背景

岩鼠平台，支持云真机租用，也支持自动化测试。其背后都是大量设备资源的使用，而真机测试设备及自动化测试的设备资源是否能合理利用，关系到企业的设备成本。如何达到设备利用最大化呢，有几个维度需要考虑：

为了保证真机测试需求，同时提升整体自动化测试的成功率和稳定性，也为了能让各台设备达到最大利用率，岩鼠平台做了不少设计和优化，积累了一些经验，在此与各位读者分享一下。

解决方案

首先，由于云真机和自动化都会占用机器，我们可以根据云真机的使用需求，为云真机和不同的自动化测试各自分配自己的设备池子。但由于需求是在一定范围内波动，不是完全定量的，因此可以将部分设备设置为共用，这样能最大程度的将设备利用起来。

而其中的难点又在于，对于自动化测试来说，有多个设备池子，不同测试对设备的要求又不同，通过什么样的策略才能更大程度的保障任务成功率和设备利用率呢？接下来将对此重点介绍。

自动化测试中，从任务创建开始，到任务在各个具体设备上执行，总共经历了三个阶段，分别是：设备准备、设备规则筛选、设备排位与占用，可选设备逐阶段减少，大体如下：

本阶段主要是初步筛选出适合待分配任务的基础设备池，其中主要有以下流程：

若用户创建任务时有指定的分配策略，则预加载，否则使用默认策略，例如目前岩鼠平台开放了 “随机” 策略，则在此处会预加载 “随机” 策略设置的关联约束和筛选偏好；
不同的测试类型（如兼容性，或者是深度智能遍历），需要加载不同的设备组，一是考虑到术业有专攻，里面都是经过平台精心挑选和分类的适合该测试场景的设备，二是尽量减少彼此之间的影响，例如对于同一台设备，平台是会争取避免上一个跑偏重于性能测试的任务，而下一个却是跑偏重于稳定性的任务；
筛选用户权限范围内的设备；
准备好设备的各种筛选属性，并根据一定时间内的已运行任务数和运行时间，通过特定公式算出一个值，可以认为这个值就是该设备的疲劳系数。

通过上述可知，此处提到的策略和设备组，都是平台已经预置好的，也会随着已有的运行结果和实际的业务发展而持续演变，并结合大数据平台进行优化，这里就不再展开了。

从处理逻辑来看，这阶段更像是一个规则引擎，根据需求可加载不同的插件，进一步优选出符合实际测试要求的可运行设备池，目前已支持的有：

根据 app 设置去筛选所需设备的最低/最高版本，例如某些应用只能运行在 Android 6.0 以上的设备，这也是保证任务成功的前提条件之一；
默认会根据疲劳系数和过往任务成功率进行优先级排列，也可以接受自定义权值，例如是看重成功率，则将成功率的权值提高，或者是想要优先使用较 “新” 的设备，则可以结合疲劳系数和入库时间传入权值，这些都会影响到设备的推荐分数；
默认是 “随机” 策略，但也可定制其它策略，例如 Android 的 API 遍历，就是从每个 Android 版本里面各挑出一台设备组成测试，以达到测试版本兼容性的目的；
可指定特定品牌或特定机型进行测试，当然也少不了 TOP10、TOP20、TOP50 的维度；
……

这里的筛选插件相互之间基本是 “且” 的关系，即对设备进行层层过滤，若有特殊需求，也可以配置出 “或” 的关联；对于有经验的开发者，查看接口文档之后，一般一两个小时即可开发出一个新插件，测试通过之后就能注册到容器中，从而对外提供服务。

经过层层筛选之后，最终落实到占用设备的环节，又细分出两大步骤：

经过上面两个步骤，每台设备都会有一个推荐分数，此处会根据分数进行区间划分（可以考虑下为啥不直接按分数高低倒序分配），高分区间会优先被占，分到同一区间的则会进行疲劳系数排队，系数越小，排名越前，最终得到提权后的设备队列；若排名也一致，则再进行随机出列的处理；
从队列取出第一台设备，若设备能被占用，则落实到该子任务；若设备占用失败，则继续下一设备的尝试，直到没有空余设备，或清空了子任务列表，则整体分配完毕。

人无完人，更何况是管理了这么多 “性格各异” 的设备的方案呢，先说说好的方面：

由于疲劳系数的引入，除开某些崩得太严重的个体，用于自动化测试的设备都有机会、且平均地被分配到任务，需要注意的是，这里说的平均，不是绝对的平均，还是要看设备本身的素质，若能力越强，分到的任务也多，反之亦然；
筛选插件可不断扩展，快速满足各种分配需求；
毕竟最终都是对口的设备，可有效提高任务成功率。
至于不好的，在设计之初也是有所预见：
存在一些重复或无用的查询问题，例如算了好几台设备的疲劳系数，但可能在筛选中早早就被过滤了；
并发性能受到约束，考虑这么一个场景：一个任务不要的设备，却是另一个任务需要的。

更进一步提升设备分配策略和算法，更大程度的提升设备利用率，在满足业务需求的情况下，降低成本：

# 免费试用岩鼠云设备平台
赶快来试用下岩鼠云真机吧！每天都有免费试用体验额度哦。

↙↙↙阅读原文可查看相关链接，并与作者交流