DinoDroid: Testing Android Apps Using Deep Q-Networks
对移动设备的大量需求引起了对移动应用程序(app)质量的重大关注。开发人员需要在向市场发布之前保证移动应用程序的质量。有许多方法使用不同的策略来测试移动应用程序的GUI。然而,由于其有限的有效性,它们仍然需要改进。在本文中,我们提出了DinoDroid,这是一种基于深度Q网络的方法,可以自动测试Android应用程序。DinoDroid从一组现有的应用程序中学习行为模型,学习的模型可用于探索和生成新应用程序的测试。DinoDroid能够捕获GUI事件的细粒度细节(例如,GUI小部件的内容),并将其用作输入深度神经网络的特征,深度神经网络充当引导应用探索的代理。DinoDroid在探索过程中自动适应学习的模型,而不需要任何建模策略或预定义的规则。我们对64个开源Android应用程序进行了实验。测试结果表明,DinoDroid在代码覆盖率和bug检测方面优于现有的Android测试工具。
2022-10-12 cs.SE
A Systematic Review of Mobile Apps for Child Sexual Abuse Education: Limitations and Design Guidelines
本研究的目的是了解CSA教育应用程序的要求,识别现有应用程序的局限性,并为更好的应用程序设计提供指导。在三个主要的应用程序商店(Google Play,Apple和Microsoft)进行电子搜索,并由三个独立的评级机构对选定的应用程序进行评级。共找到191个应用程序,最终根据定义的入选和排除标准选择了14个应用程序进行审查。通过修改现有量表,设计了CSA教育应用程序的应用程序评级量表,并用于评估选定的14个应用程序。我们的评级量表评估了CSA教育应用程序所需的基本功能、标准和软件质量特征,并确定了它们作为儿童CSA教育程序的潜在使用效果。并计算了量表的内部一致性和评分者之间的信度。应用商店的用户评论被收集和分析,以了解他们的期望和观点。在分析了审查的应用程序的可行性,CSA应用程序的设计考虑,提出了突出基于游戏的教学方法。评估结果显示,大多数被审查的应用程序不适合用作CSA教育程序。虽然有一些应用程序可以单独教孩子和家长,但只有“防止虐待儿童”(5分之3.89)和“轨道救援”(5分之3.92)的应用程序可以被认为适合以学校为基础的CSA教育计划。然而,所有这些应用程序都需要改进其软件质量和CSA特定功能,才能被视为潜在的CSA教育计划。这项研究为开发人员和个人提供了必要的知识,涉及设计和开发CSA教育应用程序的基本功能和软件质量特征。
2021-07-04 cs.SE
Detecting and Summarizing GUI Changes in Evolving Mobile Apps
近年来,移动应用程序已成为一个流行的软件开发领域,部分原因是庞大的用户群,强大的硬件和可访问的平台。然而,移动开发人员也面临着独特的挑战,包括频繁发布以跟上快速平台演进、硬件迭代和用户反馈的压力。由于这种快速的发展步伐,开发人员需要自动化的支持来记录对他们的应用程序所做的更改,以帮助程序理解。对移动应用程序中的文档进行更改的最具挑战性的类型之一是对图形用户界面(GUI)进行的更改,这是由于其抽象的、基于像素的表示。在本文中,我们提出了一种完全自动化的方法,称为GCAT,用于检测和总结移动应用程序发展过程中的GUI变化。GCAT利用计算机视觉技术和自然语言生成,准确、简洁地总结移动应用GUI在连续提交或发布之间所做的更改。我们评估我们的方法的性能,在检测GUI的变化相比,开发人员指定的变化,其精度和召回,并调查在受控的用户研究中生成的更改报告的实用程序。我们的研究结果表明,GCAT能够准确地检测和分类GUI的变化-优于开发人员-同时提供有用的文档。
2018-09-04 cs.SE
On-Device Bug Reporting for Android Applications
移动应用程序中出现的错误可能难以重现和修复,这是由于几个混杂因素,包括移动应用程序的高度GUI驱动性质、不同的上下文状态、不同的平台版本和设备碎片。很明显,开发人员需要以自动化工具的形式提供支持,以便更准确地报告应用程序缺陷,从而促进更高效和有效的错误修复。在本文中,我们提出了一个工具,旨在支持应用程序测试人员和开发人员在设备上的错误报告的过程中。我们的工具ODBR利用uiautomator框架和低级别事件流捕获来支持记录和回放一系列输入手势和传感器事件,这些事件描述了Android应用程序中的错误。
2018-01-18 cs.SE
A Study of Gender Discussions in Mobile Apps
