Anchor: Locating Android Framework-specific Crashing Faults
Android框架特定的应用程序崩溃很难调试。事实上,Android基于回调的事件驱动机制挑战了为传统Java程序开发的崩溃本地化技术。关键的挑战源于这样一个事实,即错误代码的位置甚至可能没有在堆栈跟踪中列出。例如,我们对来自一个开放基准测试的500个特定于框架的崩溃进行了实证研究,发现37%的崩溃类型与堆栈跟踪之外的错误有关。此外,Android程序是代码和额外代码工件(如Manifest文件)的混合体。任何工件都可能导致应用程序执行失败,这一事实导致需要将本地化目标定位在代码领域之外。在本文中,我们提出了锚,一个两阶段的可疑错误定位建议工具。Anchor专门用于在堆栈跟踪之外查找导致崩溃的错误。Anchor是轻量级的,并且与源代码无关,因为它只需要崩溃消息和apk文件来定位故障。通过交叉验证和野外数据集评估收集的实验结果表明,Anchor在定位Android框架特定的崩溃故障方面是有效的。
2020-08-04 cs.SE
CrashScope: A Practical Tool for Automated Testing of Android Applications
在测试移动应用程序时,由于其普遍的事件驱动性质和复杂的上下文功能(例如传感器,通知),会出现独特的挑战。当前用于Android应用的自动化输入生成方法由于所需的仪器化或平台依赖性而通常对于开发人员来说不实用,并且通常不能有效地运用上下文特征。为了更好地支持开发人员执行移动测试任务,在本演示中,我们将介绍一种名为CrashScope的新型自动化工具。此工具根据静态和动态分析提供的几种策略,使用系统输入生成来探索给定的Android应用程序,其内在目标是触发崩溃。当检测到崩溃时,CrashScope会生成一个增强的崩溃报告,其中包含屏幕截图、详细的崩溃再现步骤、捕获的异常堆栈跟踪以及一个完全可重播的脚本,该脚本可在目标设备上自动再现崩溃。初步研究结果表明,CrashScope能够发现与其他最先进的工具一样多的崩溃,同时为开发人员提供详细有用的崩溃报告和测试脚本。网址:www.example.com视频网址:www.example.com
2018-01-18 cs.SE
Enhancing Android Application Bug Reporting
随着智能手机和平板电脑的普及,现代软件开发领域的重点已经转向移动应用程序。由于这种趋势,这些“应用程序”的复杂性一直在增加,使开发和维护具有挑战性。当前的错误跟踪系统不能有效地促进具有将直接导致错误解决的有用信息的错误报告的创建。为了满足对改进报告系统的需求,我们引入了一种名为Fusion的新颖解决方案,该解决方案可帮助报告者利用其以GUI为中心的特性,自动完成移动应用程序错误报告中的复制步骤。融合将报告者提供的信息链接到通过预先执行的静态和动态分析提取的程序工件。这使得我们的系统能够为开发人员和测试人员提供更方便的报告过程,同时生成更多可重复的错误报告,并提供立即可操作的信息。
2017-06-04 cs.SE
BURT: A Chatbot for Interactive Bug Reporting
本文介绍了BURT,一个基于Web的聊天机器人,用于交互式报告Android应用程序错误。BURT旨在帮助Android应用最终用户使用交互式界面报告高质量的缺陷信息。BURT指导用户报告基本的错误报告元素,即,观察到的行为、预期的行为以及重现bug的步骤。它验证用户所写文本的质量并提供即时反馈。此外,BURT提供了图形化的建议,用户可以选择作为文本描述的替代方案。我们对BURT进行了实证评估,要求最终用户报告六个Android应用程序的错误。记者发现,BURT的指导以及自动建议和澄清很有用,而且BURT很容易使用。BURT是一个开源工具,可在github.com/sea-lab-wm/burt/tree/tool-demo上获得。可以在https://youtu.be/SyfOXpHYGRo上找到显示BURT全部功能的视频
2023-02-13 cs.SE
Auto-completing Bug Reports for Android Applications
