«Мой основной стек — Java, но приходилось использовать Python и JavaScript»: что нужно знать QA Automation Engineer в 2021 году. Опыт EPAM

Времена, когда тестирование программного обеспечения сводилось к банальному поиску багов, давно ушли в прошлое. Меняющиеся требования к обеспечению качества продуктов разработки — мощный стимул к трансформации QA как дисциплины.

Согласно отчету MarketsAndMarkets к 2024 году рынок автоматизации вырастет более чем в два раза по сравнению с 2019-м и его объем достигнет $28,8 млрд.

Давайте разберемся, на какие тренды автоматизации тестирования стоит обратить внимание в 2021-м.

Security и penetration testing

Резкая цифровая трансформация бизнеса в 2020 году принесла новые возможности, но и повысила уязвимость к кибератакам. Тестирование безопасности приложений, сетей и систем помогает не только защитить транзакции и операции, но и убедиться в сохранности конфиденциальных данных клиентов компаний.

В чем особенности security и penetration testing? В контексте проектирования системы pentest является частью security-тестирования. То есть определенные аспекты безопасности, такие как проектирование модели угроз, Secure SDLC — закладываются в саму архитектуру будущей системы. Pentest в таком случае может стать частью стратегии тестирования: например, покрываться автоматизированными тестами и выполняться на регулярной основе.

Также тест на проникновение может проводиться не раз в релиз, а по мере готовности какой-то части функционала (логина пользователя, оплаты заказа в интернет-магазине). Таким образом, оценка безопасности готовой системы не будет требовать серьезных архитектурных изменений для устранения угроз. При работе над проектами EPAM мы часто используем акселератор Carrier, который позволяет облегчить внедрение этого вида тестирования в проект.

От Test Automation Engineer — к QAOps

Пожалуй, не стоит утверждать, что специализация QAOps (quality assurance + software operations) — на стыке автоматизации тестирования и DevOps — абсолютно новая, ведь облачные вычисления появились не вчера.

Опытные тестировщики-автоматизаторы должны быть подкованными в сфере облачных технологий.

К примеру, уметь настроить кластер, развернуть в нем приложение, подготовить необходимую для работы инфраструктуру. Собеседуя специалистов на проекты ЕРАМ, мы обращаем внимание на их умение работать с Docker, Kubernetes, знание особенностей облачной инфраструктуры. Владение этими технологиями позволяет выполнить задачу гораздо быстрее, без вовлечения DevOps-специалистов, которым для начала приходится вникать в особенности проекта и задействованного инструментария.

Автоматизация всего процесса тестирования

Этот тренд относится ко всему циклу тестирования: от создания тест-кейсов до отчетности. Объясню на примере: специалисты ЕРАМ недавно создали новый интересный и эффективный инструмент — акселератор Drill4J. Он запускается при старте приложения и отслеживает вызываемые части кода. Таким образом агент автоматически собирает метрики и по окончании выполнения тестов мануальным тестировщиком или прогона автотестов высылает их на аналитический портал для формирования отчета. Инструмент позволяет отследить, какая часть кода была покрыта выполненными тест-кейсами. Кроме того, он автоматически генерирует информацию не только о наличии ошибки, но и о ее параметрах, местах и условиях, при которых она была обнаружена. Так приложение формирует дебаг-репорт для разработчика. Это значительно упрощает работу девелоперов и экономит время команды.

Drill4J – инструмент с открытым исходным кодом, а это значит, что разработкой могут воспользоваться все, кому она пригодится в работе.

Искусственный интеллект и машинное обучение

Здесь речь идет, скорее, о перспективе. Ожидается, что широкое применение ИИ в автоматизации в будущем позволит оптимизировать тест-стратегии и войти в ритм непрерывного релизного цикла. Но машинное обучение – нишевая технология, которая не может быть применена ко всем проектам. К примеру, в тестировании API, работе с базами данных или любыми другими проектами, где важна скорость выполнения, машинное обучение — не панацея. Ведь роботу для обучения нужно время — только после этого он сможет выполнять монотонную работу гораздо быстрее человека.

Удачный пример эффективного использования этой технологии — внутренний Report Portal нашей компании.

Внедрение машинного обучения позволило сократить время анализа отчетов в среднем с шести часов до 20 минут.

Java в автоматизации тестирования

Несмотря на то, что некоторые рейтинги приписывают пальму первенства JavaScript, Java пока остается лидером в автоматизации тестирования. Во многом так происходит благодаря сильному профессиональному сообществу, в котором можно найти ответы практически на любые вопросы, а также огромному количеству фреймворков, позволяющим быстро собрать каркас будущих решений.

Многих начинающих Java-автоматизаторов отпугивает высокий порог вхождения (по сравнению с JavaScript или Python). Но необходимость приложить больше усилий на старте компенсируется более широкими возможностями в дальнейшем. Но на определенном этапе карьеры одним языком вам все равно не обойтись.

Мой основной стек — Java, но работая с Azure, приходилось дописывать скрипты на Python, а с Selenium приходится применять JavaScript.

В заключение скажу: не прекращайте учиться. Автоматизация тестирования — сложный и интересный процесс, который постоянно меняется. Но разбираясь в технологиях, вы всегда будете востребованным на рынке.