如何治理測試穩(wěn)定性問題?很多人會說：環(huán)境、流程管控、監(jiān)控、工具化、加機器、專人負責、等等。這些都是對的。不過這些都是解決方案層面的，而不是方法論和理論體系層面的。今天，阿里研究員鄭子穎來說說測試穩(wěn)定性的三板斧。據(jù)說，阿里同學們都非常認同這三板斧，看完文章感覺很多做的事情有了理論基礎。

1. 測試穩(wěn)定性問題

理想情況下，我們希望每一個失敗的測試用例[1]都是由真正的缺陷引起的。實際情況中，用例失敗的原因大多是一些其他的原因：

• 某個服務的版本部署的不對
• 測試執(zhí)行機的硬盤滿了，因為上次運行時寫的log沒清掉
• 數(shù)據(jù)庫里有臟數(shù)據(jù)
• 測試用例寫得有問題
• 測試運行時有人手工執(zhí)行了一次定時任務，把流水撈走了
• 消息串了
• ...

每次排查都是一堆這種問題，時間久了，開發(fā)和測試同學也就疲了。有些同學對失敗的用例草草看一眼，就說這是一個“環(huán)境問題”，不再排查下去了。如此一來，很多真正的缺陷就被漏過了。

2. 測試穩(wěn)定性三板斧

如何治理測試穩(wěn)定性問題?很多人會說：環(huán)境、流程管控、監(jiān)控、工具化、加機器、專人負責、等等。這些都是對的。不過這些都是解決方案層面的，而不是方法論和理論體系層面的。

在方法論和理論體系層面，我們對安全生產(chǎn)有三板斧：可灰度、可監(jiān)控、可回滾。類似的，對于測試穩(wěn)定性，我也有三板斧：

• 高頻(Frequency)
• 隔離(Isolation)
• 用完即拋(Disposable)

三板斧之一：高頻

"If it hurts, do it more often"是我說的最多的一句話之一。這句話從Martin Fowler那兒來的，有興趣的可以讀一下他的那篇“Frequency Reduces Difficulty”的原文。

高頻跑測試的好處是：

• 縮短驗證的delay
• 變主動驗證為“消極等待”
• 識別intermittent的問題
• 暴露各層面的不穩(wěn)定因素
• 倒逼人肉環(huán)節(jié)的自動化
• 提供更多的數(shù)據(jù)供分析
• ...

高頻不單單是治理測試穩(wěn)定性的不二法門，也是治理其他工程問題的game changer：

• 持續(xù)打包：以前只是在部署測試環(huán)境前才打包，經(jīng)常因為打包的問題導致部署花了很多時間，還影響了后面的測試進度。針對這個問題，我們做了持續(xù)打包，每個小時都會對master的HEAD打包，一旦遇到問題(例如：依賴的mvn包缺失、配置缺失、等等)，馬上修復。
• 天天上生產(chǎn)：現(xiàn)在每周發(fā)一次生產(chǎn)環(huán)境，每次都費事費力。我提出能不能天天上生產(chǎn)。發(fā)布還是按照原來的節(jié)奏來，每周發(fā)一次新代碼，一周里的其余日子，就算沒有新代碼也要走一遍生產(chǎn)發(fā)布?？辙D(zhuǎn)。不為別的，就是為了要用高頻來暴露問題、倒逼人肉環(huán)節(jié)的自動化、倒逼各種環(huán)節(jié)的優(yōu)化。
• 分支合并很痛苦，那就頻繁合并，一天一次，一天多次。做到極致就變成了主干開發(fā)，一直在rebase、一直在提交。

螞蟻的SRE團隊也是用的是高頻的思路。為了加強容災能力建設、提高容災演練的成功率，SRE團隊的一個主打思想就是要高頻演練，用高頻演練來充分暴露問題、倒逼能力建設。

高頻也不是那么容易做到的。

高頻需要基建保障。首先，高頻需要資源。高頻執(zhí)行還會給基建的各個方面造成前所未有的壓力。高頻還需要能力水平達到一定的基準。就拿SRE的高頻演練來說吧。如果每次演練還有很多問題，那是不可能搞高頻的。能高頻做演練的前提是我們的隔離機制、恢復能力已經(jīng)到一定的水平了。對于測試運行來說，高頻跑測試要收到效果，需要把隔離和用完即拋做好。