移动应用软件是现代生活中最重要的数字技术之一,如何设计性别包容的应用软件是开发应用软件的关键。在设计中不考虑性别包容、多样性和平等的应用程序可能会造成障碍(例如,排除了一些用户,因为他们的性别)为他们的多样化的用户。虽然已经做出了一些努力来开发具有性别包容性的应用程序,但缺乏对用户性别观点的深入了解可能会妨碍应用程序开发人员和所有者识别与性别有关的问题并提出改进解决方案。用户在评论中表达了许多关于应用程序的不同意见,从分享他们的经验,报告错误,到请求新功能。在这项研究中,我们的目标是从用户的角度分析应用程序评论,从解包的性别讨论。我们首先开发和评估了几个机器学习(ML)和深度学习(DL)分类器,这些分类器可以自动检测性别评论(即,包含关于性别问题讨论的评论)。我们将ML和DL分类器应用于Google App Store中手动构建的1,440条应用评论的数据集,其中包括620条性别评论和820条非性别评论。我们最好的分类器达到了90.77%的F1分数。其次,我们对620篇性别评论中随机选择的388篇进行了定性分析,结果显示,应用评论中的性别讨论围绕着六个主题:应用功能、外观、内容、公司政策和审查、广告和社区。最后,我们为开发性别包容性应用程序提供了一些实际意义和建议。
2023-03-17 cs.SE
An Evolutionary Approach to Adapt Tests Across Mobile Apps
University of Milano Bicocca(米兰比可卡大学);Università della Svizzera italiana(瑞士意大利语联邦理工学院);Schaffhausen Institute of Technology(沙夫豪森技术学院)
ADAPTDROID通过进化测试方法,在功能相似的Android应用间适应生成语义相关的GUI测试用例。
2021-04-12 cs.SE
Guigle: A GUI Search Engine for Android Apps
开发移动应用程序的过程通常始于对其用户界面的构思和概念化。这个概念然后被转换成一组模型,以帮助确定用户界面如何体现应用程序的预期功能。创建模型后,开发人员然后将其转换成在移动终端上运行的应用程序。在本文中,我们提出了一种称为GUIGLE的方法,旨在通过GUI搜索来促进应用程序的用户界面的概念化过程。GUIGLE对从Google Play中提取的大型应用语料库进行自动动态分析,并对提取的GUI图像和元数据进行索引。为了执行搜索,我们的方法使用来自屏幕上显示的文本、用户界面组件、应用程序名称和屏幕调色板的信息来检索给定查询的相关屏幕。此外,我们提供了一个轻量级的查询语言,允许直观的搜索屏幕。我们与真实用户一起评估了GUIGLE,发现平均68.8%的返回屏幕与指定的查询相关。此外,用户发现GUIGLE的各种不同功能很有用,这表明我们的搜索引擎提供了直观的用户体验。最后,用户同意GUIGLE提供的信息在概念化应用程序的新屏幕设计方面是有用的。
2019-01-03 cs.SE
CAT: Change-focused Android GUI Testing
Android应用每隔几周就会更新一次,以跟上不断变化的用户、硬件和业务需求。通过广泛的测试检查应用程序更新的正确性。最近的研究提出了在Android应用中自动生成GUI事件的工具。然而,这些技术在检查应用程序更新时效率不高,因为生成的GUI事件不会优先考虑更新,而是探索其他应用程序行为。我们在本文中使用CAT(Change-focused Android GUI Testing)解决了这一需求。对于应用程序更新,CAT会在源代码或GUI级别执行变更影响分析,以识别受更新影响的GUI元素。CAT然后生成长度为3的GUI事件序列,以与这些GUI元素交互。我们使用21个公开的开源Android应用程序进行的实证评估表明,CAT能够自动识别受应用程序更新影响的GUI元素,生成并执行长度为3的GUI事件序列,重点关注受变化影响的GUI元素。与两个流行的GUI事件生成工具DroidBot和DroidMate的比较显示,CAT在与受更改影响的GUI元素交互方面更有效。最后,CAT能够在两个应用程序中检测到以前未知的与更改相关的错误。
2020-11-23 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
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
Scripted GUI Testing of Android Apps: A Study on Diffusion, Evolution and Fragility
背景有证据表明,移动应用程序没有像桌面应用程序那样经过彻底测试。特别是GUI测试通常是有限的。与基于Web的应用程序一样,移动应用程序也存在GUI测试脆弱性,即GUI测试类由于GUI中的微小修改而失败,而应用程序功能没有改变。目标。我们研究的目的是检查Android上GUI测试的扩散,以及保持测试类保持最新所需的更改量,特别是由于GUI测试脆弱性而导致的更改。我们定义的指标来表征测试类和测试方法的修改和演变,以及代理估计脆弱性引起的变化。法为了进行我们的实验,我们选择了六个广泛使用的开源工具,用于以前在文献中描述的移动应用程序的脚本GUI测试。我们已经挖掘了GitHub上使用这些工具的存储库,并计算了我们的指标集。结果我们发现,没有一个被考虑的GUI测试框架在GitHub上可用的开源Android项目中实现了重大传播。对于GUI测试项目,我们发现测试套件必须经常修改,具体来说,开发人员修改的LOC中有5%-10%属于测试,并且此类修改的相关部分(平均60%)是由脆弱性引起的。结论. GUI测试类的脆弱性是一个相关的问题,可能是开发人员采用自动化脚本GUI测试的障碍。Android脚本化GUI测试脆弱性的首次评估和测量可以为开发人员提供基准,并为脆弱性原因分类的定义奠定基础,以及缓解问题的可行指南。
