使用大模型进行软件测试：调查、现状和展望

大模型（LLM）由于其卓越的自然语言理解、推理等能力，已经被应用于各种场景，取得了前所未有的效果。

类似的，软件测试领域也受益于其强大的能力，能够帮助生成逼真且多样化测试输入、模拟各种异常、加速缺陷的发现，提升测试效率和软件质量。

来自中国科学院软件研究所、澳大利亚Monash大学、加拿大York大学的研究团队收集了截止到2023年10月30日发表的102篇相关论文，并分别从软件测试和大模型视角进行了全面分析，总结出一篇关于大模型在软件测试领域应用的全面综述。

论文Arxiv链接：https://arxiv.org/abs/2307.07221

GitHub链接：https://github.com/LLM-Testing/LLM4SoftwareTesting

研究发现一览图是这样的（两个不同视角：测试、LLM）：

首先，研究人员从软件测试的角度进行了分析，并将收集到的研究工作按照测试任务进行组织。

如下图所示，大模型的应用主要集中在软件测试生命周期的后段，用于测试用例准备（包括单元测试用例生成、测试预言生成、系统级测试输入生成）、测试报告分析、程序调试和修复等任务。然而，在测试生命周期的早期任务（如测试需求、测试计划等）上，目前还没有使用大语言模型的相关工作。

进一步地，研究人员还对大模型在各种软件测试任务上的应用进行了详细分析。

以单元测试用例生成为例，单元测试用例生成任务主要涉及为独立的软件或组件单元编写测试用例，以确保它们的正确性。传统的基于搜索、约束或随机的生成技术存在着测试用例覆盖率弱或可读性差的问题。

引入LLM后，相对于传统方法，大模型不仅能够更好地理解领域知识以生成更准确的测试用例，而且还可以理解软件项目和代码上下文的信息，从而生成更全面的测试用例。

对于系统级测试输入，模糊测试作为常用技术，主要围绕着生成无效、意外或随机的测试输入来达到测试的目的，研究人员也详细分析了大模型如何改进传统模糊测试技术。例如有研究提出通用模糊测试框架Fuzz4All、ChatFuzz等，也有研究专注于特定软件开发基于大模型的模糊测试技术，包括深度学习库、编译器、求解器、移动应用、信息物理系统等。

这些研究的一个关注重点是生成多样化的测试输入，以实现更高的覆盖率，通常通过将变异技术与基于大模型的生成相结合来实现；另一个关注重点是生成可以更早触发错误的测试输入，常见做法是收集历史上触发错误的程序来对大模型进行微调或将其作为演示程序在查询大模型时使用。

论文中对于各种研究的技术思路有更为详细地介绍和比较。

随后，研究人员再从大模型的视角出发，分析了软件测试任务中选用的大模型，并进一步介绍了如何让大模型适应测试任务，包括提示工程技术、大模型的输入以及与传统测试技术的结合使用。

在所选用的大模型方面，如下图所示，最常用的前三种大模型分别是ChatGPT、Codex和CodeT5。后两种是专门在多种编程语言的代码语料库上训练得到的大模型，能够根据自然语言描述生成完整的代码片段，因此非常适合涉及源代码的测试任务，如测试用例生成、缺陷修复。

此外，虽然已经有14个研究使用GPT-4（排名第四），但是GPT-4作为一种多模态大模型，研究人员表示尚未发现相关研究探索软件测试任务中利用其图像相关功能（例如UI截图、编程演示），这值得在未来研究中探索。（编者注：其实是可以的，编者曾做过相关的实验）

在如何调整大模型行为以胜任软件测试任务方面，主要有预训练或微调和提示工程两种技术手段。

如下图所示，有38项研究使用了预训练或微调模式以微调大模型的行为，而64项研究则使用了提示工程来引导大模型达到预期的结果。

提示工程技术的主要优势在于无需更新模型权重也能让大模型适应特定领域和任务，并强化大模型的理解和推理能力，目前已经采用的技术包括零样本或少样本学习、自我一致性、思维链、自动提示等技术。

此外，研究人员发现有35项研究在运用大模型之上，还结合了传统测试技术，包括变异测试、差分测试、程序分析、统计分析等，以取得更好的测试有效性和覆盖率。

虽然大模型在各种任务中表现出巨大的潜力，但仍然存在一些局限性，如难以理解和处理复杂的程序结构。

因此，将大模型与其他技术结合起来，以最大程度地发挥它们的优势和避免劣势，从而在特定情况下实现更好的结果，例如生成更多样化和复杂的代码，更好地模拟真实场景。

探索被测试软件的多样行为以实现高覆盖率始终是软件测试的重要关注点。大模型直接实现所需的多样性仍然具有很大挑战，例如单元测试用例生成中，在SF110数据集上，行覆盖率仅为2％，分支覆盖率仅为1％。