對于高頻跑測試，一個很常見的疑慮是：原來一天只跑一次，失敗的用例我已經(jīng)沒有時間一一排查了，現(xiàn)在高頻跑了，我豈不是更沒時間了?我的回答是：實際上，并不會這樣，因為開始高頻跑了以后，很快問題就會收斂的，所以總的需要排查的量可能是差不多的或者反而小了的。

三板斧之二：隔離

相比起三板斧里的其他兩個(高頻、用完即拋)，隔離的重要性應該是比較被廣為接受的。隔離的好處包括：

• 避免測試運行彼此影響，減少噪音。
• 提高效率，執(zhí)行某些破壞性測試的時候不再需要相互協(xié)調(diào)

隔離無非是兩種：硬隔離、軟隔離。至于到底是走硬隔離路線，還是走軟隔離路線，要根據(jù)技術棧、架構、業(yè)務形態(tài)來具體分析。不過兩條道路都是能通往終局：

• 硬隔離(全隔離環(huán)境、物理隔離)要成為終態(tài)，關鍵是成本。要在不增加質(zhì)量盲區(qū)的前提下壓縮成本。例如，如果能把整個支付系統(tǒng)都壓縮在一臺服務器里面跑[2]，而且所有的功能(包括中間件層面的，例如定時任務、消息訂閱、分庫分表規(guī)則等)都能很好的覆蓋，那是一個理想的終局。每個人都可以隨時搞幾套全量環(huán)境，那是很爽的。另外，對架構的拆分解耦(例如，我們做的按域獨立發(fā)布)是有助于降低硬隔離的成本的，可以把一整套被測系統(tǒng)部署的scope大大縮小。
• 軟隔離(半共享環(huán)境，邏輯隔離，鏈路級別隔離)要成為終局，關鍵是隔離的效果。如果隔離做到完美了，就能把今天的聯(lián)調(diào)環(huán)境部署到生產(chǎn)環(huán)境里去跑。這樣，就不存在stable環(huán)境穩(wěn)定性的問題了。這樣，做到了真正的testing in production，也是個很理想的終局狀態(tài)。

這兩種終局狀態(tài)，我在我以前的工作中都達到過。的確都能work的。這兩種隔離要通往終局，都是技術挑戰(zhàn)。壓縮成本是技術問題。邏輯隔離做徹底做牢靠也是技術問題。

對于我們今天的支付或電商系統(tǒng)來說，我們未來的終局是硬隔離還是軟隔離呢?現(xiàn)在還很難說。從技術可行性方面判斷，軟隔離更有可能成為我們的終局。硬隔離做到深水區(qū)以后就很難做了，因為會遇到架構的物理極限。突破架構的物理極限，有可能產(chǎn)生新的質(zhì)量盲區(qū)。但相當長的一段時間里，硬隔離會繼續(xù)對我們幫助很大。例如，我們要做各種非常規(guī)測試的時候，就需要硬隔離。軟隔離要做到能夠支持非常規(guī)測試，技術復雜度很高。從上個財年開始，我在我團隊搞一鍵拉全量測試環(huán)境(硬隔離)的原因就是：一鍵拉全量環(huán)境相對比較容易做，主要就是自動化，而基于路由的軟隔離方案一下子還不太ready，短期內(nèi)達到我們需要的隔離水平還很難。

硬隔離和軟隔離也不是對立的，是可以一起用的。例如，我們在拉起基于路由的隔離環(huán)境的時候，拉會新的數(shù)據(jù)庫。在數(shù)據(jù)庫層面是一種硬隔離，是對數(shù)據(jù)庫層面軟隔離能力欠缺的一種補充。

