SUPERNOVA：基于风险测试与机器学习在 3A 级电子游戏中实现测试选择与缺陷预防的自动化

随着传统方法无法随软件系统规模扩展，电子游戏测试日益困难。手动测试是劳动密集型过程，因此很快变得成本 prohibitive。使用脚本进行自动化测试虽成本低，但脚本在非确定性环境中无效，且何时运行每项测试本身亦是难题。现代游戏的复杂性、规模与玩家期望快速增长，质量控制占生产成本与交付风险的很大比重。降低该风险并完成制作是当前行业的一大挑战。为使制作成本在发售前及发售後保持合理，我们聚焦于预防性质量保证策略，并结合测试与数据分析自动化。我们提出 SUPERNOVA（面向软件异常新型客观验证的外部仓库测试选择与通用缺陷预防，Selection of tests and Universal defect Prevention in External Repositories for Novel Objective Verification of software Anomalies），一种负责测试选择与缺陷预防并兼作自动化枢纽的系统。通过集成数据分析功能与机器及深度学习能力，SUPERNOVA 协助质量保证测试人员发现缺陷、开发人员减少缺陷，从而提升制作周期稳定性并控制测试成本。据观测，其直接影响为一款已发售的未具名体育游戏在使用这些测试选择优化后测试工时减少 55% 以上。此外，利用半监督机器学习模型生成的风险分数，我们得以 71% 准确率与 77% 召回率检测变更列表引入缺陷的概率，并向开发人员提供该推断的详细分解。这些努力改善了工作流并减少了在研游戏所需的测试工时。