2017-11-09 cs.SE
Testing Criteria for Mobile Apps Based on Callback Sequences
应用程序质量已被证明是应用程序采用的最重要指标。为了保证质量,开发人员主要使用测试来发现应用程序中的错误,并应用结构和GUI测试覆盖标准。然而,移动应用程序的行为比GUI操作更多,例如,应用程序还处理来自传感器的事件,并通过Android API调用服务和AsyncTasks执行长时间运行的后台任务。我们的研究发现,通过回调交互的重要应用行为应该在测试中涵盖,因为回调之间的数据共享很常见,并且是许多现有错误的原因。我们设计了一系列基于回调序列的测试准则,并使用回调控制流自动机(CCFA)来测量测试的覆盖率。我们的实验表明,在我们的标准的指导下,测试可以发现更多的错误和触发错误比最先进的工具更快。
2019-11-20 cs.SE
GAPS: Targeted Execution of Android Apps via Static Path Reconstruction
University of Padua(帕多瓦大学);University of Luxembourg(卢森堡大学)
研究安卓应用定向执行难题,提出GAPS方法,结合静态程序分析与动态GUI探索,通过反向遍历调用图和数据流推理识别路径并转化为策略,在基准测试和热门应用评估中表现出色,有效且可扩展地解决了定向方法执行问题。
2026-07-20 cs.SE
Generating Predicate Callback Summaries for the Android Framework
分析、测试和调试Android应用程序的挑战之一是应用程序的源代码中缺少回调的潜在执行顺序。然而,已经发现错误、漏洞和重构转换与回调序列有关。Android应用程序控制流分析的现有工作主要集中在分析GUI事件。GUI事件虽然是确定Android应用程序控制流的关键部分,但并不能提供完整的画面。我们的观察是,与GUI事件正交,Android API调用在确定回调顺序方面也起着重要作用。在过去,这种控制流信息是手动建模的。本文提出了一种为Android应用构建程序路径的补充解决方案。我们提出了一种称为Predicate Callback Summary(PCS)的规范技术,用于表示Android API方法中的回调控制流信息(包括回调序列以及调用回调的条件),并开发了静态分析技术来自动计算和应用此类摘要以构建应用程序的回调序列。我们的实验表明,通过应用PCS,我们能够构建Android应用程序的控制流图,包括回调之间的关系,并检测涉及多个回调的不可行路径。这样的控制流信息可以帮助程序分析和测试工具报告更精确的结果。我们的详细实验数据可在以下网址获得:http://goo.gl/NBPrKs
2017-03-29 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
Are your apps accessible? A GCN-based accessibility checker for low vision users
本文提出 ALVIN,将 GUI 建模为图并利用 GCN 识别低视力用户面临的不可访问组件;实验表明其精确率、召回率和 F1 均优于基线。
2025-02-20 cs.SE
Toward Interactive Bug Reporting for (Android App) End-Users
许多软件错误都是手动报告的,特别是在用户界面中以视觉方式表现出来的错误。最终用户通常通过应用审查网站、问题跟踪器或应用内置的错误报告工具(如果可用)报告这些错误。虽然这些系统具有促进错误报告的各种特征(例如,文本模板或表单),它们通常向最终用户提供有限的指导、具体的反馈或质量验证,这些最终用户通常在报告bug方面缺乏经验,并且提交低质量的bug报告,这导致开发人员在bug报告管理任务中花费过多的精力。我们提出了一个交互式的错误报告系统的最终用户(伯特),实现为一个面向任务的聊天机器人。与现有的错误报告系统不同,Burt提供了基本错误报告元素的指导报告(即,观察到的行为、预期的行为和重现bug的步骤)、即时质量验证以及这些元素的图形化建议。我们为Android实现了一个版本的Burt,并对最终用户进行了实证评估研究,他们报告了先前工作中研究的六个Android应用程序中的12个错误。报告者发现,Burt的指导和自动化建议/澄清是有用的,而且Burt很容易使用。我们发现Burt报告包含的信息质量比通过基于模板的错误报告系统收集的报告更高。报告者告知对Burt的改进包括支持各种措辞来描述bug报告元素和改进的质量验证。我们的工作标志着一个重要的范式转变,从静态到交互式的错误报告的最终用户。
2022-09-21 cs.SE
SO{U}RCERER: Developer-Driven Security Testing Framework for Android Apps
