Do Mobile Developers Ask on Q&A Sites About Error Codes Thrown by a Cross-Platform App Development Framework? An Empirical Study
在过去的几年中,开发框架已经出现,使跨平台移动应用程序的开发和维护变得更加容易。Xamarin框架就是其中之一:它接受用C#编写的应用程序作为输入,并为Android,iOS和Windows Mobile平台生成本地代码。在使用Xamarin时,开发人员可能会遇到框架抛出的代码错误。不幸的是,Xamarin官方文档并没有提供所有这些代码的完整描述,解决方案或解决方案。本文分析了两个与Xamarin相关的问题和答案网站,以找到提到这些错误代码的问题。我们发现在这两个网站上都有开发人员写的关于Xamarin错误的问题,其中大多数至少有一个答案。我们的直觉是,这些发现的信息可能有助于为Xamarin开发人员提供支持。
2018-01-22 cs.SE
Layout and Image Recognition Driving Cross-Platform Automated Mobile Testing
碎片化问题已经从Android扩展到不同的平台,例如iOS,移动网络,甚至一些应用程序(app)中的小程序。在这种情况下,记录和回放测试脚本是一种流行的自动化移动应用程序测试方法。但这种方法在跨平台时遇到了严重的问题。需要开发同一应用程序的不同版本,以支持依赖于不同平台支持的不同平台。因此,移动应用程序开发人员需要针对完全相同的测试需求为多个平台开发和维护测试脚本,这大大增加了测试成本。然而,我们发现开发人员在不同平台上为同一应用程序的版本采用高度相似的用户界面布局。这种现象激励我们从类似UI布局的角度重放测试脚本。我们提出了一个图像驱动的移动应用程序测试框架,利用Widget特征匹配和布局特征匹配。我们利用计算机视觉技术对应用截图进行UI特征对比和布局层次提取,获取具有丰富上下文信息的UI结构,包括坐标、相对关系等。基于获取的UI结构,我们可以形成平台无关的测试脚本,然后定位待测目标widget。因此,建议的框架非侵入性重放测试脚本根据一种新的平台无关的测试脚本模型。我们还设计并实现了一个名为LIT的工具,将所提出的框架付诸实践,在此基础上,我们进行了实证研究,以评估所提出的测试框架的有效性和可用性。结果显示,在Android上,整体重放准确率达到63.39%左右(比最先进的方法提高了14%),在iOS上达到21.83%(比最先进的方法提高了98%)。
2021-02-22 cs.SE
Automating Software Development for Mobile Computing Platforms (Doctoral Symposium)
诸如智能电话和平板电脑的移动设备在当今的现代计算领域中已经变得无处不在。在这些移动设备上运行的应用(通常称为“app”)已经成为数百万用户的主要计算手段,并且因此已经引起了开发者的极大兴趣。这些应用程序通过基于触摸的UI和复杂的传感器组合提供独特的个人软件体验。然而,设计和实现高质量的移动应用程序可能是一个困难的过程。这主要是由于移动开发所特有的挑战,包括易于更改的API和平台碎片化,仅举几例。本文介绍了一篇论文的动机和概述,该论文提出了自动化和改进移动应用程序设计和开发实践的新方法。此外,本文讨论了潜在的途径,为今后的研究工作的基础上,以及一般的经验教训,在作者的任期内作为一个博士生在一般领域的软件工程,维护和进化。
2018-07-18 cs.SE
How Do Code Changes Evolve in Different Platforms? A Mining-based Investigation
代码更改在移动和非移动平台中的执行方式不同。之前的工作已经调查了特定平台的差异。然而,我们仍然缺乏对代码更改如何在不同软件平台上演变的更深入理解。在本文中,我们提出了一项研究,旨在调查的变化频率和源代码,构建和测试的变化如何在移动和非移动平台上共同发展。我们开发了回归模型来解释哪些因素会影响变化的频率,并应用Apriori算法来寻找经常同时发生的变化类型。我们的研究结果表明,非移动存储库每月的提交数量更高,我们的回归模型表明,当控制混淆因素(如代码大小)时,移动存储库会对提交数量产生负面影响。我们还发现,开发人员通常不会将源代码文件与构建或测试文件一起更改。我们认为,我们的研究结果可以为开发人员提供有价值的信息,如何在不同的平台上进行更改,使成功的软件系统中采用的做法可以遵循。
2019-10-24 cs.SE
Assessing the Feasibility of Web-Request Prediction Models on Mobile Platforms
