目接口、接口优化等的各类需要做回归验证的技术任务中，常常伴随着新老版本的接口不能直接比对的情况，比如下图的 2 个新旧版本 json 响应：由于 2 套新旧代码模板定义的接口 protocol 不同，导致结果内容存在了不
同节点。如果直接比对一定是会报错，所以我们在对比时进行了提取配置，分别将.result.list 进行提取，然后再进行比对就满足了这些有变化的场景。
**跨接口场景（接口合并/拆分/优化等类型的变更） **
那么如果上面的场景支持了，其实完全不同的 2 个接口，也是可以通过这个思路，可以将相同业务逻辑的字段，进行自定义映射关系的配置，进行提取，将
2 个响应都转化为相同的结构，然后即可进行后续的比对以及可视化的结果展示。
比如我们有一个活动车型列表接口 A，与另一个业务线的接口 B，返回的车
转化后的 json 结构是相同的，可以清晰的从 2 个完全不同的接口中，只提
取展示看到我们关心的差异，然后将 2 份新的样本（具有相同结构）进行比对，相比针对每个需求单独编写接口自动化测试代码更为直接简单。
闭环功能
除了上面一些核心问题的解决，也需要提供配套的闭环辅助功能，以及各功能的易用优化，使工具达到更加快速、高覆盖的目标。
比如写接口的报告可以清晰的切换查看 response，以及子调用的详情。读接口的报告将所有 case 集成在一个报告中，可视化的 diff 信息、便捷的设置入口、支持持键盘↑↓键切换查看、切换查看原始/处理后的 response。。。目前下一步计划还可以从报错聚合分析和展示方面，进行一些优化。
效果评估方式
对于整个方案的效果评估，我们从 3 个角度进行了分析，基于这些指标进行定时的观察，以便于后续的计划与跟踪：
业务价值
实际落地后，为部门解决的问题，或者创造的业务价值。对于测试工具，更多的是结合我们当前部门业务特点、技术、以及质保体系的情况，痛点情况来评估引入 Autodiff 流量回放后创建的价值：
- 解决弥补了部门内原来回归测试随机开展的问题。为 90+个后端服务提供需求交付的回归测试保障。
2.为原先因无法全量测试而不敢进行的技术任务，提供了有力支撑。
全年共计支持 15000 +次回归测试，50+次技术专项任务。共计回归约 440 万 条用例 , 在各阶段拦截 100+ 个问题，节省人力约 4 人年。
运营推广情况
工具的落地推广运营部分，我们主要考虑统计了：常用项目接入率（数）、常用接口接入率、项目平均 case 数、已接入项目日常发版执行率、代码覆盖率。
工具本身
在工具本身的能力情况方面，根据我们对这套回归测试工具核心的期许：
能够快速、高覆盖的完成集成回归测试，对相应的观察指标进行拆解。
快速部分的指标可以拆解出：接入时间、执行时间、维护时间（用例拉取/ 维护）、排查时间（千条 case 时间）；
高覆盖部分可以拆解为：能覆盖的诉求场景以及测试类型、代码覆盖率高、实际业务场景覆盖率高；
以上过程指标有的可以直接统计，有的不能直接观察统计，可以采取定期访谈的方式，或者替换拆解为其他二级指标，如排查时间更多的用误报率代替。
效果评估方式
基于前述几个方向的指标持续观察，我们下一步会继续优化功能：
- 用例的精准化生成，提高覆盖率，减少维护成本；
- 报错聚合，减少排查时间；
- 尽量能覆盖更多的诉求场景或测试类型；
本文节选自Testerhome社区爱好者合力编写的《2021接口测试白皮书》，点击链接可查看并下载完整版《2021接口测试白皮书》。
想要学习更多关于测试/测试开发技术、测试管理和质量保障的干货知识？
想要结识质量行业大牛和业界精英？
欢迎关注第十届中国互联网测试开发大会·深圳站 >>