基于Jacoco的增量覆盖率实现与落地

前言

测试团队在执行自动化或者黑盒测试时，希望同时获取代码的覆盖率，测研团队由此开发了第一代自动化覆盖率平台。随着业务迭代，存量代码越来越多，使用过程中遇到了很多新的问题，例如：

无法统计增量代码覆盖率，以便量化测试完整度
不支持合并覆盖率报告，多人多环境协作测试时无法获得完整统计数据
报告手动生成，以及生成报告的必要信息也需要人肉收集，系统间自动化程度低，用户使用效率低

针对上述的问题，测试研发团队开发了覆盖率平台2.0版本，实现了增量代码覆盖率，包括定时采样，自动合并报告等功能，以赋能团队精准测试能力。

方案设计

增量代码覆盖率基于Jacoco实现，Jacoco是基于JVM虚拟机的使用最广的第三方代码覆盖率开源工具。我们的设计主要针对JacocoCore模块，Analyze模块进行功能扩展，在数据分析中加入增量行计数逻辑，以实现增量覆盖率统计。出于体系建设考虑，我们集成增量覆盖率功能到DevOps发布流程，完善了质量量化和风险约束能力，设计方案如下：
基于Jacoco的增量覆盖率实现与落地
增量覆盖率实现方案

Rubik自动化平台会根据发布系统推送的发布事件自动触发定时采样，数据合并，另外项目管理系统按一定规则读取统计数据，并且会对覆盖率未达标的发布流程进行卡点约束。

主要功能说明

CodeDiff数据解析

增量行数据是计算增量覆盖率的前提，Rubik平台通过发布系统获得被测站点的包版本与生产包版本，调用GitLabApi获取差异代码数据，差异代码数据为纯字符串格式，解析转换为差异行数据，转换逻辑如下：
/// / 解析GitDiff数据 / @param diff 代码差异生数据 / @return 增量行数组 // public static int[] parseIncrLines(String diff) { GitDiffHelper helper = new GitDiffHelper(diff); helper.parse(); return helper.newLines; } private void parse(){ if (diff == null || diff.length() == 0) { return; } // 跳过文件信息 nextLineIfMinusFile(); nextLineIfPlusFile(); while (!eof()) { // 解析差异行数据块 parseBlock(); } }

采样数据分析

Jacoco通过各个维度的计数器逐层累加实现，分别为：

指令计数器（CounterImpl）
行计数器（LineImpl）
方法计算节点（MethodCoverageImpl）
类计算节点(ClassCoverageImpl)
Package计算节点（PackageCoverageImpl）
Module计算节点（BundleCoverageImpl）
站点计算节点（Jacoco未提供，可自行实现）

通过从底层指令计数器开始逐层累加，最终得到站点级统计信息。为实现增量行统计，我们将增量行与全量行分开，在计算节点父类中（CoverageNodeImpl）中增加了增量行计数器。
public class CoverageNodeImpl implements ICoverageNode{ ... /// / 全量行计数器 // protected CounterImpl lineCounter; /// / 增量行计数器 // protected CounterImpl diffLineCounter; ...

在原计数逻辑中加入增量行计数逻辑，如下：

public class SourceNodeImpl extends CoverageNodeImpl implements ISourceNode{ private LineImpl[] lines; // 由GitDiff计算得到的差异行数据 private int[] diffLines; ... // 由行内指令计数器累加行计数器 private void incrementLine(final ICounter instructions, final ICounter branches, final int line){ ensureCapacity(line, line); final LineImpl l = getLine(line); final int oldTotal = l.getInstructionCounter().getTotalCount(); final int oldCovered = l.getInstructionCounter().getCoveredCount(); boolean isDiffLine; if (l == LineImpl.EMPTY) { // 确定是否为增量行 isDiffLine = diffLines != null && Arrays.binarySearch(diffLines, line) >= 0; } else { isDiffLine = l.isDiffLine(); } lines[line - offset] = l.increment(instructions, branches, isDiffLine); // Increment line counter: if (instructions.getTotalCount() > 0) { if (instructions.getCoveredCount() == 0) { if (oldTotal == 0) { lineCounter = lineCounter.increment(CounterImpl.COUNTER_1_0); // 增量行处理逻辑：处理已覆盖行 if (isDiffLine) { diffLineCounter = diffLineCounter.increment(CounterImpl.COUNTER_1_0); } } } else { if (oldTotal == 0) { lineCounter = lineCounter.increment(CounterImpl.COUNTER_0_1); // 增量行处理逻辑：处理未覆盖行 if (isDiffLine) { diffLineCounter = diffLineCounter.increment(CounterImpl.COUNTER_0_1); } } else { if (oldCovered == 0) { lineCounter = lineCounter.increment(-1, +1); // 增量行处理逻辑：处理部分覆盖行 if (isDiffLine) { diffLineCounter = diffLineCounter.increment(-1, +1); } } } } } }