预取网页是一种研究得很好的解决方案,它通过预测用户过去的行为来减少网络延迟。然而,这些技术在移动平台上基本上是未开发的。今天的隐私法规使得使用通常的策略来探索预取变得不可行,即在长时间内积累大量数据并构建传统的“大型”预测模型。我们的工作是基于这样一种观察,即这可能是不必要的:考虑到以前报告的移动设备使用趋势(例如,重复的行为在短暂的突发),我们假设预取应该有效地与“小”模型训练的移动用户的请求在更短的时间内收集。为了验证这一假设,我们构建了一个自动评估预测模型的框架,并使用它进行了一项广泛的实证研究,该研究基于在24小时内从近11,500名移动用户收集的超过1500万个HTTP请求,产生了超过700万个模型。我们的研究结果证明了在移动平台上使用小模型进行预取的可行性,直接激励了这一领域的未来工作。我们进一步介绍了几种策略,以改善预测模型,同时减少模型的大小。最后,我们的框架为未来在一系列使用场景中探索有效的预测模型提供了基础。
2021-03-24 cs.PF cs.SE
Practitioner Views on Mobile App Accessibility: Practices and Challenges
University of Hawaiʻi at Mānoa(夏威夷大学马诺阿分校)
本文通过混合方法调查研究了全球110名移动应用开发人员的可访问性实践,揭示了平台生态和开发经验对可访问性实施的影响及面临的挑战。
2026-01-20 cs.SE
Robustness Analysis of Deep Learning Frameworks on Mobile Platforms
Department of Electrical and Software Engineering, University of Calgary, Canada(卡尔加里大学电气与软件工程系,加拿大卡尔加里大学(注:此处按要求提取到大学级别,“Department of Electrical and Software Engineering”是系,但整体机构为University of Calgary,故保留原机构名))
随着近来现代移动设备的计算能力的增加,基于机器学习的繁重任务(诸如面部检测和语音识别)现在是此类设备的组成部分。这需要框架来执行机器学习模型(例如,深度神经网络)。虽然存在关于这些框架的准确性和性能的研究,但是设备上深度学习框架的质量(就其鲁棒性而言)尚未被系统地研究。在本文中,我们实证比较了两种设备上的深度学习框架与三种不同模型架构上的三种对抗攻击。我们还使用了量化和非量化的每一个架构的变体。结果表明,一般来说,两个深度学习框架在鲁棒性方面都不优于另一个,PC和移动框架之间也没有显著差异。然而,在边界攻击等情况下,移动版本比PC更强大。此外,当从PC移动到移动设备时,量化在所有情况下都提高了鲁棒性。
2021-09-20 cs.LG cs.SE
Neonatal EEG Interpretation and Decision Support Framework for Mobile Platforms
本文提出并实现了一种直观且普遍的解决方案,用于在超声和深度学习AI的辅助下进行新生儿EEG监测,为所有新生儿医疗保健专业人员提供有关新生儿大脑健康的信息,特别是那些没有EEG解释专业知识的人。该系统旨在增加能够诊断新生儿EEG异常的临床医生的人口统计学。该系统采用低成本、低功耗的脑电采集系统。Android应用程序提供单通道EEG可视化、由经过训练的深度卷积神经网络提供的新生儿癫痫发作存在的交通灯指示以及EEG声化算法,旨在促进对新生儿癫痫发作特定EEG形态变化的感知。多方面的EEG解释框架,并实现了移动平台架构的功耗和准确性进行了分析。
2018-06-08 cs.SE q-bio.NC stat.ML
EHR-Based Mobile and Web Platform for Chronic Disease Risk Prediction Using Large Language Multimodal Models
Stevens Institute of Technology(史蒂文斯理工学院);Northeastern University(东北大学);Far Eastern Memorial Hospital(远东纪念医院)
本研究利用台湾医院五年电子健康记录,构建基于大型语言多模态模型的慢性病预测平台,集成网络与移动应用,提供实时风险评估。
2024-06-26 cs.AI cs.CL cs.SE
Interpretable Gallbladder Ultrasound Diagnosis: A Lightweight Web-Mobile Software Platform with Real-Time XAI
University of Liberal Arts Bangladesh(乌拉尔大学 Bangladesh);BRAC University(BRAC大学)
本研究提出了一种轻量级网页-移动软件平台,利用混合深度学习模型MobResTaNet实现胆囊疾病的实时可解释诊断,准确率达99.85%。
2025-12-28 cs.CV cs.SE
Developing Apps for Researching the COVID-19 Pandemic with the TrackYourHealth Platform
