A playtest is the process in which human testers are recruited to play video games and to reveal software bugs. Manual testing is expensive and time-consuming, especially when there are many mobile games to test and every software version requires for extensive testing before being released. Existing testing frameworks (e.g., Android Monkey) are limited because they adopt no domain knowledge to play games. Learning-based tools (e.g., Wuji) involve a huge amount of training data and computation before testing any game. This paper presents LIT -- our lightweight approach to generalize playtesting tactics from manual testing, and to adopt the generalized tactics to automate game testing. LIT consists of two phases. In Phase I, while a human plays an Android game app G for a short period of time (e.g., eight minutes), \tool records the user's actions (e.g., swipe) and the scene before each action. Based on the collected data, LIT generalizes a set of \emph{context-aware, abstract playtesting tactics} which describe under what circumstances, what actions can be taken to play the game. In Phase II, LIT tests G based on the generalized tactics. Namely, given a randomly generated game scene, LIT searches match for the abstract context of any inferred tactic; if there is a match, LIT customizes the tactic and generates a feasible event to play the game. Our evaluation with nine games shows LIT to outperform two state-of-the-art tools. This implies that by automating playtest, LIT will significantly reduce manual testing and boost the quality of game apps.

中文翻译：

---

一种轻量级的人类游戏测试方法

游戏测试是招募测试人员玩视频游戏并揭示软件错误的过程。手动测试既昂贵又耗时，特别是当要测试许多移动游戏并且每个软件版本都需要进行广泛测试之后才能发布。现有的测试框架（例如Android Monkey）受到限制，因为它们不采用任何领域知识来玩游戏。基于学习的工具（例如Wuji）在测试任何游戏之前会涉及大量的训练数据和计算。本文介绍了LIT-我们的轻量级方法，可以从手动测试中概括出游戏测试策略，并采用广义策略来自动化游戏测试。LIT由两个阶段组成。在第一阶段中，当人类在短时间内（例如八分钟）玩Android游戏应用G时，\ tool会记录用户的 的动作（例如，滑动）以及每个动作之前的场景。根据收集到的数据，LIT概括了一组\ emph {可感知上下文的抽象游戏测试策略}，它描述了在什么情况下可以采取什么行动来玩游戏。在第二阶段，LIT根据通用策略对G进行测试。即，在给定随机生成的游戏场景的情况下，LIT搜索会匹配任何推断出的战术的抽象上下文。如果有比赛，LIT会自定义战术并生成一个可行的事件来玩游戏。我们对9款游戏的评估显示LIT胜过了两种最先进的工具。这意味着通过自动进行游戏测试，LIT将大大减少手动测试并提高游戏应用程序的质量。抽象的游戏测试策略}，它描述了在什么情况下可以采取什么行动来玩游戏。在第二阶段，LIT根据通用策略对G进行测试。即，在给定随机生成的游戏场景的情况下，LIT搜索会匹配任何推断出的战术的抽象上下文。如果有比赛，LIT会自定义战术并生成一个可行的事件来玩游戏。我们对9款游戏的评估表明LIT胜过了两种最先进的工具。这意味着通过自动进行游戏测试，LIT将大大减少手动测试并提高游戏应用程序的质量。抽象的游戏测试策略}，它描述了在什么情况下可以采取什么行动来玩游戏。在第二阶段，LIT根据通用策略对G进行测试。即，在给定随机生成的游戏场景的情况下，LIT搜索会匹配任何推断出的战术的抽象上下文。如果有比赛，LIT会自定义战术并生成一个可行的事件来玩游戏。我们对9款游戏的评估表明LIT胜过了两种最先进的工具。这意味着通过自动进行游戏测试，LIT将大大减少手动测试并提高游戏应用程序的质量。LIT搜索匹配任何推断策略的抽象上下文；如果有比赛，LIT会自定义战术并生成一个可行的事件来玩游戏。我们对9款游戏的评估表明LIT胜过了两种最先进的工具。这意味着通过自动进行游戏测试，LIT将大大减少手动测试并提高游戏应用程序的质量。LIT搜索匹配任何推断策略的抽象上下文；如果有比赛，LIT会自定义战术并生成一个可行的事件来玩游戏。我们对9款游戏的评估表明LIT胜过了两种最先进的工具。这意味着通过自动进行游戏测试，LIT将大大减少手动测试并提高游戏应用程序的质量。