随着平板电脑和智能手机的普及,现代软件开发领域的重点已经转向移动应用程序。由于这种趋势,这些应用程序的复杂性一直在增加,使开发和维护具有挑战性。此外,当前的错误跟踪系统不能有效地支持具有直接导致错误解决的可操作信息的报告的构造。为了满足对改进报告系统的需求,我们引入了一种名为FUSION的新解决方案,可以帮助用户自动完成移动应用程序错误报告中的复制步骤。FUSION将用户提供的信息链接到通过测试或发布前执行的静态和动态分析提取的程序工件。FUSION采用的方法可推广到其他当前的移动软件平台,并构成了一种新的方法,通过该方法可以为移动软件项目进行离线错误报告。在一项涉及28名参与者的研究中,我们应用FUSION来支持报告和再现14个开源Android应用程序中发现的15个真实世界错误的维护任务,同时定性和定性地测量系统的用户体验。我们的研究结果表明,与传统的问题跟踪系统相比,FUSION通过提供更详细的上下文应用信息,既有效地促进了报告,又允许更可靠地再现报告中的错误。
2017-05-11 cs.SE
DroidLeaks: Benchmarking Resource Leak Bugs for Android Applications
Android应用中的资源泄漏漏洞非常普遍,可能导致严重的性能下降和系统崩溃。近年来,已经提出了几种资源泄漏检测技术来帮助Android开发人员正确管理系统资源。然而,目前还没有一个通用的bug基准来有效和可靠地比较这些技术,并定量地评估它们的优缺点。本文介绍了我们对构建这样一个基准的初步贡献。为了找到真正的资源泄漏漏洞,我们挖掘了34个大规模开源Android应用程序的124,215个代码修订。我们成功地从34个应用程序中的32个应用程序中发现了298个修复的资源泄漏,这些泄漏涵盖了各种资源类。为了了解这些漏洞的特征,我们进行了一项实证研究,揭示了Android应用中频繁发生资源泄漏的根本原因以及开发人员常见的故障模式。根据我们的发现,我们进一步实现了一个静态检查器,以检测Android应用程序中常见的资源泄漏模式。实验表明,该检测器能够有效地定位流行Android应用中的真实资源泄漏,验证了我们工作的实用性。
2016-11-24 cs.SE
DeepAnalyze: Learning to Localize Crashes at Scale
Microsoft Research(微软研究院);Microsoft(微软)
崩溃本地化是调试崩溃的重要步骤,在处理大量不同的应用程序和平台以及根本原因时具有挑战性。大型错误报告系统,例如,Windows错误报告(WER)通常依赖于手动开发的规则和策略来定位导致崩溃的归咎帧。随着新的应用程序和功能的不断引入,以及现有应用程序在新的环境下运行,开发新规则和维护现有规则变得非常具有挑战性。我们提出了一个数据驱动的解决方案来解决这个问题。我们首先对362K崩溃及其归咎于WER的方法进行了第一次大规模的实证研究,该研究是由该领域运行的数万个应用程序报告的。分析提供了有价值的见解,在哪里和如何发生崩溃,以及什么方法归咎于崩溃。这些见解使我们能够开发DeepAnalyze,这是一种新颖的多任务序列标记方法,用于识别堆栈跟踪中的归咎帧。我们使用来自四个流行的Microsoft应用程序的超过一百万个真实世界的崩溃来评估我们的模型,并表明使用来自一组应用程序的崩溃进行训练的DeepAnalyze不仅准确地定位了相同应用程序的崩溃,而且还为其他应用程序引导了崩溃本地化,并且具有零到很少的额外训练数据。
2021-12-03 cs.AI cs.DC cs.LG
LLM-CompDroid: Repairing Configuration Compatibility Bugs in Android Apps with Pre-trained Large Language Models
本文提出LLM-CompDroid框架,结合大语言模型与传统工具修复Android XML配置兼容性缺陷,实验表明其性能显著优于现有工具ConfFix。
2024-02-23 cs.SE
Challenges in Android Data Disclosure: An Empirical Study
Heinz Nixdorf Institute Paderborn University(帕德博恩大学海因茨·诺伊多夫研究所);Fraunhofer IEM(弗劳恩霍夫应用集成研究所以及工程研究所)
本文通过调查和分析开发者讨论,揭示开发者在填写Google数据安全部分表单时的分类困难和信心不足问题,指出需更清晰的指导和工具支持。
2026-04-24 cs.SE
