СРАВНИТЕЛЬНЫЙ АНАЛИЗ АРХИТЕКТУРНЫХ ПОДХОДОВ К АВТОМАТИЧЕСКОЙ ГЕНЕРАЦИИ ТЕСТ-КЕЙСОВ ПОЛЬЗОВАТЕЛЬСКОГО ИНТЕРФЕЙСА

Аннотация

Автоматическая генерация тест-кейсов пользовательского интерфейса требует обработки разнородной и потенциально неполной информации об объекте тестирования. В работе сформированы критерии сравнения и рассмотрены три обобщенных варианта организации процесса: последовательный конвейер, модульный многоисточниковый подход и автономная агентная архитектура. Показано, что для исследовательской системы наиболее сбалансирован модульный многоисточниковый подход, сочетающий автоматизацию анализа с расширяемостью, трассируемостью и возможностью локализации ошибок.

Abstract

Automatic generation of user-interface test cases requires processing heterogeneous and potentially incomplete information about the system under test. The paper compares three generalized architectural approaches: a sequential pipeline, a modular multi-source architecture, and an autonomous agent-based architecture. The analysis shows that the modular multi-source approach provides the most balanced combination of automation, extensibility, traceability, and error localization for a research-oriented test-generation system.

Ключевые слова: тестирование программного обеспечения; автоматизация тестирования; генерация тест-кейсов; пользовательский интерфейс; архитектура программной системы.

Keywords: software testing; test automation; test-case generation; user interface; software architecture.

Введение

Автоматизация тестирования обычно связывается с выполнением заранее подготовленных сценариев, однако проектирование самих тестов во многих случаях остается задачей специалиста. Согласно ISTQB, тестирование включает анализ тестового базиса, проектирование, реализацию и выполнение тестов [1]. Поэтому автоматическая генерация тест-кейсов представляет собой отдельную задачу, предшествующую их дальнейшему выполнению средствами автоматизации.

Развитие больших языковых и мультимодальных моделей расширило возможности автоматического формирования тестов. В обзоре современных исследований применение LLM к генерации тестов выделяется как одно из основных направлений интеллектуальной автоматизации тестирования [2]. При работе с пользовательским интерфейсом задача усложняется: сведения о нем могут быть получены из изображения, структурного представления страницы, программного кода, требований или проектной документации. Эксперименты по генерации тестов для веб-форм показывают, что качество результата зависит от полноты предоставленного контекста [3]. Следовательно, важен не только выбор модели генерации, но и способ организации обработки исходной информации.

Цель работы: сравнить архитектурные подходы к автоматической генерации тест-кейсов пользовательского интерфейса и определить подход, наиболее соответствующий условиям работы с разнородными и неполными данными.

Особенности задачи и критерии сравнения

Для формирования тест-кейса системе необходимо получить сведения об объектах взаимодействия, возможных действиях, состояниях и ожидаемых результатах. При этом доступные источники различаются по содержанию. Визуальное представление отражает вид интерфейса, но не всегда позволяет однозначно определить назначение элемента. Структурные данные лучше передают типы и иерархию объектов, но могут не соответствовать наблюдаемому состоянию. Требования описывают ожидаемое поведение, однако не всегда отражают фактическую реализацию.

Вторая особенность – это неполнота данных: набор доступных материалов зависит от проекта, поэтому архитектура не должна требовать обязательного наличия каждого потенциального источника. Кроме того, для генерации теста требуется не только распознавание элементов, но и их интерпретация в контексте пользовательского сценария.

Для сравнения архитектур используются следующие критерии: поддержка разнородных источников, работоспособность при неполных входных данных, степень автоматизации, расширяемость, трассируемость и локализуемость ошибок, контролируемость, адаптивность. Оценка носит качественный характер и отражает типовые свойства архитектурных принципов, а не численный рейтинг конкретных реализаций.

