Performance testing with the aim of generating an efficient and effective workload to identify performance issues is challenging. Many of the automated approaches mainly rely on analyzing system models, source code, or extracting the usage pattern of the system during the execution. However, such information and artifacts are not always available. Moreover, all the transactions within a generated workload do not impact the performance of the system the same way, a finely tuned workload could accomplish the test objective in an efficient way. Model-free reinforcement learning is widely used for finding the optimal behavior to accomplish an objective in many decision-making problems without relying on a model of the system. This paper proposes that if the optimal policy (way) for generating test workload to meet a test objective can be learned by a test agent, then efficient test automation would be possible without relying on system models or source code. We present a self-adaptive reinforcement learning-driven load testing agent, RELOAD, that learns the optimal policy for test workload generation and generates an effective workload efficiently to meet the test objective. Once the agent learns the optimal policy, it can reuse the learned policy in subsequent testing activities. Our experiments show that the proposed intelligent load test agent can accomplish the test objective with lower test cost compared to common load testing procedures, and results in higher test efficiency.

中文翻译：

---

使用智能强化学习驱动的测试代理进行性能测试

旨在生成高效，有效的工作负载以识别性能问题的性能测试具有挑战性。许多自动化方法主要依赖于分析系统模型，源代码或在执行过程中提取系统的使用模式。但是，此类信息和工件并非始终可用。此外，生成的工作负载中的所有事务不会以相同的方式影响系统性能，因此，经过微调的工作负载可以有效地完成测试目标。无模型强化学习被广泛用于寻找最佳行为，以在不依赖系统模型的情况下完成许多决策问题中的目标。本文提出，如果测试代理可以学习生成满足测试目标的测试工作量的最佳策略（方式），那么就可以在不依赖系统模型或源代码的情况下实现高效的测试自动化。我们提供了一种自适应强化学习驱动的负载测试代理RELOAD，该代理学习用于生成测试工作负载的最佳策略，并有效地生成有效的工作负载以满足测试目标。代理学习到最佳策略后，便可以在随后的测试活动中重用学习到的策略。我们的实验表明，与常见的负载测试程序相比，所提出的智能负载测试代理可以以较低的测试成本实现测试目标，并具有更高的测试效率。这样就可以在不依赖系统模型或源代码的情况下实现高效的测试自动化。我们提供了一种自适应强化学习驱动的负载测试代理RELOAD，该代理学习用于生成测试工作负载的最佳策略，并有效地生成有效的工作负载以满足测试目标。代理学习到最佳策略后，便可以在随后的测试活动中重用学习到的策略。我们的实验表明，与常见的负载测试程序相比，所提出的智能负载测试代理可以以较低的测试成本实现测试目标，并具有更高的测试效率。这样就可以在不依赖系统模型或源代码的情况下实现高效的测试自动化。我们提供了一种自适应强化学习驱动的负载测试代理RELOAD，该代理学习用于生成测试工作负载的最佳策略，并有效地生成有效的工作负载以满足测试目标。代理学习到最佳策略后，便可以在随后的测试活动中重用学习到的策略。我们的实验表明，与常见的负载测试程序相比，所提出的智能负载测试代理可以以较低的测试成本实现测试目标，并具有更高的测试效率。学习用于生成测试工作负载的最佳策略，并有效地生成有效的工作负载以满足测试目标。代理了解到最佳策略后，便可以在随后的测试活动中重用学习到的策略。我们的实验表明，与常见的负载测试程序相比，所提出的智能负载测试代理可以以较低的测试成本实现测试目标，并具有更高的测试效率。学习用于生成测试工作负载的最佳策略，并有效地生成有效的工作负载以满足测试目标。代理学习到最佳策略后，便可以在随后的测试活动中重用学习到的策略。我们的实验表明，与常见的负载测试程序相比，所提出的智能负载测试代理可以以较低的测试成本实现测试目标，并具有更高的测试效率。