關(guān)于大模型在軟件測試領(lǐng)域應(yīng)用的全面綜述

大模型（LLM）由于其卓越的自然語言理解、推理等能力，已經(jīng)被應(yīng)用于各種場景，取得了前所未有的效果。

類似的，軟件測試領(lǐng)域也受益于其強大的能力，能夠幫助生成逼真且多樣化測試輸入、模擬各種異常、加速缺陷的發(fā)現(xiàn)，提升測試效率和軟件質(zhì)量。

來自中國科學(xué)院軟件研究所、澳大利亞Monash大學(xué)、加拿大York大學(xué)的研究團隊收集了截止到2023年10月30日發(fā)表的102篇相關(guān)論文，并分別從軟件測試和大模型視角進(jìn)行了全面分析，總結(jié)出一篇關(guān)于大模型在軟件測試領(lǐng)域應(yīng)用的全面綜述。

研究發(fā)現(xiàn)一覽圖是這樣的（兩個不同視角：測試、LLM）：

詳細(xì)內(nèi)容我們接著往下看。

從軟件測試的視角來看

首先，研究人員從軟件測試的角度進(jìn)行了分析，并將收集到的研究工作按照測試任務(wù)進(jìn)行組織。

如下圖所示，大模型的應(yīng)用主要集中在軟件測試生命周期的后段，用于測試用例準(zhǔn)備（包括單元測試用例生成、測試預(yù)言生成、系統(tǒng)級測試輸入生成）、測試報告分析、程序調(diào)試和修復(fù)等任務(wù)。然而，在測試生命周期的早期任務(wù)（如測試需求、測試計劃等）上，目前還沒有使用大語言模型的相關(guān)工作。

進(jìn)一步地，研究人員還對大模型在各種軟件測試任務(wù)上的應(yīng)用進(jìn)行了詳細(xì)分析。

以單元測試用例生成為例，單元測試用例生成任務(wù)主要涉及為獨立的軟件或組件單元編寫測試用例，以確保它們的正確性。傳統(tǒng)的基于搜索、約束或隨機的生成技術(shù)存在著測試用例覆蓋率弱或可讀性差的問題。

引入LLM后，相對于傳統(tǒng)方法，大模型不僅能夠更好地理解領(lǐng)域知識以生成更準(zhǔn)確的測試用例，而且還可以理解軟件項目和代碼上下文的信息，從而生成更全面的測試用例。

對于系統(tǒng)級測試輸入，模糊測試作為常用技術(shù)，主要圍繞著生成無效、意外或隨機的測試輸入來達(dá)到測試的目的，研究人員也詳細(xì)分析了大模型如何改進(jìn)傳統(tǒng)模糊測試技術(shù)。

例如有研究提出通用模糊測試框架Fuzz4All、ChatFuzz等，也有研究專注于特定軟件開發(fā)基于大模型的模糊測試技術(shù)，包括深度學(xué)習(xí)庫、編譯器、求解器、移動應(yīng)用、信息物理系統(tǒng)等。

這些研究的一個關(guān)注重點是生成多樣化的測試輸入，以實現(xiàn)更高的覆蓋率，通常通過將變異技術(shù)與基于大模型的生成相結(jié)合來實現(xiàn)；另一個關(guān)注重點是生成可以更早觸發(fā)錯誤的測試輸入，常見做法是收集歷史上觸發(fā)錯誤的程序來對大模型進(jìn)行微調(diào)或?qū)⑵渥鳛檠菔境绦蛟诓樵兇竽Ｐ蜁r使用。

論文中對于各種研究的技術(shù)思路有更為詳細(xì)地介紹和比較。

從大模型的視角來看

隨后，研究人員再從大模型的視角出發(fā)，分析了軟件測試任務(wù)中選用的大模型，并進(jìn)一步介紹了如何讓大模型適應(yīng)測試任務(wù)，包括提示工程技術(shù)、大模型的輸入以及與傳統(tǒng)測試技術(shù)的結(jié)合使用。

在所選用的大模型方面，如下圖所示，最常用的前三種大模型分別是ChatGPT、Codex和CodeT5。后兩種是專門在多種編程語言的代碼語料庫上訓(xùn)練得到的大模型，能夠根據(jù)自然語言描述生成完整的代碼片段，因此非常適合涉及源代碼的測試任務(wù)，如測試用例生成、缺陷修復(fù)。

此外，雖然已經(jīng)有14個研究使用GPT-4（排名第四），但是GPT-4作為一種多模態(tài)大模型，研究人員表示尚未發(fā)現(xiàn)相關(guān)研究探索軟件測試任務(wù)中利用其圖像相關(guān)功能（例如UI截圖、編程演示），這值得在未來研究中探索。（編者注：其實是可以的，編者曾做過相關(guān)的實驗）