对于应用程序开发人员来说,经常建议的安全开发建议在实践中往往不足。工具驱动(例如,使用静态分析工具)方法缺乏被测试的应用程序的上下文和特定于域的要求。应用程序开发人员很难从静态分析工具报告的一系列安全警告中找到一个可操作的优先级漏洞列表。流程驱动(例如,应用威胁建模方法)方法需要大量资源(例如,安全测试团队,预算)和安全专业知识,这是中小型应用程序开发团队几乎负担不起的。为了帮助应用程序开发人员保护他们的应用程序,我们提出了SO{U}RCERER,这是一个针对Android应用程序开发人员的安全测试指导框架。SO{U} RCEER指导开发人员识别应用程序的特定于域的资产,检测漏洞并对其进行优先级排序,并根据安全开发指南缓解这些漏洞。我们通过分析和测试36个Android移动货币应用程序的案例研究来评估SO{U}RCERER。我们发现,通过遵循SO{U} RCEER指导的活动,应用程序开发人员可以获得一个简洁且可操作的漏洞列表(SO{U} RCEER产生的安全警告比独立的静态分析器少24-61%),直接影响移动货币应用程序的关键资产,并制定缓解计划。我们的初步研究结果表明,Android应用程序安全测试的可行方法对应用程序开发人员来说并不复杂。
2021-11-03 cs.SE
Human-Centric Issues in eHealth App Development and Usage: A Preliminary Assessment
与健康相关的移动应用程序被称为电子健康应用程序。这些应用程序使人们更加了解自己的健康状况,在危急情况下提供帮助,提供基于家庭的疾病管理,并通过传感/交互来监测/支持个性化护理。随着大量新应用程序的开发,电子健康应用程序的使用正在迅速增加。不幸的是,许多电子健康应用程序在应用程序开发过程及其部署阶段没有成功采用以人为本的问题(HCI),导致它们变得无效,并且不包含不同的最终用户。本文通过文献综述、现有指南分析和用户研究,对与电子健康应用程序相关的关键人为因素进行了初步评估。初步结果表明,可用性,可访问性,可靠性,多功能性和用户体验是电子健康应用程序的基本HCI,需要研究人员和从业人员进一步关注。因此,本研究的结果将寻求以改进的可操作指南,最佳实践示例和评估技术的形式修改对电子健康应用程序的用户,开发人员和利益相关者的支持。该研究还旨在在现实世界的项目中试用所提出的解决方案。
2021-04-03 cs.SE
Challenges in Developing Secure Mobile Health Applications, A Systematic Review
移动健康(mHealth)应用程序(app)在过去几年中获得了极大的普及,因为它具有巨大的好处,例如降低医疗成本和提高患者意识。然而,医疗数据的敏感性使得移动健康应用程序的安全性成为一个严重的问题。在这次审查中,我们的目标是确定和分析报告的挑战,移动健康应用程序的开发人员面临的安全性。此外,我们的研究旨在开发一个概念框架,以应对移动健康应用程序开发组织在开发安全应用程序时所面临的挑战。了解这些挑战有助于降低开发不安全的移动健康应用程序的风险。本综述采用系统文献综述方法。我们选择了2008年1月至2020年10月期间发表的研究。我们选择了32个主要研究,使用预定义的标准和主题分析方法分析提取的数据。我们确定了可能影响安全移动健康应用程序开发的九个挑战。例如1)缺乏开发安全mHealth应用程序的安全指南和法规,2)开发人员缺乏安全mHealth应用程序开发的知识和专业知识,3)在mHealth应用程序开发期间缺乏利益相关者的参与等。根据我们的分析,我们提出了一个概念框架,突出了所确定的挑战之间的相互关系。我们的结论是,我们的研究结果可以帮助他们找出自己的弱点,并改善他们的安全实践。同样,移动健康应用程序开发人员可以确定他们在开发不会给用户带来安全风险的移动健康应用程序时所面临的挑战。我们的审查是朝着提供安全的mHealth应用程序的发展见解迈出的一步。我们提出的概念框架可以作为从业人…
2021-01-15 cs.SE
Stakeholders, Viewpoints and Languages of a Modelling Framework for the Design and Development of Data-Intensive Mobile Apps
如今,全世界有数百万个移动应用程序被下载和使用。关于如何设计和开发移动应用程序的准则和最佳做法正在定期发布,主要由移动平台供应商和研究人员发布。它们涵盖不同的关切,涉及不同的技术和非技术利益攸关方。尽管如此,移动应用程序还是使用临时开发流程和书面最佳实践开发的。在本文中,我们将讨论一个多视图建模框架,支持移动应用程序的协同设计和开发。拟议的框架包括模型驱动工程方法。本文提供了一个整体视图的建模框架的主要利益相关者,观点和建模语言。
2015-02-27 cs.SE
ReuseDroid: A VLM-empowered Android UI Test Migrator Boosted by Active Feedback
针对移动应用GUI测试迁移中操作逻辑差异导致效果不佳的问题,提出基于大型视觉语言模型的多智能体框架REUSEDROID,利用GUI页面的视觉与文本信息并基于核心共享逻辑进行迁移,在数据集LinPro上成功迁移90.3%的任务,显著超越现有基线。
2025-04-03 cs.SE