在系统测试输入生成方面，对于面向深度学习库的模糊测试，TensorFlow的API覆盖率为66％（2215/3316）。已有工作通常将变异测试与大模型结合使用，以生成更多样化的输出。

其他潜在的研究方向涉及利用测试相关的数据来训练或微调能够理解测试特性的专用大模型，可以理解测试要求，自主地生成多样化的输出。

测试预言问题一直是各种测试应用面临的挑战，已有工作常见做法是将其转化为更容易获取的形式，通常通过差分测试来实现或仅关注容易自动识别的测试预言（例如崩溃类错误），虽然取得了不错效果，但仅适用于少数情况。

探索利用大模型解决其他类型的测试预言问题是非常有价值的。

例如，蜕变测试也是常用的缓解测试预言问题的技术，可以探索结合人机交互或领域知识自动产生蜕变关系，还可探索大模型自动生成基于蜕变关系的测试用例，覆盖各类输入。进一步，像GPT-4这样的多模态大模型也为检测用户界面相关缺陷并辅助推导测试预言提供了可能性。

缺乏基准数据集和基于大模型技术潜在的数据泄漏问题给进行严格和全面的性能评估带来了挑战。研究人员通过检查训练大模型的数据源CodeSearchNet和BigQuery，发现Defect4J基准数据集中使用的四个代码库同时包含在CodeSearchNet中，并且整个Defects4J代码库都包含在BigQuery中。

因此，大模型在预训练过程中已经见过现有的程序修复基准数据集，存在严重的数据泄露问题。所以，需要构建更专门和多样化的基准数据集，并采取措施防止数据泄漏。

由于对数据隐私的关注，在考虑实际应用时，大多数软件组织倾向于避免使用商用大模型，更愿意采用开源的大模型，并使用组织特定的数据进行训练或微调。

此外，一些公司还考虑到计算能力的限制或关注能源消耗等，倾向于采用中等规模的模型。在这样的现实条件下，要达到与已有研究工作中报告的类似性能是非常具有挑战的。例如，在广泛使用的QuixBugs数据集中，40个Python错误中有39个能够自动修复，40个Java错误中有34个能够自动修复。

然而，当涉及到从Stack Overflow收集的深度学习程序（代表实际的编码实践）时，72个Python错误中仅有16个能够自动修复。如何更关注现实需求研发相应的技术才能更利于技术落地和实际应用。

在测试任务的初期阶段，目前LLM还未得到有效应用（编者注：其实在早期，LLM更能发挥作用）。主要原因有两方面：一是早期测试任务的主观性，需要专家进行评估；二是早期阶段缺乏开放数据资源，这限制了大模型的性能表现。

此外，如下图所示，虽然大模型在单元测试和系统测试方面得到了广泛应用，但在集成测试和验收测试方面的应用相对较少。总之，如何充分利用大模型进行更多样化的软件测试任务和测试阶段是一个值得深入研究的新方向。例如，在验收测试方面，大模型可以与人类测试人员协同工作，以自动生成测试用例并评估测试覆盖率。

一方面，虽然大模型在功能测试方面得到了广泛应用，但在性能测试和可用性测试等其他方面应用较少，这可能是因为这些测试已有一些专门且让人满意的模型和工具。

但将大模型与这些工具相结合仍不失为一个潜在的研究方向，例如利用大模型整合性能测试工具，并模拟真实用户行为来产生不同类型的工作负载。另一方面，如下图所示，已经有研究在多种类型的软件测试中成功应用了大模型，例如移动应用，深度学习库、自动驾驶系统等。不仅能将现有技术迁移到其他类型的软件上，也可以针对某类软件的特性，研发针对性的技术。

目前关于大模型在解决软件测试问题方面的能力还没有明确的共识，有研究将大模型与传统软件测试技术相结合取得了很好的效果，这可能意味着大模型并非解决软件测试问题的唯一灵丹妙药。

考虑到已有许多成熟的软件工程相关技术和工具，可以探索将大模型与传统技术相结合（例如形式化验证等尚未在已有研究中探索过的）、探索其他更先进的结合方式、以及与工具集成更好地发掘已有工具的潜力。