在如何調(diào)整大模型行為以勝任軟件測試任務(wù)方面，主要有預(yù)訓(xùn)練或微調(diào)和提示工程兩種技術(shù)手段。

如下圖所示，有38項研究使用了預(yù)訓(xùn)練或微調(diào)模式以微調(diào)大模型的行為，而64項研究則使用了提示工程來引導(dǎo)大模型達(dá)到預(yù)期的結(jié)果。

提示工程技術(shù)的主要優(yōu)勢在于無需更新模型權(quán)重也能讓大模型適應(yīng)特定領(lǐng)域和任務(wù)，并強化大模型的理解和推理能力，目前已經(jīng)采用的技術(shù)包括零樣本或少樣本學(xué)習(xí)、自我一致性、思維鏈、自動提示等技術(shù)。

此外，研究人員發(fā)現(xiàn)有35項研究在運用大模型之上，還結(jié)合了傳統(tǒng)測試技術(shù)，包括變異測試、差分測試、程序分析、統(tǒng)計分析等，以取得更好的測試有效性和覆蓋率。

雖然大模型在各種任務(wù)中表現(xiàn)出巨大的潛力，但仍然存在一些局限性，如難以理解和處理復(fù)雜的程序結(jié)構(gòu)。

因此，將大模型與其他技術(shù)結(jié)合起來，以最大程度地發(fā)揮它們的優(yōu)勢和避免劣勢，從而在特定情況下實現(xiàn)更好的結(jié)果，例如生成更多樣化和復(fù)雜的代碼，更好地模擬真實場景。

用大模型找Bug還有哪些挑戰(zhàn)？

過去兩年中，利用大模型進(jìn)行軟件測試已經(jīng)有了很多成功的實踐。然而，研究人員指出它仍處于早期發(fā)展階段，還有許多挑戰(zhàn)和未解決問題需要探索。

挑戰(zhàn)1：實現(xiàn)高覆蓋率的挑戰(zhàn)

探索被測試軟件的多樣行為以實現(xiàn)高覆蓋率始終是軟件測試的重要關(guān)注點。大模型直接實現(xiàn)所需的多樣性仍然具有很大挑戰(zhàn)，例如單元測試用例生成中，在SF110數(shù)據(jù)集上，行覆蓋率僅為2％，分支覆蓋率僅為1％。

在系統(tǒng)測試輸入生成方面，對于面向深度學(xué)習(xí)庫的模糊測試，TensorFlow的API覆蓋率為66％（2215/3316）。已有工作通常將變異測試與大模型結(jié)合使用，以生成更多樣化的輸出。

其他潛在的研究方向涉及利用測試相關(guān)的數(shù)據(jù)來訓(xùn)練或微調(diào)能夠理解測試特性的專用大模型，可以理解測試要求，自主地生成多樣化的輸出。

挑戰(zhàn)2：測試預(yù)言的挑戰(zhàn)

測試預(yù)言問題一直是各種測試應(yīng)用面臨的挑戰(zhàn)，已有工作常見做法是將其轉(zhuǎn)化為更容易獲取的形式，通常通過差分測試來實現(xiàn)或僅關(guān)注容易自動識別的測試預(yù)言（例如崩潰類錯誤），雖然取得了不錯效果，但僅適用于少數(shù)情況。

探索利用大模型解決其他類型的測試預(yù)言問題是非常有價值的。

例如，蛻變測試也是常用的緩解測試預(yù)言問題的技術(shù)，可以探索結(jié)合人機交互或領(lǐng)域知識自動產(chǎn)生蛻變關(guān)系，還可探索大模型自動生成基于蛻變關(guān)系的測試用例，覆蓋各類輸入。進(jìn)一步，像GPT-4這樣的多模態(tài)大模型也為檢測用戶界面相關(guān)缺陷并輔助推導(dǎo)測試預(yù)言提供了可能性。

挑戰(zhàn)3：精準(zhǔn)評估性能的挑戰(zhàn)

缺乏基準(zhǔn)數(shù)據(jù)集和基于大模型技術(shù)潛在的數(shù)據(jù)泄漏問題給進(jìn)行嚴(yán)格和全面的性能評估帶來了挑戰(zhàn)。研究人員通過檢查訓(xùn)練大模型的數(shù)據(jù)源CodeSearchNet和BigQuery，發(fā)現(xiàn)Defect4J基準(zhǔn)數(shù)據(jù)集中使用的四個代碼庫同時包含在CodeSearchNet中，并且整個Defects4J代碼庫都包含在BigQuery中。