Don't Confuse! Redrawing GUI Navigation Flow in Mobile Apps for Visually Impaired Users
针对视障用户使用屏幕阅读器访问移动应用GUI时导航顺序不合理的问题,本研究提出基于格式塔原则的RGNF方法重绘导航流,有效提升了序列相似度与组件可达性,改善了视障用户体验。
2025-02-21 cs.SE
Scene-Driven Exploration and GUI Modeling for Android Apps
本文提出 SceneDroid,通过智能探索、状态模糊测试和间接启动等技术动态提取 GUI 场景并构建 SceneTG,显著提升 Android 应用 GUI 建模的迁移覆盖率与场景提取能力。
2023-08-20 cs.CR cs.HC cs.SE
Fully Automated Functional Fuzzing of Android Apps for Detecting Non-crashing Logic Bugs
Android应用程序是基于GUI的事件驱动软件,近年来变得无处不在。显然,功能正确性对于应用程序的成功至关重要。然而,除了崩溃错误之外,非崩溃功能错误(在本工作中简称为“非崩溃错误”),如无意的功能故障,无声的用户数据丢失和不正确的显示信息也很普遍,即使在流行的,经过良好测试的应用程序中也是如此。这些非崩溃功能错误通常由程序逻辑错误引起,并在图形用户界面(GUI)上表现出来。在实践中,这些错误在有效检测它们方面构成了重大挑战,因为(1)当前的实践严重依赖于昂贵的小规模手动验证(缺乏自动化);(2)现代全自动测试仅限于崩溃错误(缺乏测试预言机)。本文通过引入独立视图模糊来填补这一空白,这是一种用于检测Android应用程序中非崩溃功能错误的新颖的全自动方法。受变形测试的启发,我们的主要见解是利用Android应用程序的普遍独立视图属性,从一组验证某些应用程序属性的种子测试中制造属性保留突变测试。变异的测试有助于在额外的不利条件下测试测试应用程序。任何属性冲突都表明可能存在功能错误,需要进一步手动确认。我们已经实现了我们的方法作为一个自动化的,端到端的功能模糊工具,精灵。给定一个应用程序,(1)Genie自动检测非崩溃错误,而不需要人类提供的测试和预言(因此完全自动化);(2)检测到的非崩溃错误是多种多样的(因此是通用的,不限于特定的功能属性),这使Genie与以前的工作不同。
2021-10-05 cs.SE
Techniques for Improving the Energy Efficiency of Mobile Apps: A Taxonomy and Systematic Literature Review
针对移动应用节能技术缺乏系统知识体系的问题,本文通过综述91项原始研究,提出含七大类技术的分类法,为开发者选型和测试人员开展基准能效测试提供参考。
2023-08-16 cs.SE
Guided Bug Crush: Assist Manual GUI Testing of Android Apps via Hint Moves
移动应用程序是人们日常生活中不可或缺的。与自动化GUI测试相辅相成,手动测试是应用质量的最后一道防线。然而,重复的操作和容易丢失的功能使得手动测试耗时且效率低下。受糖果粉碎游戏的启发,华丽的糖果作为玩家的提示动作,我们提出了一种名为NaviDroid的方法,通过突出显示的下一个操作,更有效和高效的测试导航测试。在NaviDroid中,我们构建了一个丰富的状态转换图,其中触发动作作为两个相关状态的边缘。在此基础上,利用动态规划算法规划探索路径,并在GUI中增加可视化提示,使测试人员能够快速探索未测试的活动,避免重复探索。自动化实验证明了NaviDroid的高覆盖率和高效的路径规划,用户研究进一步证实了其实用性。NaviDroid可以帮助我们开发更强大的软件,在更关键的任务设置中工作,不仅通过执行更彻底的测试,而且通过将这些技术集成到开发管道的不同部分。
2022-01-28 cs.HC cs.SE
Enhancing Mobile App Bug Reporting via Real-time Understanding of Reproduction Steps
开发人员从用户那里接收关于软件现场故障的反馈的主要机制之一是通过错误报告。不幸的是,手工编写的错误报告的质量可能会有很大的差异,这是因为需要包括基本信息,例如详细的复制步骤(S2R)。尽管报告者面临着困难,但很少有现有的错误报告系统试图为用户提供自动化的帮助,以制作易于阅读和方便复制的错误报告。为了解决需要积极主动的错误报告系统,积极帮助用户捕捉关键信息,我们介绍了一种新的错误报告方法,称为EBug。EBug通过实时的【形】分析报告者输入的自然语言信息,并将这些数据与通过静态和动态程序分析相结合提取的信息联系起来,帮助报告者为移动应用程序编写S2R。当记者编写S2R时,EBug能够使用根据实际应用程序使用情况训练的预测模型自动建议潜在的未来步骤。为了评估EBug,我们基于来自$11$真实世界应用程序的20个故障进行了两项用户研究。实证研究涉及10名参与者,每个人提交了10个错误报告,10名开发人员复制了提交的错误报告。在这些研究中,我们发现报告者使用EBug构建错误报告的速度比使用最先进的错误报告系统作为基线要快31倍。EBug的报告相对于基线生成的报告也更具可重复性。此外,我们将EBug的预测模型与其他预测建模方法进行了比较,发现总体而言,我们方法的预测模型优于基线方法。我们的研究结果是有希望的,并展示了潜在的好处,提供了积极的辅助错误报告系统。
