Press "Enter" to skip to content

AI赋能一键自动检测:页面异常、控件异常、文本异常

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

FireEye是通过AI提高测试效率,并降低AI自动化测试使用门槛的工具集,一经部署,就可以不用再修改脚本实现模型的使用和更新。本篇文章将具体介绍AI自动化测试过程中用到工程结构、

 

概要:FireEye是通过AI提高 测试 效率,并降低AI 自动化 测试 使用门槛的工具集,一经部署,就可以不用再修改脚本实现模型的使用和更新。本篇文章将具体介绍AI 自动化 测试过程中用到工程结构、模型选型和重训练的技术细节等。

 

1 使用效果

 

目前从功能上分为:,测试结果页面如下图所示:

 

 

当测试同学发现部分测试出的数据并不符合预期,可以通过页面标注并使用重训练功能实时更新模型,不断提高模型准确率,减少 开发 人员重新去介入模型的调整和部署。

 

 

2.1 工程结构

 

工程结构如图所示:

 

 

这个工程中,训练数据的来源有3方面,样本生成工具生成的模拟样本、闲鱼技术质量门户持续搜集的真实用户截屏图片,还有一个是FireEye的前端页面用户手动打标的重训练数据,数据采集之后,由集成的工具将其转换为所需要的数据类型:JPG、PNG、TXT等,并将其中的资源文件上传至OSS资源管理,当用户触发了重训练命令,会由Jenkins通知服务端的重训练脚本开始重新训练,重训练后的模型保存在云端,可以通过API提供给FireEye以及其他业务场景使用。

 

2.2 使用模型

 

我们在针对不同的识别场景对模型的选型也有不同,其中

 

1, 页面异常 是检测页面是否整体空白或图片中间有很大的错误提示图片,因为这类异常结构简单特征明显,所以用 CNN 做聚类就可以准确区分出这一类的case。

 

2, 控件异常 是找到页面中有异常特征的控件,如识别截屏里面包含了图片的打底图,说明有图片加载异常,识别出有loading控件,可能用户在这个场景长时间卡住,识别出有error的HUD表示异常提示。我们在工程中选用 SSD 做物体检测,原因是异常控件在一个页面中可能存在多个,使用SSD模型可以识别出异常控件的类型以及在页面的位置和异常的数量。

 

3, (具体介绍) 文本异常 检测是通过OCR逐行识别出页面中的文本,然后判断文本的语义是否正常,模型部分选用的是 LSTM ,RNN的本质是一个数据推断(inference)机器,它可以寻找两个时间序列之间的关联,只要数据足够多,就可以得到从x(t)到y(t)的概率分布函数, 从而达到推断和预测的目的,而LSTM(Long Short Term Memory Networks)长短时间记忆网络,是RNN的一个变种,避免长期依赖和梯度消失,爆炸等问题,使得LSTM已经成为处理拥有长期依赖问题的序列数据问题的首要方法之一(语言模型、机器翻译等领域)。

 

文本异常的处理是通过一句话判断是否为异常文本,输入是有时序的一串字符,输出是否异常,符合RNN的5种架构中的many-to-one类型,这是我们选用LSTM的原因。

 

 

实际的检测效果如下:

 

 

识别结果(其中第三行被识别出包含乱码):

 

方案的实现上我们使用的是,Keras提供的 LSTM 层来构造网络,然后构建以闲鱼APP里的标题、详情、评论等作为正样本,口字码、拼音码、符号码、锟拷码、代码等作为负样本的训练数据,使用nltk的分词器分词输入训练得到模型,通过OCR提取页面文字输入页面识别输入模型判断。

 

部分代码:

 

1,首先统计数据中有多少个不同的词,每句话由多少个词组成

 

maxlen = 0  #句子最大长度
word_freqs = collections.Counter()  #词频
num_recs = 0 # 样本数
with open('./train.txt','r+') as f:
   for line in f:
       label, sentence = line.strip().split("t")
       words = nltk.word_tokenize(sentence.lower()
       if len(words) > maxlen:
           maxlen = len(words)
       for word in words:
           word_freqs[word] += 1
       num_recs += 1

 

目前项目里的乱码识别主要是针对英文和字符类型,所以使用的是nltk库做分词,如果是主要对中文处理,使用结巴分词效果更好,或者用NLTK库中Sinica(中央研究院)提供的繁体中文语料库,from nltk.corpus import sinica_treebank 这样导入

 

2,建立两个表,word2index和 index2word,用于单词和数字转换,把句子转换成数字序列,长度统一到 MAXSENTENCELENGTH,不够的填0,多出的截掉

 

 

MAX_FEATURES = 2000

 

MAX_SENTENCE_LENGTH = 40

 

vocab_size = min(MAX_FEATURES, len(word_freqs) + 2

 

word2index = {x[0]: i+2 for i, x in rate(word_freqs.most_common(MAX_FEATURES)}

 

word2index["PAD"] = 0

 

word2index["UNK"] = 1

 

index2word = {v:k for k, v in word2index.items()}

 

X = np.empty(num_recs,dtype=list)

 

y = np.zeros(num_recs)

 

i=0

 

with open('./train.txt','r+') as f:

 

   for line in f:

 

       label, sentence = line.strip().split("t")

 

       words = nltk.word_tokenize(sentence.lower()

 

       seqs = []

 

       for word in words:

 

           if word in word2index:

 

               seqs.append(word2index[word])

 

           else:

 

               seqs.append(word2index["UNK"])

 

       X[i] = seqs

 

       y[i] = int(label)

 

       i += 1

 

X = sequence.pad_sequences(X, maxlen=MAX_SENTENCE_LENGTH) ,

 

Xtrain, Xtest, ytrain, ytest = train_test_split(X, y, test_size=0.2, random_state=42)

 

EMBEDDING_SIZE = 128

 

HIDDEN_LAYER_SIZE = 64

 

 

3,模型训练,损失函数用 binary_crossentropy,优化方法用 adam,最后导出h5

 

 

model = Sequential()

 

model.add(Embedding(vocab_size, EMBEDDING_SIZE,input_length=MAX_SENTENCE_LENGTH)

 

model.add(LSTM(HIDDEN_LAYER_SIZE, dropout=0.2, recurrent_dropout=0.2)

 

model.add(Dense(1)

 

model.add(Activation("sigmoid")

 

model.compile(loss="binary_crossentropy", optimizer="adam",metrics=["accuracy"])

 

BATCH_SIZE = 32

 

NUM_EPOCHS = 10

 

model.fit(Xtrain, ytrain, batch_size=BATCH_SIZE, epochs=NUM_EPOCHS,validation_data=(Xtest, ytest)

 

model.save("garbled.h5");"

 

 

4,OCR识别页面文字内容,导入模型中进行预测。(目前使用是谷歌OCR,中文识别的精度还不够)

 

3 FireEye辅助工具集

 

3.1 样本生成工具

 

在工程开始初期从真实用户收集的数据很少,需要大量的样本提供训练,为了能大量生成训练和测试样本并且不影响APP的线上统计数据,开发了一个通用的native的mock库可以截取控件加载数据随机生成mock的数据,用来配合Facebook-WDA截取图片获得样本: 1,mock所有UIImage,随机加载1万个样本数据里的图片url;

 

2,mock所有UILabel和UITextField,随机从样本库中生成语句和数字,内容数与原有数据相仿;

 

3,通过Facebook-WDA工具脚本控制APP,随机点击进入不同页面,滑动,截图,判断是否到底部,再随机跳转到别的页面…这样来获得大量样本;

 

3.2 重训练打标工具

 

打标一直以来是使用AI困扰大家的一件耗时耗力的步骤,FireEye提供重训练功能的同时提供了相关工具:

 

其中页面异常的识别的CNN模型和识别文本异常的LSTM模型重训练,可以通过用户在网页上的对结果进行勾选,输入正确的结果来完成标注工作,操作比较简单,最复杂繁琐的是SSD模型的打标,普遍的做法是使用labelImg工具,先准确的框选目标物体输入标签名,然后导出包含物体位置和标签信息的CSV文件,FireEye将这个功能集成到了重训练的系统中,用户可以通过在页面上划线或者画框标出物体大致的位置,位置会传到后端脚本自动裁剪提取前景,得到更精准的物体实际定位并生成CSV文件,其中画框标记的具体实现如下:

 

1,前端页面打标

 

下图是使用框选物体来标记右下角的按钮,我们不需要框出准确的位置:

 

 

2,调用Python脚本,使用OpenCV的grabcut来实现前景提取

 

 

img=cv2.imread('tmp2.png')

 

mask=np.zeros((img.shape[:2]),np.uint8)

 

bgdModel=np.zeros((1,65),np.float64)

 

fgdModel=np.zeros((1,65),np.float64)

 

cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)

 

mask2=np.where((mask==2)|(mask==0),0,1).astype('uint8')

 

 

下图是grabcut提取前景后识别出的mask图,右下角有部分裁剪后留下的杂点

 

 

3,得到前景二值化,查找连通区域,找到最大面积,通过把小面积区域用fillConvexPoly方法填充覆盖,得到

 

 

img=img*mask2[:,:,np.newaxis]

 

gray_temp = mask2.copy() #copy the gray image because function

 

binary, contours, hierarchy = cv2.findContours(gray_temp, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

 

cv2.drawContours(img, contours, -1, (0, 255, 255), 2)

 

area = []

 

for i in xrange(len(contours)):

 

   area.append(cv2.contourArea(contours[i]))

 

max_idx = np.argmax(area)

 

for i in xrange(len(contours)):

 

    if i != max_idx:

 

       cv2.fillConvexPoly(mask2, contours[i], 0)

 

 

 

4,再获得外接矩形,得到准确的标记位置并输出CSV文件。

 

总结

 

FireEye目标是打造一个精简易用的自动化 测试工具 集,可以很方便快捷的部署和调整,后面工程的重心会是AutoML的模型自动调参,识别布局异常,以及通过页面元素(控件、文本等)的综合分析,区分业务场景,理解用户操作路径是否正确等方面,欢迎有兴趣的小伙伴一起探讨学习。

 

原文转自: https://www.jiqizhixin.com/articles/2018-11-02-6

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注