另外行计数器中Jacoco通过四维数组单例，用固定数量的对象表示8^4（4096）种计数情况，实现了计数缓存，以提高内存使用率，这里增加了增量行标志位以区别全量行计数器，但是Jacoco自身的缓存计数器(Fix类)无法适配增量的情况，所以这里也同样增加了增量行缓存计数器，即DiffFix类，这里会带来固定的4096个DiffFix对象的额外开销，但是对整体性能影响几乎可以忽略。

public abstract class LineImpl implements ILine{ ... private final boolean isDiffLine; private static final LineImpl[][][][] SINGLETONS = new LineImpl[SINGLETON_INS_LIMIT + 1][][][]; private static final LineImpl[][][][] DIFF_SINGLETONS = new LineImpl[SINGLETON_INS_LIMIT + 1][][][]; static { // 全量行计数缓存 for (int i = 0; i <= SINGLETON_INS_LIMIT; i++) { SINGLETONS[i] = new LineImpl[SINGLETON_INS_LIMIT + 1][][]; for (int j = 0; j <= SINGLETON_INS_LIMIT; j++) { SINGLETONSi = new LineImpl[SINGLETON_BRA_LIMIT + 1][]; for (int k = 0; k <= SINGLETON_BRA_LIMIT; k++) { SINGLETONSi[k] = new LineImpl[SINGLETON_BRA_LIMIT + 1]; for (int l = 0; l <= SINGLETON_BRA_LIMIT; l++) { SINGLETONSik = new Fix(i, j, k, l); } } } } // 增量行计数缓存 for (int i = 0; i <= SINGLETON_INS_LIMIT; i++) { DIFF_SINGLETONS[i] = new LineImpl[SINGLETON_INS_LIMIT + 1][][]; for (int j = 0; j <= SINGLETON_INS_LIMIT; j++) { DIFF_SINGLETONSi = new LineImpl[SINGLETON_BRA_LIMIT + 1][]; for (int k = 0; k <= SINGLETON_BRA_LIMIT; k++) { DIFF_SINGLETONSi[k] = new LineImpl[SINGLETON_BRA_LIMIT + 1]; for (int l = 0; l <= SINGLETON_BRA_LIMIT; l++) { DIFF_SINGLETONSik = new DiffFix(i, j, k, l); } } } } }

覆盖率报告

出于对可读性的要求，我们没有采用Jacoco原生的Html报告，而是独立开发了相对更为简洁的增量/全量报告，如下：
基于Jacoco的增量覆盖率实现与落地

全环境覆盖率报告如下：

基于Jacoco的增量覆盖率实现与落地

数据合并

测试过程往往经过多次发布，可能因为分批提测，也可能因为修复缺陷，每次JVM启动后需要将之前的采样数据合并到下一次采样数据中继续累加，Rubik平台接收发布事件并按以下规则自动合并：

站点发布新版本前进行最后一次采样
站点发布新版本中，健康检查通过后立即进行一次采样，并且同时开启定时采样
任意一次采样都将进行向前自动合并数据，向前查找规则为：同一站点，同一环境，同一代码分支的最近一次采样数据

虽然可以在PAones项目管理平台的发布工单中查看站点覆盖率报告，但想实时查看站点的增量覆盖情况，用户可登录Rubik平台，指定自己的测试环境，就可以方便的看到被测环境内所有站点的增量覆盖率（按每小时定时采样，也可手动触发实时采样），从而相对精准的控制测试进度，减少漏测问题。效果如下图。
基于Jacoco的增量覆盖率实现与落地

项目实施中遇到的问题

数据合并问题

现象

覆盖率平台平均每天需要对400+个站点提供分析服务，另外算上每小时定时采样，一天完成超过8000次采样分析以及报告生成，在上线运行一段时间后发现，偶尔会出现服务响应慢或卡顿，甚至不可用现象。

分析

针对异常时内存分析发现，主要堆积的对象是SessionInfoStore。
基于Jacoco的增量覆盖率实现与落地

SessionInfoStore是Jacoco用来进行代码分析展示的底层类，包含所有的执行类信息，在自动合并过程中Jacoco默认对SessionInfo进行了累加而非合并，导致每进行一次合并采样文件数据量都会增加30%到50%，随着不断对采样数据合并，加载文件所消耗内存急剧增加，直到并发加载几个文件就导致内存耗尽，频繁触发GC，通过复盘发现，一份采样文件由最初的10K到问题出现时可以扩大到800M到1.5G。

优化方案

通过调查发现SessionInfo只在原生Html报告中需要使用，去掉后不影响自研报告展示，也不会破坏Jacoco分析数据流程，于是优(cu)雅(bao)的将合并数据中的对应逻辑直接去除，最终解决了这个问题，修改代码如下：
/// / Deserialization of execution data from binary streams. // public class ExecutionDataReader{ ... // Rubik报告无需合并SessionInfo private void readSessionInfo() throws IOException{ // if (sessionInfoVisitor == null) { // throw new IOException("No session info visitor."); // } // final String id = in.readUTF(); // final long start = in.readLong(); // final long dump = in.readLong(); // sessionInfoVisitor.visitSessionInfo(new SessionInfo(id, start, dump)); } // 合并采样数据 private void readExecutionData() throws IOException{ if (executionDataVisitor == null) { throw new IOException("No execution data visitor."); } final long id = in.readLong(); final String name = in.readUTF(); final boolean[] probes = in.readBooleanArray(); executionDataVisitor.visitClassExecution(new ExecutionData(id, name, probes)); }