2022-03-22 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
AUITestAgent: Automatic Requirements Oriented GUI Function Testing
针对移动应用GUI测试人力成本高的问题,提出首款自然语言驱动的自动化测试工具AUITestAgent,通过动态智能体提取交互、多维策略验证,在基准测试中表现优于现有工具,且在企业实际部署中有效检出功能缺陷。
2024-07-12 cs.SE
Automatically Discovering, Reporting and Reproducing Android Application Crashes
移动开发人员在检测和报告应用程序中的崩溃时面临独特的挑战,这是由于其普遍的GUI事件驱动性质和额外的输入源(例如,传感器读数)。为了支持开发人员完成这些任务,我们引入了一种新颖的自动化方法,称为CRASHSCOPE。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。我们评估了CRASHSCOPE在发现崩溃方面的有效性,并将其与五种最先进的Android输入生成工具在61个应用程序上进行了比较。结果表明,CRASHSCOPE执行以及当前的工具,用于检测崩溃,并提供更详细的故障信息。此外,在一项分析八个真实Android应用程序崩溃的研究中,我们发现CRASHSCOPE的报告易于阅读,并且通过提供比人类书面报告更明确的信息来可靠地再现崩溃。
2017-06-04 cs.SE
The Metamorphosis: Automatic Detection of Scaling Issues for Mobile Apps
图形用户界面(GUI)作为用户与软件之间的桥梁,对应用程序的可访问性至关重要。放大GUI的字体或显示大小有助于提高应用程序的视觉效果,可读性和可用性,老年人和视力障碍者经常使用。然而,这很容易导致缩放问题,如文本截断,组件重叠,这对正确信息的获取和应用程序的流畅使用产生负面影响。用于UI显示问题检测和跨平台不一致检测的先前技术不能很好地解决这些缩放问题。在本文中,我们提出了一个自动化的方法,dVermin,缩放问题检测,通过检测的不一致性的视图下的默认和较大的显示比例。测试结果表明,dVermin在问题页面检测中达到了97%的准确率和97%的召回率,在问题视图检测中达到了84%的准确率和91%的召回率,大大优于两个最先进的基线。我们还使用F-droid上流行的Android应用程序评估了dVermin,并成功发现了21个以前未检测到的缩放问题,其中20个已得到确认/修复。
2022-12-08 cs.SE
Reporting LLM Prompting in Automated Software Engineering: A Guideline Based on Current Practices and Expectations
University of Duisburg-Essen(杜伊斯堡-埃森大学);University of Cologne(科隆大学);Monash University(蒙纳士大学)
本文提出了一项基于当前实践和期望的指南,旨在提高LLM在自动化软件工程中的透明度、可重复性和方法学严谨性。
2026-01-05 cs.SE
Improving Random Testing via LLM-powered UI Tarpit Escaping for Mobile Apps
East China Normal University(华东师范大学);Shanghai Innovation Institute(上海创新 institute)
本文提出基于LLM的随机GUI测试方法,通过监控UI相似性识别陷阱并建议事件逃离,提升移动应用测试覆盖率和bug发现率,实验显示HybridMonkey和HybridDroidbot在12个应用上平均覆盖率提升54.8%和44.8%。
2026-04-13 cs.SE
RotDroid: Cross-Orientation State Equivalence Testing for Detecting GUI Rotation Bugs in Android Apps
Beihang University(北京航空航天大学)
RotDroid是一款检测Android应用GUI旋转漏洞的测试框架,通过生成SPS、构建RotBench数据集及开发RotVL模型,在相同预算下比现有技术检测到更多旋转故障,还发现94个未知漏洞且47个被确认修复。
2026-08-27 cs.AI cs.SE
Chatting with GPT-3 for Zero-Shot Human-Like Mobile Automated GUI Testing