通过封锁和日常生活的其他严重变化,几乎每个人都受到COVID-19大流行的影响。科学家和医生-除其他外-主要对研究,监测和改善一般人群的身心健康感兴趣。移动健康应用程序(mHealth)和分别进行生态瞬时评估(EMA)的应用程序可以在这方面提供帮助。然而,开发这样的移动应用程序带来了许多挑战,如昂贵的软件开发工作,严格的隐私规则,遵守道德准则,当地法律和法规。在本文中,我们介绍了TrackYourHealth(TYH),这是一个高度可配置、通用和模块化的移动数据汇集和EMA平台,使我们能够在短短几周内开发和发布两个与COVID-19相关的移动多平台应用程序。我们介绍了TYH,并强调了类似应用程序的研究人员和开发人员也可能面临的具体挑战,特别是在开发与医疗领域相关的应用程序时。
2021-03-25 cs.CY cs.SE
Software engineering for mobile applications, a survey on challenges and solutions
移动应用程序开发已成为软件工程的前沿。随着近年来许多智能手机平台的发展,包括但不限于webOS,黑莓OS,Tizen,Android和iOS。这些平台的共存导致了一个具有挑战性的情况,即应用程序必须开发和维护到相同的水平。移动应用程序开发场景最近出现了大量应用程序,这些应用程序适应了HTML5等Web元素,以产生类似于原生应用程序的应用程序,这些应用程序本质上是包装到容器中的Web视图,以显示为任何正常应用程序。这意味着应用程序的行为可以从一个用户到另一个用户有很大的不同,这意味着应用程序的行为可以发生很大的变化。因此,应用程序开发人员依赖于敏捷或临时的方法来进行开发,这种方法大多是自主的。在本文中,我们描述了在移动应用程序开发的上下文感知的艺术的当前状态。
2023-01-02 cs.SE
Cross-Platform vs Native Mobile Development: An Empirical Study of Software Quality Trade-offs
本研究通过比较五种移动开发实现,揭示跨平台与原生开发在软件质量上的权衡,强调优势与成本取决于质量属性、工作负载、平台和测量边界。
2026-09-21 cs.GT cs.PF cs.SE
Continuous, Evolutionary and Large-Scale: A New Perspective for Automated Mobile App Testing
移动应用程序开发涉及一系列独特的挑战,包括设备碎片化和快速发展的平台,使测试成为一项艰巨的任务。全面的移动测试策略的设计空间包括功能、输入、潜在的上下文应用程序状态以及设备和底层平台的大型组合。因此,自动化测试是开发过程中必不可少的活动。然而,移动应用程序的自动化测试工具的当前技术水平带来了限制,这些限制在实践中推动了对手动测试的偏好。到目前为止,还没有一个全面的自动化移动测试解决方案可以克服诸如自动化预言机、测试用例中的历史感知或测试用例的自动化演化等基本问题。在这篇观点论文中,我们调查了当前最先进的框架,工具和服务,以帮助开发人员在移动测试,突出目前的缺点。接下来,我们将对当前限制全面、有效和实用的自动化测试解决方案的可能性的关键挑战进行评论。最后,我们提出了一个全面的移动应用程序测试框架的愿景,并完成了研究议程,这是沿着三个原则简明扼要地总结:持续,进化和大规模(CEL)。
2018-01-19 cs.SE
Cross platform app: a comparative study
移动应用程序的使用现在是如此普遍,用户现在希望他们消费的服务的公司已经有一个应用程序来提供这些服务或您的网站的移动版本,但这并不总是简单或便宜。因此,混合开发已成为这一需求的潜在替代方案。这种新模式的发展已经引起了研究人员和公司的注意,成为移动开发的可行替代方案。本文展示了混合开发如何成为公司以低投资提供服务的替代方案,并仍然为客户提供优质服务。
2015-03-11 cs.CY cs.SE cs.SI
Toward a Knowledge-based Personalised Recommender System for Mobile App Development
在过去的几年里,移动应用程序开发的领域已经大大超出了全球软件市场的平衡。随着移动软件公司数量的增长,以及智能手机技术的日益成熟,开发人员一直在不同的平台上构建几类应用程序。然而,开发人员在实施移动应用程序项目时面临着一些挑战。特别是,缺乏能够迅速有效地为开发人员提供个性化服务的综合系统。因此,开发定制的系统至关重要,这些系统可以向移动应用程序开发人员推荐适当的工具,IDE,平台,软件组件和其他相关工件。本文提出了一种新的推荐系统框架,包括一套强化的技术,旨在为移动应用程序开发人员提供一个独特的平台来浏览和搜索个性化的工件。该系统利用本体和语义网技术以及机器学习技术。特别地,新的RS框架包括以下组件:(i)领域知识推理模块:包括各种语义Web技术和轻量级本体;(ii)剖析和偏好:新提出的时间感知多维用户建模;(iii)查询扩展:通过语义增强用户查询来改善和增强检索结果;以及(iv)推荐和信息过滤:利用上述组件向指定用户提供个性化服务,并以最小的不匹配回答用户的查询。
2020-12-25 cs.IR cs.SE cs.SI