ІНТЕЛЕКТУАЛЬНИЙ ПІДХІД ДО ПІДВИЩЕННЯ СТАБІЛЬНОСТІ СИСТЕМ АВТОМАТИЗОВАНОГО ТЕСТУВАННЯ НА БАЗІ НАВЧАННЯ З ПІДКРІПЛЕННЯМ

Анотація

У дослідженні увага зосереджувалася на розробці інструменту ефективізації автоматизованої системи тестування із використанням інтелектуальної архітектури на базі парадигми навчання з підкріпленням, спрямованої на покращення стабільності тестування, причому Selenium застосовувалася в якості практичного прикладу. У роботі були визначені основні причини появи нестабільності в межах тестування графічних користувацьких інтерфейсів, а саме мінливість DOM-структур, асинхронна візуалізація, мережева затримка та ригідність синхронізації, з огляду на що була сформульована багаторівнена адаптивна модель, задача якої полягає в уникненні цих факторів за допомогою механізмів навчання з підкріпленням. Запропонований Інтелектуальний рівень з підкріпленням передбачає реструктуризацію класичної ієрархії Selenium, тобто IDE, Client–Server, та Grid в об’єднану структуру із самонавчанням, здатну проводити автономне підлаштування до мінливих параметрів системи. В межах цього рівня, Агент підкріплення IDE виконує локальну адаптацію шляхом регуляції інтервалів відтворення та вибору локаторів у відповідь на структурні зміни у DOM. Адаптивний канал Client–Server, що включає Агенти стабілізації виконання та ієрархічної адаптації локаторів, забезпечує стабільність виконання тестових сценаріїв за рахунок підлаштування інтервалів синхронізації, політики очікування та стратегій відновлення структури локаторів, виходячи з телеметричних даних у реальному часі. На рівні розподіленого контролю знаходиться Середовище навчання Grid, в якому застосовується кооперативне багатоагентне навчання, спрямоване на врівноваження тестових навантажень на всіх вузлах, в ході чого відбувається оптимізація загальносистемної стабільності та кількості тестів, які система може виконати за одиницю часу. Порівняльний аналіз показав, що в той час, як традиційні інструменти, такі як Cypress та Playwright, реалізовують ригідні процедури стабілізації, запропонована архітектура уособлює досягнення адаптивізації та стабілізації шляхом постійного навчання та аналізу телеметричного зворотного зв’язку, що сприяє спрощеному проведенню сталого самооптимізаційного тестування.