提出GPTDroid,利用大语言模型将移动GUI测试转化为问答任务,通过迭代对话生成类人测试脚本,在86个应用上覆盖率提升32%,缺陷检测增加36%。
2023-05-16 cs.SE
Hawkeye: Change-targeted Testing for Android Apps based on Deep Reinforcement Learning
ByteDance(字节跳动);University of Edinburgh(爱丁堡大学)
针对Android应用更新测试效率低的问题,提出基于深度强化学习的Hawkeye定向测试方法,优先执行与代码变更相关的GUI操作,实验证明其优于现有工具并适用于商业应用冒烟测试。
2023-09-04 cs.LG cs.SE
Large-Scale Analysis of Framework-Specific Exceptions in Android Apps
移动应用程序已经变得无处不在。对于应用程序开发人员来说,确保应用程序的正确性和可靠性是一个关键的优先事项。然而,许多应用程序仍然遭受偶尔或频繁的崩溃,削弱了它们的竞争优势。对真实世界应用崩溃的特征进行大规模深入分析可以提供有用的见解来指导开发人员,或帮助改进测试和分析工具。然而,这样的研究并不存在-本文填补了这一空白。经过四个月的努力,我们从2,486个开源Android应用程序中收集了16,245个独特的异常跟踪,并观察到特定于框架的异常占这些崩溃的大多数。然后,我们广泛地调查了8,243个特定于框架的异常(花费了六个人月的时间):(1)识别它们的特征(例如,表现形式位置、常见故障类别),(2)通过最先进的缺陷检测技术评估它们的表现形式,以及(3)检查它们的修复。除了这些发现提供的见解外,这些发现还激励并促进了对移动应用程序的后续研究,例如错误检测,故障定位和补丁生成。此外,为了证明我们的研究结果的实用性,我们优化了Stoat,一个动态测试工具,并实现了Experiment,一个异常本地化工具,用于Android应用程序。Stoat能够快速发现Gmail和Google+中三个以前未知的、已确认/已修复的崩溃; Experiment能够精确定位真实应用程序中已识别异常的根本原因。我们的大量数据集是公开的,与社区分享并使社区受益。
2018-03-10 cs.SE
Grounded GUI Understanding for Vision-Based Spatial Intelligent Agent: Exemplified by Extended Reality Apps
The Chinese University of Hong Kong(香港中文大学);Harbin Institute of Technology(哈尔滨工业大学);Southern University of Science and Technology(南方科技大学);The Hong Kong University of Science and Technology(香港科学大学)
针对XR应用可交互GUI元素检测的现有方法适配难题,提出零样本上下文相关检测框架Orienter,经语义理解、候选检测、可交互性分类及反馈循环实现检测,效果优于现有方法。
2025-10-01 cs.AI cs.CV cs.HC
LDMDroid: Leveraging LLMs for Detecting Data Manipulation Errors in Android Apps
Xiamen University(厦门大学)
本文提出利用LLM开发LDMDroid框架,通过状态感知过程生成UI事件序列以提高数据操纵功能触发成功率,并利用视觉特征识别数据状态变化,有效检测数据操纵错误。
2026-05-09 cs.SE
Vision-Based Mobile App GUI Testing: A Survey
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学软件新技术国家重点实验室);Technical University of Munich(慕尼黑工业大学);Department of Computer Science, ETH Zurich(苏黎世联邦理工学院计算机系)
本文综述271篇移动应用GUI测试论文,重点分析92篇基于视觉的研究,总结其相较传统方案的优势、挑战及未来方向。
2025-10-20 cs.SE
On the Violation of Honesty in Mobile Apps: Automated Detection and Categories
人类价值观,如正直、隐私、好奇心、安全和诚实,是人们认为生活中重要的指导原则。这些人类价值可能被移动软件应用程序(app)侵犯,这种人类价值侵犯的负面影响可以在社会中以各种方式看到。在这项工作中,我们专注于诚实的人类价值。我们提出了一个模型,以支持从最终用户的角度来看,从应用程序评论的诚实的价值违反自动识别。除了自动检测应用程序的诚实违规行为外,我们还旨在更好地了解用户在其应用程序评论中表达的不同类别的诚实违规行为。我们对诚实违规数据集的手动分析结果显示,诚实违规行为可以分为十类:不公平的取消和退款政策;虚假广告;欺骗性订阅;作弊系统;不准确的信息;不公平的费用;没有服务;删除评论;冒充;和欺诈性外观的应用程序。基于这些结果,我们主张有意识地努力开发更诚实的软件产品,包括移动应用程序,并将诚实作为软件开发实践中的一个关键价值。此外,我们还讨论了应用程序分发平台作为支持人类价值观的道德体系的执行者的作用,并强调了软件工程(SE)研究中人类价值观的一些建议的后续步骤。
