面向UI测试重用的技能自适应模仿学习
软件工程
2024-09-23 v1
摘要
为缓解手动编写用户界面(UI)测试用例的高额成本,UI测试迁移旨在通过适应源app中相似功能的目标移动应用(test cases)自动生成。传统方法将此过程视为顺序UI事件映射问题,依据事件的文本描述将源app中的事件映射到目标app中的事件。先前研究广泛关注提高NLP模型事件映射准确率。尽管大型语言模型(LLM)凭借强大的NLP能力表现出接近完美事件映射的潜力,但本文表明即便是高度准确的LLM事件映射也不足以解决源app与目标app之间实现差异,从而降低LLM驱动解决方案在UI测试迁移中的整体效果。为此,本文提出SAIL,一种技能自适应模仿学习框架,通过两种关键设计提升UI测试迁移效果:首先,SAIL将源测试用例作为示范,并采用多层次测试用例底层技能抽象,以提取源测试用例中的测试信息作为知识库,用于后续目标app测试生成;其次,SAIL选择性地复用所学技能,通过 novel 的 context- and history-aware skill adaptation 指导为目标app生成测试用例。虽然SAIL可与任何模仿学习技术实例化,但我们采用LLM的 in-context learning 能力进行实例化。评估结果表明,SAIL在UI测试迁移效果显著提升,成功率比当前最先进方法高出149%。
引用
@article{arxiv.2409.13311,
title = {Skill-Adpative Imitation Learning for UI Test Reuse},
author = {Mengzhou Wu and Hao Wang and Jun Ren and Yuan Cao and Yuetong Li and Alex Jiang and Dezhi Ran and Yitao Hu and Wei Yang and Tao Xie},
journal= {arXiv preprint arXiv:2409.13311},
year = {2024}
}