總之，隔離是必須的。采取何種隔離方案，要階段性的基于復雜度、成本、效果等因素的綜合考量。

三板斧之三：用完即拋

我最喜歡的另一句話是：Test environment is ephemeral。這句話是我原創(chuàng)的。Ephemeral的意思就是short-living，短暫的，短命的。我對我的QA團隊反復講這句話，希望同學們能在日常工作中時刻記得這個原則。

"Test environment is ephemeral"就意味著：

1. 我們的test setup能力要很強。我們今天在搞的一鍵拉起環(huán)境，就是這種能力的一部分。而且setup起來以后，要能快速verify。
2. 我們的test strategy、test plan、testability design和test automation，必須不依賴一個long living的測試環(huán)境。包括：不能依賴一個long living 的test environment里面的一些老數(shù)據(jù)。例如，Test automation必須能自己造數(shù)據(jù)，造自己需要的所有的數(shù)據(jù)。

有了這些能力，能夠以零人力成本、非常快速且非常repeatable的從無到有建一套“開箱即用”的測試環(huán)境，能夠造出來測試需要的所有數(shù)據(jù)，我們就能做到測試環(huán)境的用完即拋：要跑測試了就新建一個環(huán)境，測試跑完了就把環(huán)境銷毀掉。下次要用再建一個新的。而且，不單單是測試環(huán)境，測試執(zhí)行機也要用完即拋。

對于用完還需要保留一定時間的環(huán)境，也要設一個比較短的上限。例如，我以前采用過這樣的做法：

• 聯(lián)調(diào)測試環(huán)境默認生命周期是7天。
• 如果到時間還需要保留，可以延展有效期(expiration date)。每次展期最多可以展7天(相當于是 newExpDate = now + 7，而不是newExpDate = currentExpDate + 7)。
• 最多可以展期到30天(從createDate開始算)，需要30天以上的，需要特批(比如，事業(yè)群CTO)。
• 這樣的好處就是倒逼。必須一刀切的倒逼，一開始會有點痛苦，但很快大家就會習慣的，自動化什么的很快就跟上了。不這么逼一逼，很多改進是不會發(fā)生的。

用完即拋的好處是：

• 解決環(huán)境腐化問題，減少臟數(shù)據(jù)
• 提高repeatability，確保每次測試運行的環(huán)境都是一致的
• 倒逼各種優(yōu)化和自動化能力的建設(測試環(huán)境的準備、造數(shù)據(jù)、等等)
• 提高資源使用的流動性。實際的物理資源不變的前提下，增加流動性就能增加實際容量。

測試環(huán)境用完即拋的確會引入一些新的質(zhì)量風險。如果有一套長期維護的環(huán)境，里面的數(shù)據(jù)是之前老版本的代碼生成的，部署了新版本代碼后，這些老數(shù)據(jù)是可以幫我們發(fā)現(xiàn)新代碼里面的數(shù)據(jù)兼容性問題的?，F(xiàn)在用完即拋，沒有老數(shù)據(jù)了，這些數(shù)據(jù)兼容性問題就可能無法發(fā)現(xiàn)。

這個風險的確是存在的。解決這個風向的思路是往前看，而不是往回退。我們要探索數(shù)據(jù)兼容性問題是否有其他的解法。有沒有其他的測試或者質(zhì)量保障手段。甚至要想一想，怎么做到“從測到不測”，把數(shù)據(jù)兼容性問題通過架構設計來消除掉，讓它不成為一個問題。

3. 落地

上面講的三板斧，高頻、隔離、用完即拋，的確是有點理想主義的。我們今天的基建、架構、自動化建設，離理想狀態(tài)還有不少差距的。

但我們就是要有那么一點的理想主義的。把這三板斧做好，技術上的挑戰(zhàn)是非常非常大的，但我們有樂觀主義，相信我們能夠達到目標。我們有現(xiàn)實主義，我們可以分解目標，結合實際情況，一步步的去做。

Note：[1] 這里的用例主要指的是功能性的測試用例，包括：unit test、單系統(tǒng)的接口測試、全鏈路/端到端的測試，等等。

[2] 這樣子做，實操層面的一個可能的負面影響是它可能會discourage微服務化治理(包括，域自治性，獨立測試、獨立發(fā)布能力等)。