AiDD软件研发数字峰会-北京站

出品人：万锐媛

华为研发工具测试技术专家

12年获清华大学EE博士学位，曾赴UC Berkeley EECS访问学者。16年加入华为至今，从事智能辅助测试技术探索、工程工具落地规划、设计，带领团队聚焦智能辅助测试设计、测试模型推荐生成、测试步骤描述推荐测试代码, Rest接口场景级测试全自动生成，多目标精准回归，测试失败智能定界等方向，成功孵化多项智能测试服务并规模落地应用，获得华为2012实验室总裁个人奖、金牌团队、光产品线总裁奖、数字能源总裁奖、研发工具领域总裁奖、软件工程能力提升总体组优秀个人等，多次获得华为海盗派重大测试技术突破奖。申请专利5项，在ICSE、FSE等A类国际会议发表论文，担任ICST、ISSRE、TiD、NJSD等会议演讲嘉宾。

测试生成

测试超自动化时代已然到来。本专场聚焦AI智能辅助测试设计，及测试序列、数据、oracle的生成技术前沿，包括SBST、数据驱动测试生成、guided-fuzz、LLM-boost测试生成等主题，及其在各测试层级包括API接口测试、系统测试的应用实践交流分享，共同探索测试生成超自动化新范式。

Enhancing Software Testing in the Al Era:
Unleashing the Al Power

刘杨

南洋理工大学教授

新加坡南洋理工大学（NTU）计算机学院教授，NTU网络安全实验室主任、HP-NTU公司实验室项目主任以及新加坡国家卓越卫星中心副主任，并于2019年荣获大学领袖论坛讲席教授。刘杨博士专攻软件验证，软件安全和软件工程，其研究填补了形式化方法和程序分析中理论和实际应用之间的空白，评估了软件的设计与实现以确保高安全性。他的许多研究成果已经成功商业化。到目前为止，他已经在顶级会议和顶级期刊上发表了超过400篇文章。他还获得多项著名奖项，包括MSRA fellowship，TRF Fellowship, 南洋助理教授，Tan Chin Tuan Fellowship，Nanyang Research Award 2019，NRF Investigatorship 2020，并且在ASE、FSE、ICSE等顶级软件工程会议上获得20项最佳论文奖以及最具影响力软件奖。

内容简介：

在本次演讲中，我将探讨如何利用人工智能（AI）推动DevSecOps的发展。在此过程中，我将分享我的实践经验和研究成果，以展示如何使用AI技术来优化软件开发、安全性和运维的整体过程。我们将着重讨论AI在软件测试中的应用，包括白盒、黑盒和灰盒测试。我还将分享最新的研究趋势和创新思想，解释AI如何改变DevSecOps，并通过实例展示AI是如何提升软件研发效能的。

演讲提纲：

1. AI和DevSecOps的概述
DevSecOps的介绍
AI在DevSecOps中的角色
2. AI在软件测试中的应用
白盒、黑盒和灰盒测试
3. 创新思想和最新趋势
AI如何改变DevSecOps
创新的实例研究
4. 实践的启示
如何在你的组织中应用AI来提升DevSecOps
5. 未来的视角
对AI和DevSecOps的未来发展的预测

听众受益：

1. 理解AI在DevSecOps中的重要角色和应用场景。
2. 学习如何使用AI来改进软件测试的方法和策略。
3. 掌握AI如何推动DevSecOps创新的最新趋势和实践。
4. 获取如何在自己的组织中应用AI来提升DevSecOps的实用指导。
5. 获得对AI和DevSecOps未来发展趋势的深入洞察。

基于代码地图的组件测试用例自动生成实践

黄永强

华为技术总工程师

2001年入职华为，华为软件测试7级专家，有近20年测试工作实践。

2000年加入华为至今，华为软件测试7级专家，20+测试工作经验，主导华为嵌入式组件灰白盒测试能力的建设工作，当前聚焦于自盒静态分析与用例自动生成技术的实践与探索。

内容简介：

C语言开发的嵌入式软件测试一直受到开发效率的困扰，测试用例的开发对人要求高，调测效率相比较低，开发团队希望有一个低成本的组件级用例自动方案并形成有效测试防护网。借鉴业内Fuzz自动生成实践，结合代码静态分析技术，推出了基于华为Fuzz引擎、代码地图、路径Trace的用例自动生成方案。目前已覆盖百万行代码，生成>100K用例，路径覆盖可达50%。协同分层测试活动，有效降低了开发者测试的用例开发工作量。

演讲提纲：

1. 用例自动生成的背景介绍（华为分层测试防护网与组件测试简介）
2. 组件代码地图原理
3. 组件路径用例自动生成原理与难点（接口智能分析、精准导航、问题判断）
4. 下一步思考

听众受益：

1. 分层测试设置的原则
2. 嵌入式组件测试的过程
3.自动生成技术适用场景

百度单元测试智能生成实践

内容简介：

1. 传统的单元测试生成方案
2. 大模型解题思路
3. 数据集建设
4. 评估体系建设
5. 总结与展望

演讲提纲：

1. 背景介绍
2. 单测智能化生成的探索
3. 百度单测智能生成的具体实现
4. 当前效果、挑战和未来展望

听众受益：

大模型生成单元测试的方案与传统方案相比的优劣，以及应用大模型生成代码的关键工作如何开展。

刘晓娟
百度资深工程师，覆盖率平台及单测基础设施技术负责人

从0构建了百度测试覆盖率度量工具体系及平台，百度的单测基础设施，实现了单测的全自动托管。注重单测提效，实践并落地了精准单测、分布式单测和智能单测书写等技术手段。

大模型助力智能单测生成

内容简介：

单元测试可以提高整个项目的可靠性。传统的智能单测生成，依赖静态分析、动态分析等工具，分析需要一定的条件，支持不同的语言也需要较大的建设成本。
随着模型参数规模的提升，模型的代码理解、代码生成能力也大幅提升，使得模型生成单测落地成为可能。使用模型端到端的生成单元测试，可以低成本地将单元测试覆盖到多种编程语言，降低单测生成的条件。
然而大模型在单测生成任务上仍存在模型幻觉（随机生成不存在变量名、方法名）和测试分支覆盖低等问题。通过任务微调、强化学习等技术可以提升语言模型的单元测试生成语法正确率和分支覆盖率。
经过测试，我们的 150 亿参数模型的生成效果接近通用版ChatGPT的水平。目前，我们的大型模型单元测试生成已经在抖音的 Android、iOS 双端落地。

演讲提纲：

1. 单测生成背景介绍与单测生成评估指标
2. 传统单测生成方法介绍
3. 通用大模型的单测生成能力评估
4. 如何提升大模型单测生成效果
5. 应用落地介绍与未来展望

听众受益：

1. 大模型在单测生成领域存在的问题，以及如何缓解
2. 大模型在单测生成领域的应用实践