AndroR2: A Dataset of Manually Reproduced Bug Reports for Android Applications
软件维护构成了软件开发生命周期的很大一部分。为了执行维护任务,开发人员通常需要理解并复制错误报告。因此,越来越多的研究活动围绕着自动化与bug报告相关的各种活动的概念。这种研究兴趣的相当大一部分集中在移动应用程序领域。然而,随着围绕移动应用程序错误报告的研究进展,显然需要一组手动审查和可复制的真实世界错误报告,可以作为未来工作的基准。本文介绍了ANDROR2:Google Play上列出并托管在GitHub上的Android应用程序的90个手动复制的错误报告的数据集,通过深入分析从GitHub问题跟踪器中提取的459个报告系统地收集。对于每个复制的报告,ANDROR2包括原始错误报告,应用程序错误版本的apk文件,可执行复制脚本以及与原始报告相关的复制步骤质量相关的元数据。我们相信,ANDROR2数据集可用于促进自动分析、理解、复制、本地化和修复移动应用程序以及其他更广泛的软件维护活动的研究。
2021-06-15 cs.SE
CrashTranslator: Automatically Reproducing Mobile Application Crashes Directly from Stack Trace
本文提出CrashTranslator,利用预训练大语言模型预测探索步骤并结合强化学习指导搜索,直接从堆栈跟踪自动复现移动应用崩溃,在75份报告上成功复现61.3%,显著优于现有方法。
2023-10-11 cs.SE
FILO: FIx-LOcus Recommendation for Problems Caused by Android Framework Upgrade
应对操作系统的演变对于移动应用程序的开发人员来说是一项挑战,他们必须处理频繁的升级,其中通常包括底层API框架的向后不兼容更改。作为框架升级的结果,应用程序可能会在进化的环境中执行后显示错误行为和意外崩溃。识别应用程序中必须修改以在新发布的操作系统上正确执行的部分可能具有挑战性。虽然在应用程序与其执行环境之间的交互级别上可以看到不兼容性,但要更改的实际方法通常位于不直接与任何外部元素交互的类中。为了方便调试活动的问题所引入的向后不兼容升级的操作系统,本文提出了FILO,一种技术,可以建议的方法,必须改变一个单一的执行失败的分析,以实现修复。FILO还可以选择关键的有症状的异常事件,这些事件可以帮助开发人员了解故障原因并促进修复的实施。我们对Android升级引入的多个已知兼容性问题的评估表明,FILO可以有效地识别应用程序中的错误方法。
2019-11-21 cs.SE
GIFdroid: Automated Replay of Visual Bug Reports for Android Apps
错误报告对于软件维护至关重要,它允许用户通知开发人员在使用软件时遇到的问题。然而,对于非技术用户来说,很难写清楚关于bug发生的描述。因此,越来越多的用户开始记录报告错误的屏幕,因为它很容易创建,并包含触发错误的详细过程。但是,由于记录中的长度和不清楚的操作,开发人员重现错误仍然是繁琐和耗时的。为了克服这些问题,我们提出了GIFdroid,一个轻量级的方法来自动重放的执行跟踪从视觉错误报告。GIFdroid采用图像处理技术从记录中提取关键帧,将其映射到GUI Transitions Graph中的状态,并生成这些状态的执行轨迹以触发bug。我们的自动化实验和用户研究证明了它的准确性,效率和实用性的方法。
2022-04-19 cs.SE
TreeMind: Automatically Reproducing Android Bug Reports via LLM-empowered Monte Carlo Tree Search
Anhui University(安徽大学);University of Science and Technology of China(中国科学技术大学)
TreeMind结合LLM与MCTS算法,通过语义推理和反馈导航,高效重现Android bug报告。
2026-02-01 cs.SE
VLM-Fuzz: Vision Language Model Assisted Recursive Depth-first Search Exploration for Effective UI Testing of Android Apps
