朝夕光年游戏自动化测试实践

朝夕光年游戏自动化测试实践_第1张图片

朝夕光年是面向全球用户与开发者的游戏研发与发行业务品牌,致力于服务全球玩家,帮助玩家在令人惊叹的虚拟世界中一起玩耍与创造。

在游戏的研发过程中,游戏自动化一直是开展难度较大的工程,具体包括机房机架、设备调度、软件框架、算法调校这些中台建设,复杂场景下还需要游戏项目本身的配合。

朝夕光年游戏自动化测试实践核心的工作思路是在自动化能力分解、自动化能力评估、自动化的成熟度、自动化测试全景。

经过这几年的测试实践,目前自动化在兼容性测试、稳定性测试、性能测试、多语言本地化测试、功能回归的部分需求中都有应用,此篇将聚焦分享朝夕光年在自动化能力分解、自动化能力评估、自动化的成熟度、自动化测试全景等四个方面的实践,期望能为行业内开展自动化工作提供思路以及给到对游戏行业/游戏自动化测试方向感兴趣的同学们一些启发。

内容纲要:

  • 自动化能力分解

  • 自动化能力评估

  • 自动化的成熟度

  • 自动化测试全景

自动化能力分解

自动化能力可以分解为驱动和检测两部分,每一部分可以对应多项子能力,把驱动和检测中各项子能力组合便形成自动化应用场景。这种思路化整为零有利于自动化工作的快速落地。

朝夕光年游戏自动化测试实践_第2张图片

朝夕光年游戏自动化测试实践_第3张图片

自动化能力评估

朝夕光年游戏自动化测试实践_第4张图片

召回率又称查全率,精确率又称查准率。一般来说,召回率和精确率二者不可兼得,导致在不同场景下注重指标不同。

自动化的成熟度

按照 Elfriede Dustin 等的“Automated Software Testing”,游戏自动化测试成熟度一般处于 L2。

L2:Incidental Automation

非主要的、附带的
 

回归遗漏明显降低,用例维护成本很高

- 自动化用例主要用作回归兜底,回归遗漏明显降低。

- 自动化用例模块化程度较低,复用性和维护成本很高。


存量分层覆盖,关注准出标准中的核心回归集

- 自动化用例的编写主要聚焦在存量分层覆盖,关注准出标准中的核心回归集。

- 场景级接口自动化全覆盖,其中较稳定场景也实现UI自动化覆盖。

- 用例的维护主要靠人工补充,需投入专项的人力编码回归自动化用例集。

实行双运行机制、面向回归兜底

- 自动化实行双运行机制:流水线触发、离线定时触发维护。

- 自动化主要面向回归兜底卡点,运行时长较短。回归卡点有初步效果,回归遗漏明显降低。


自动化和人工测试环境共用

- 有测试环境,自动化用例和人工测试共用,存在数据干扰,环境较不稳定。自动化用例失败有 50% 以上由环境原因导致。

- 测试环境的部署和更新大多是人工进行的。

测试数据和代码紧耦合

不具备自动化代码和测试数据分离的能力。验证逻辑和测试数据耦合在一起。验证逻辑相同,测试数据不同的情况下,依然需要编码大量的冗余用例。

有度量,不全面;无数据分析

- 建立了部分自动化度量指标,但不全面,且无法做横向对比。

- 会记录自动化发现的问题,但对自动化的过程和结果数据没有收集和分析。

用例版本化管理、有编码工具支持

- 有支持自动化用例编码的工具平台。

- 用例可以版本化管理。

- 缺乏完善的测试框架支持,用例编码成本较高,学习曲线陡峭。

具体来说,主要用在以下两个场景:

  1. 就算人工测试也很难覆盖的场景,这时更看重有效问题指标,有漏报也可接受。

  2. 可替代人工测试的场景,但是能保证召回率 100%,允许有误报,整体成本能比人工低。

自动化测试全景

朝夕光年游戏自动化测试实践_第5张图片

游戏自动化测试研究成果出来后,在通用驱动能力、通用检测能力、测试效率提升等三方面都带来不错的效果。

     通用驱动能力

通用驱动能力方面比较出圈的进展就是静态 UI 匹配、动态 UI 匹配、自动化兼容性等。静态 UI 匹配经常会遇到一套素材无法很好的在不同分辨率设备上匹配 UI,resize 次数太多,导致经常出现匹配不到或匹配错误的情况。

比如找到“同意”的 UI,第一张图为目标 UI 截图(分辨率为 2400*1080),第二张图为游戏截图(分辨率为 960*540)。

朝夕光年游戏自动化测试实践_第6张图片

那自动化测试就能实现使用最高分辨率手机对目标 UI 进行截图,优先使用特征点匹配,提高匹配相似度。改进方案后对比的图片相似度达到 0.928。

图片

图片

图片

传统图像识别流程:  

朝夕光年游戏自动化测试实践_第7张图片

朝夕光年游戏自动化测试实践_第8张图片

    使用游戏自动化测试模型使用流程:

朝夕光年游戏自动化测试实践_第9张图片

     通用检测能力

主要涉及深度学习图像测试和聚类筛选图像检测这两个方面。

深度学习图像测试:

利用深度学习训练的控件识别或者问题检测能力虽然不能完全替代人工,但是在过程要求不会太精确的测试场景能取得不错的效果,比如稳定性测试(智能 Monkey)、稳定运营的长尾项目测试等。

朝夕光年游戏自动化测试实践_第10张图片

能力 1:异形屏异常检测(控件识别)

朝夕光年游戏自动化测试实践_第11张图片

能力 2:色块检测

朝夕光年游戏自动化测试实践_第12张图片

能力 3:花屏检测

朝夕光年游戏自动化测试实践_第13张图片

能力 4:文字超框

朝夕光年游戏自动化测试实践_第14张图片

能力 5:文字重叠

朝夕光年游戏自动化测试实践_第15张图片

能力 6:翻译语种错误

聚类筛选图像检测:

发现美术资源效果在不同机型中表现不相同,若每个机型都要测试无疑工作量非常巨大,不适合在人工兼容性测试用例里覆盖,因此需要设计一套自动化资源测试方案来测试不同机型上游戏场景的美术资源,拦截表现不正确的机型 + 场景组合。

朝夕光年游戏自动化测试实践_第16张图片

基于游戏接口驱动游戏截图保存。将相同档次相近分辨率的设备进行分组,同一小组内相同场景序号的截图两两对比,基于“兼容性问题一般出现在非多数机型”认知下进行全自动聚类分析,从而拦截问题截图。

朝夕光年游戏自动化测试实践_第17张图片

     测试效率提升

主要是针对深度学习标注和测试素材录制这两方面。

深度学习标注:通过工具提供可视化的图片标注能力,为基于图像自动化能力提供统一的输入、标注、输出方式,提高人效与降低错误率。

测试素材录制:通过素材录制工具快速对游戏界面截图,并确定 UI 匹配区域、ROI 以及操作方法,让业务测试同学不用了解自动化框架也能够执行自动化跑测。

本期技术分享就到这里,欢迎更多热爱游戏与技术的同学们一起加入致力于帮助玩家在令人惊叹的虚拟世界中一起玩耍与创造的朝夕光年,一起通过朝夕努力,创造游戏光年!

你可能感兴趣的:(测试工具)