LinkedIn Test Butler旨在改进Android UI测试

LinkedIn工程师Drew Hannay创建的开源工具TestButler针对Android平台提供了稳定的测试环境,解决了移动测试中常见的问题,如可靠性、可重复性和速度等。通过在Android模拟器上作为后台服务运行,TestButler能够禁用动画、系统对话框,同时监控锁屏、Wi-Fi和CPU状态,确保测试过程不受干扰。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

LinkedIn工程师兼Test Butler创建者Drew Hannay写道,Test Butler是一款面向Android的开源测试工具,它允许开发人员对若干测试环境设置通过编程进行控制,从而使开发人员可以可靠地运行测试。

\\

据Hannay介绍,Test Butler的灵感来自谷歌2014年的演讲“环保之路:清理有毒的移动环境”。该演讲介绍了如何解决反复出现并影响移动测试的问题,比如缺少可靠性和可再现性、速度缓慢等。Hannay表示,当结果可能受到环境因素影响时,测试就不可靠了,尤其是当它们出现在设备/操作系统层面时,比如Android模拟器的CPU突然休眠,不正常的设备方向变化,随机出现的锁屏,意外弹出的系统对话框,等等。所有那些事件都会导致Espresso UI测试失败。

\\

为了解决这些问题,按照最初的设计,Test Butler将作为一个后台服务在Android模拟器上运行,提供一些旨在增加测试环境稳定性的特性,比如:

\\
  • 禁用动画,这是Espresso正常运行所需要的; \\
  • 通过安装一个自定义的IActivityController禁用系统对话框; \\
  • 监控模拟器的锁屏、Wi-Fi和CPU,保证它们不会休眠。\

测试中的应用可以和Test Butler进行通信,并控制多个测试环境变量,比如:

\\
  • 启用/禁用Wi-Fi; \\
  • 在测试执行过程中通过编程改变设备方向; \\
  • 模拟不同的定位服务模式,比如,省电模式或者高精度模式; \\
  • 定义应用程序运行的区域设置。\

Test Butler的一个关键方面是,它使用面向内置Android模拟器的系统密钥库进行签名。也就是说,它会自动取得自己所需的任何signature级的权限,而不需要通过ADB,或者篡改清单文件。

\\

下面的代码展示了如何设置应用,让其和Test Butler一起工作:

\\
public class ExampleTestRunner extends AndroidJUnitRunner {\  @Override\  public void onStart() {\      TestButler.setup(InstrumentationRegistry.getTargetContext());\      super.onStart();\  }\\  @Override\  public void finish(int resultCode, Bundle results) {\      TestButler.teardown(InstrumentationRegistry.getTargetContext());\      super.finish(resultCode, results);\  }\}\
\\

当应用和Test Butler的连接建立后,你可以使用TestButler类提供的多种方法控制测试环境,比如修改定位服务模式、设置Wi-Fi状态、触发设备反转,等等。

\\

据Hannay介绍,目前,LinkedIn每天使用Test Butler运行超过1百万次测试。该工具是开源的,代码托管在GitHub上

\\

查看英文原文:LinkedIn Test Butler Aims to Improve UI Testing on Android

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值