针对Android应用UI测试中代码覆盖率低的问题,提出VLM-Fuzz方法,结合视觉语言模型辅助启发式DFS算法,提升了代码覆盖率并检测出24个应用中的208个崩溃。
2025-04-16 cs.SE
FalseCrashReducer: Mitigating False Positive Crashes in OSS-Fuzz-Gen Using Agentic AI
Purdue University(普渡大学);Google LLC(谷歌有限责任公司)
针对自动生成的模糊测试驱动程序易引发误报崩溃的问题,本文提出基于约束的驱动生成和基于上下文的崩溃验证两种AI策略,在OSS-Fuzz基准上显著减少误报,验证了大语言模型作为程序分析智能体的可行性。
2025-10-02 cs.CR cs.MA cs.SE
Automatically Enhancing the Quality of Android App Bug Reports
William & Mary(威廉与玛丽学院);University of Central Florida(中佛罗里达大学);George Mason University(乔治梅森大学)
本文提出通过提供具体应用相关信息帮助LLM自动生成清晰详细的缺陷报告,提出BugScribe方法,通过评估显示其生成的报告质量更高且更准确。
2026-07-03 cs.SE
Enhancing Bug Reports for Mobile Apps
现代软件开发领域已经看到了移动应用程序作为“智能”设备的焦点转移,这些设备几乎无处不在。由于这种趋势,移动应用程序的复杂性一直在增加,使开发和维护特别具有挑战性。然而,很明显,目前的错误跟踪系统不能有效地支持构建具有可操作信息的报告,这些信息将直接导致错误的解决方案。为了满足对改进报告系统的需求,我们引入了一种名为FUSION的新颖解决方案,可以帮助用户在移动应用程序的错误报告中自动完成复制步骤。FUSION将用户提供的信息链接到通过测试或发布前执行的静态和动态分析提取的程序工件。FUSION采用的方法可推广到其他当前的移动软件平台,并构成了一种新的方法,通过该方法可以为移动软件项目进行离线错误报告。我们通过进行一项研究来评估FUSION,该研究定量和定性地测量了系统报告和再现错误的用户体验,以及它产生的错误报告的质量。在一项涉及28名参与者的研究中,我们应用FUSION来支持在14个开源Android应用程序中发现的15个真实世界错误的报告和复制缺陷的维护任务。我们的研究结果表明,FUSION允许更可靠的再现错误的报告,帮助用户报告更详细的应用程序特定的信息相比,传统的错误跟踪系统。
2018-01-18 cs.SE
A Comprehensive Study on Static Application Security Testing (SAST) Tools for Android
本文提出统一平台 VulsTotal,整合 11 个开源 Android SAST 工具、67 类漏洞、标准化报告及新建 CVE 基准,从覆盖率、有效性和性能等方面系统比较工具表现。
2024-10-28 cs.SE
An Empirical Investigation into the Reproduction of Bug Reports for Android Apps
与确保移动应用程序质量相关的关键任务之一是报告,管理和解决错误报告。因此,研究人员已经投入了大量资源来自动化移动应用程序错误管理过程的各种任务,例如复制和分类。然而,这些自动化方法的成功在很大程度上取决于它们所操作的错误报告的特征和属性。因此,了解移动应用程序错误报告对于推动报告管理技术的持续发展至关重要。虽然之前的研究已经检查了大量报告的高级统计数据,但我们目前缺乏对移动应用程序问题跟踪器中通常报告的信息如何与重现潜在故障所需的具体细节相关的深入调查。在本文中,我们对从GitHub上的Android应用程序中系统挖掘的180个可重现的错误报告进行了深入分析,并调查了报告中包含的信息与重现所述错误的任务之间的关系。在我们的分析中,我们关注三条信息:重现bug报告所需的环境、重现的步骤(S2R)和观察到的行为。关注这些信息,我们描述故障类型,识别用于报告信息的模式,并描述报告中信息的质量。我们发现bug是以多模态的方式报告的,环境并不总是提供的,S2R经常包含缺失或非特定的足够信息。这些发现对自动化错误复制技术以及更普遍的自动化错误报告管理方法具有重要意义。