Архитектурные подходы

Последовательный конвейер предполагает фиксированную цепочку обработки: результат каждого этапа передается следующему. Его сильные стороны – простота, предсказуемость и высокая трассируемость. Ошибку легче локализовать, так как промежуточные результаты имеют заранее определенные границы. Недостаток состоит в жесткой зависимости от выбранной последовательности. Добавление нового источника или альтернативного способа анализа может потребовать изменения нескольких этапов, а ошибка раннего компонента распространяется далее по цепочке.

Модульный многоисточниковый подход разделяет обработку по функциональным задачам и допускает независимый анализ нескольких источников. Результаты отдельных модулей могут использоваться совместно, при этом отсутствие одного источника не обязательно блокирует весь процесс. Такая организация упрощает расширение системы и позволяет отдельно оценивать компоненты. Главная сложность связана с согласованием результатов: разные источники способны содержать неполные или противоречивые сведения. Однако сохранение функциональных границ делает причины ошибок более наблюдаемыми и позволяет изменять отдельные средства анализа без полной перестройки системы.

Автономная агентная архитектура строится вокруг агента, который получает высокоуровневую цель и самостоятельно выбирает последовательность действий. Такой вариант обладает высокой адаптивностью и способен исследовать интерфейс итеративно. Вместе с тем рост автономности усложняет воспроизводимость и диагностику: ошибочный итог может быть следствием неверного восприятия, интерпретации, планирования или действия. Трассируемость можно повысить журналированием и сохранением состояний, но эти механизмы требуют отдельного проектирования.

Сравнительный анализ

Результаты качественного сравнения приведены в таблице 1. Значения отражают относительные свойства типового представителя каждого подхода.

Таблица 1.

Сравнение архитектурных подходов к автоматической генерации тест-кейсов

*Значение зависит от наличия специальных механизмов журналирования и контроля решений.

Последовательный конвейер наиболее прозрачен, но его преимущества проявляются при стабильной структуре входа. Агентный подход обеспечивает максимальную адаптивность, однако требует дополнительных средств для объяснения и диагностики поведения. Модульный подход занимает промежуточное положение: он допускает автоматическую обработку нескольких представлений, сохраняя явное разделение функций.

Для систем автоматической генерации тест-кейсов пользовательского интерфейса ключевыми требованиями являются возможность использования нескольких источников информации, сохранение работоспособности при отсутствии части входных данных и возможность независимой оценки отдельных этапов обработки. По совокупности этих критериев наиболее сбалансированным является модульный многоисточниковый подход. Его применение не исключает использования отдельных агентных механизмов на отдельных этапах, однако общая организация процесса при этом остаётся структурированной и контролируемой. Следовательно, высокая степень автоматизации системы не требует её полной автономности.

Заключение

В работе рассмотрены три архитектурных подхода к автоматической генерации тест-кейсов пользовательского интерфейса. Показано, что последовательный конвейер обеспечивает простоту и прозрачность, но ограничен фиксированной схемой обработки; агентная архитектура обладает высокой адаптивностью, однако усложняет трассировку и локализацию ошибок. Модульный многоисточниковый подход обеспечивает наиболее сбалансированное сочетание поддержки разнородных данных, автоматизации, расширяемости и контролируемости. Поэтому он выбран как предпочтительный класс архитектуры для дальнейшего исследования. Конкретные алгоритмы обработки, внутреннее представление данных и программная реализация остаются предметом последующей разработки и экспериментальной оценки.

Список литературы

1. International Software Testing Qualifications Board. Certified Tester Foundation Level Syllabus v4.0.1 [Электронный ресурс]. – 2024. – URL: https://istqb-main-web-prod.s3.amazonaws.com/media/documents/ISTQB_CTFL_Syllabus_v4.0.1.pdf (дата обращения: 19.08.2026).

2. J. Wang, Y. Huang, C. Chen. Software Testing With Large Language Models: Survey, Landscape, and Vision // IEEE Transactions on Software Engineering. – 2024. – Т. 50, № 4. – P. 911⁠–⁠936.

3. T. Li, C. Cui, R. Huang. Large Language Models for Automated Web-Form-Test Generation: An Empirical Study // ACM Transactions on Software Engineering and Methodology. – 2026. – Т. 35, № 3.