使用智能强化学习驱动的测试代理进行性能测试

旨在生成高效且有效的工作负载以识别性能问题的性能测试具有挑战性。许多自动化方法主要依赖分析系统模型、源代码或提取系统执行期间的使用模式。然而，此类信息与制品并非总是可用。此外，生成工作负载中的各事务对系统性能的影响并不相同，精细调节的工作负载可高效地达成测试目标。无模型强化学习广泛用于在不依赖系统模型的情况下寻找完成目标的最优行为，以解决众多决策问题。本文提出，若测试代理能学习生成满足测试目标的测试工作负载的最优策略（方式），则无需依赖系统模型或源代码即可实现高效测试自动化。我们提出一种自适应强化学习驱动的压力测试代理 RELOAD，其学习用于测试工作负载生成的最优策略，并高效生成有效工作负载以满足测试目标。一旦代理学到最优策略，便可在后续测试活动中复用该策略。实验表明，与常见负载测试流程相比，所提智能负载测试代理能以更低的测试成本达成测试目标，并带来更高的测试效率。