2023-01-03 cs.SE
Automated Reporting of GUI Design Violations for Mobile Apps
移动应用程序的初始化通常采用图形用户界面(GUI)的模型形式,表示为描绘满足需求的GUI小部件的正确布局和样式的静态图像。在这个初始模型之后,设计工件被交给开发人员,他们的目标是在代码中准确地实现这些GUI和所需的功能。由于模型和代码之间存在相当大的抽象差距,开发人员经常会引入与GUI相关的错误,这些错误可能会对应用程序在竞争激烈的市场中的成功产生负面影响。此外,在快速变化的应用程序的进化背景下,这种错误很常见。这导致了设计团队验证应用程序的每个屏幕都是根据预期的设计规范实现的费时费力的任务。本文介绍了一种新颖的自动化方法,用于验证移动应用程序的GUI是否按照其预期设计实现。我们的方法解决了GUI相关的信息,从实现的应用程序和模型,并使用计算机视觉技术,以确定在移动GUI的实现中的常见错误。我们在一个名为GVT的工具中为Android实现了这种方法,并对开源应用程序进行了受控的经验评估,并与华为的设计师和开发人员进行了工业评估。结果表明,GVT解决了一个重要的,困难的,高度实用的问题,具有显着的效率和准确性,是有用的和可扩展的工业设计师和开发人员的角度来看。目前,华为有超过一千名工业设计师和开发人员使用该工具来提高移动应用程序的质量。
2018-04-05 cs.SE
Testing the Limits: Unusual Text Inputs Generation for Mobile App Crash Detection with Large Language Model
本文提出InputBlaster,利用LLM自动生成异常文本输入以检测移动应用崩溃,通过生成测试生成器及变异规则实现78%的bug检测率,并在真实应用中发现37个新崩溃。
2023-10-24 cs.SE
Stack Trace-Based Crash Deduplication with Transformer Adaptation
University of Calgary(卡尔加里大学);York University(约克大学);IBM Canada(IBM加拿大)
提出基于Transformer的dedupT方法,适配预训练语言模型处理栈跟踪,训练全连接网络排序重复崩溃,在四个公开数据集上优于现有方法,减少人工分类工作量。
2026-10-22 cs.LG cs.SE
It Takes Two to Tango: Combining Visual and Textual Information for Detecting Duplicate Video-Based Bug Reports
College of William & Mary(威廉与玛丽学院);George Mason University(乔治梅森大学)
当bug在面向用户的应用程序中出现时,它很可能通过图形用户界面(GUI)暴露出来。鉴于视觉信息对识别和理解此类错误的重要性,用户越来越多地使用屏幕截图和屏幕记录作为向开发人员报告问题的手段。然而,当这样的信息被集中报告时,例如在众包测试期间,管理这些工件可能是一个耗时的过程。随着屏幕记录的报告变得越来越流行,开发人员可能会面临与手动识别描述重复错误的视频相关的挑战。由于其图形化的特性,屏幕记录对自动化分析提出了挑战,排除了使用当前的重复错误报告检测技术。为了克服这些挑战并帮助开发人员完成这项任务,本文介绍了Tango,这是一种重复检测技术,它通过利用视觉和文本信息来纯粹基于视频的错误报告。Tango结合了定制的计算机视觉技术、光学字符识别和文本检索。我们对Tango的多种配置进行了全面的实证评估,评估了4,860个重复检测任务,其中涉及来自6个Android应用程序的180个屏幕记录。此外,我们进行了一项用户研究,调查开发人员手动检测重复的基于视频的错误报告所需的工作量,并将其与使用Tango所需的工作量进行了比较。结果表明,Tango的最佳配置在检测重复的基于视频的错误报告方面非常有效,在83%的任务中,目标重复视频准确地排在返回结果的前2位。此外,我们的用户研究表明,平均而言,Tango可以减少开发人员60%以上的工作量,这说明了它的实用性。
2021-02-05 cs.AI cs.SE