因此，大模型在預(yù)訓(xùn)練過程中已經(jīng)見過現(xiàn)有的程序修復(fù)基準(zhǔn)數(shù)據(jù)集，存在嚴(yán)重的數(shù)據(jù)泄露問題。所以，需要構(gòu)建更專門和多樣化的基準(zhǔn)數(shù)據(jù)集，并采取措施防止數(shù)據(jù)泄漏。

挑戰(zhàn)4：用于現(xiàn)實項目的挑戰(zhàn)

由于對數(shù)據(jù)隱私的關(guān)注，在考慮實際應(yīng)用時，大多數(shù)軟件組織傾向于避免使用商用大模型，更愿意采用開源的大模型，并使用組織特定的數(shù)據(jù)進(jìn)行訓(xùn)練或微調(diào)。

此外，一些公司還考慮到計算能力的限制或關(guān)注能源消耗等，傾向于采用中等規(guī)模的模型。在這樣的現(xiàn)實條件下，要達(dá)到與已有研究工作中報告的類似性能是非常具有挑戰(zhàn)的。例如，在廣泛使用的QuixBugs數(shù)據(jù)集中，40個Python錯誤中有39個能夠自動修復(fù)，40個Java錯誤中有34個能夠自動修復(fù)。

然而，當(dāng)涉及到從Stack Overflow收集的深度學(xué)習(xí)程序（代表實際的編碼實踐）時，72個Python錯誤中僅有16個能夠自動修復(fù)。如何更關(guān)注現(xiàn)實需求研發(fā)相應(yīng)的技術(shù)才能更利于技術(shù)落地和實際應(yīng)用。

大模型也帶來了研究機遇

利用大模型進(jìn)行軟件測試也帶來了許多研究機遇，對于軟件測試領(lǐng)域的發(fā)展大有益處。

機遇1：利用大模型進(jìn)行更多樣化的軟件測試任務(wù)和階段

在測試任務(wù)的初期階段，目前LLM還未得到有效應(yīng)用（編者注：其實在早期，LLM更能發(fā)揮作用）。主要原因有兩方面：一是早期測試任務(wù)的主觀性，需要專家進(jìn)行評估；二是早期階段缺乏開放數(shù)據(jù)資源，這限制了大模型的性能表現(xiàn)。

此外，如下圖所示，雖然大模型在單元測試和系統(tǒng)測試方面得到了廣泛應(yīng)用，但在集成測試和驗收測試方面的應(yīng)用相對較少?？傊?，如何充分利用大模型進(jìn)行更多樣化的軟件測試任務(wù)和測試階段是一個值得深入研究的新方向。例如，在驗收測試方面，大模型可以與人類測試人員協(xié)同工作，以自動生成測試用例并評估測試覆蓋率。

機遇2：將大模型應(yīng)用于更廣泛的測試類型和軟件

一方面，雖然大模型在功能測試方面得到了廣泛應(yīng)用，但在性能測試和可用性測試等其他方面應(yīng)用較少，這可能是因為這些測試已有一些專門且讓人滿意的模型和工具。

但將大模型與這些工具相結(jié)合仍不失為一個潛在的研究方向，例如利用大模型整合性能測試工具，并模擬真實用戶行為來產(chǎn)生不同類型的工作負(fù)載。另一方面，如下圖所示，已經(jīng)有研究在多種類型的軟件測試中成功應(yīng)用了大模型，例如移動應(yīng)用，深度學(xué)習(xí)庫、自動駕駛系統(tǒng)等。不僅能將現(xiàn)有技術(shù)遷移到其他類型的軟件上，也可以針對某類軟件的特性，研發(fā)針對性的技術(shù)。

機遇3：整合先進(jìn)的提示工程技術(shù)

現(xiàn)有研究尚未充分挖掘大模型的潛力，如下圖所示，僅使用了五種最常見的提示工程技術(shù)。未來的研究應(yīng)該探索更高級的提示工程技術(shù)（如圖中的思維樹、多模態(tài)思維鏈等），以更充分地發(fā)揮或增強大模型的理解和推理能力。

機遇4：和傳統(tǒng)技術(shù)結(jié)合

目前關(guān)于大模型在解決軟件測試問題方面的能力還沒有明確的共識，有研究將大模型與傳統(tǒng)軟件測試技術(shù)相結(jié)合取得了很好的效果，這可能意味著大模型并非解決軟件測試問題的唯一靈丹妙藥。

考慮到已有許多成熟的軟件工程相關(guān)技術(shù)和工具，可以探索將大模型與傳統(tǒng)技術(shù)相結(jié)合（例如形式化驗證等尚未在已有研究中探索過的）、探索其他更先進(jìn)的結(jié)合方式、以及與工具集成更好地發(fā)掘已有工具的潛力。

審核編輯：劉清