2022-03-14 cs.SE
Towards the Datasets Used in Requirements Engineering of Mobile Apps: Preliminary Findings from a Systematic Mapping Study
本研究通过系统性映射研究分析43篇相关论文,梳理了移动应用需求工程领域数据集的来源平台与对应研究的RE活动现状,指出数据源集中等问题并提出拓展方向。
2025-09-01 cs.SE
End-Users' Knowledge and Perception about Security of Mobile Health Apps: A Case Study with Two Saudi Arabian mHealth Providers
移动健康应用程序(简称mHealth应用程序)在医疗保健领域越来越多地被采用,使政府、卫生单位、医生和患者等利益相关者能够以普遍的方式利用健康服务。尽管mHealth应用程序具有多项已知优势,但仍会带来重大的安全和隐私挑战,可能导致数据泄露,带来严重的社会、法律和经济后果。这项研究提出了一个实证调查的安全意识的最终用户的mHealth应用程序,可在主要的移动平台,包括Android和iOS。我们与沙特阿拉伯的两家移动医疗服务提供商合作,调查了101名最终用户,调查了他们对(i)现有和期望的安全功能,(ii)安全相关问题,以及(iii)提高安全知识的方法的安全意识。调查结果表明,大多数最终用户都知道应用程序提供的现有安全功能(例如,受限的应用程序许可);然而,它们期望可用的安全性(例如,生物测定认证)并且关心他们的健康信息的隐私(例如,数据匿名化)。最终用户建议,会话超时或双因素身份验证(2FA)等协议对安全性有积极影响,但会影响应用程序的可用性。通过社交媒体,同行指导或应用程序提供商的培训提高安全意识可以增加最终用户对mHealth应用程序的信任。这项研究基于经验证据调查了以人为本的知识,并提供了一套指导方针,以开发安全和可用的mHealth应用程序。
2021-09-24 cs.CR cs.SE
Enhancing GUI Exploration Coverage of Android Apps with Deep Link-Integrated Monkey
本文提出深度链接增强的 Monkey 测试工具 Delm,通过触发 Android intent 模拟 Activity 上下文并引导探索过程跳出循环,从而显著提升 Activity 覆盖率、方法覆盖率和崩溃检测能力。
2024-04-30 cs.CR cs.SE
Medical device regulation efforts for mHealth apps -- An experience report of Corona Check and Corona Health
在医疗保健环境中,移动健康(mHealth)应用程序(app)越来越重要。新的mHealth应用程序的数量在过去几年中稳步上升。特别是新冠肺炎疫情导致大量应用程序发布。值得注意的是,在大多数国家,移动医疗应用程序必须已经符合几个监管方面,才能被宣布为“医疗应用程序”。然而,最新适用的医疗器械法规(MDR)并未对移动医疗应用程序的要求主题进行更详细的评论。在开发医疗应用程序时,跨学科团队中的所有贡献者(尤其是软件工程师)都必须事先了解特定的法规要求。然而,由于MDR的集成,开发过程不应停滞太久。因此,需要一个包括这些方面的开发框架,以使开发过程顺利进行。本文介绍了在Corona Health和Corona Check应用程序的基础上创建这样一个框架。列出了相关的监管指南,并总结为医疗应用程序开发指南。特别强调了整个发展过程中出现的重要阶段和面临的挑战。
2021-04-28 cs.CY cs.SE
Runtime Permission Issues in Android Apps: Taxonomy, Practices, and Ways Forward
Android引入了新的权限模型,允许应用在运行时请求权限,而不是在6.0(Marshmallow,API级别23)之后的安装时请求权限。虽然这种运行时权限模型为用户提供了更大的灵活性来控制应用对敏感数据和系统功能的访问,但它也给应用开发带来了新的挑战。首先,由于用户可以在使用应用程序时随时授予或撤销权限,因此开发人员需要确保应用程序在调用任何受权限保护的API之前正确检查并请求所需的权限。其次,Android的权限机制不断发展,并由设备制造商定制。开发人员需要在不同的Android版本和设备型号上全面测试他们的应用程序,以确保在所有情况下都能正确请求权限。不幸的是,这些要求对开发人员来说往往是不切实际的。在实践中,许多Android应用程序都会遇到各种运行时权限问题(ARP问题)。虽然现有的研究已经探讨了ARP问题,但对这些问题的理解仍然是初步的。为了更好地描述ARP问题,我们使用135个讨论ARP问题的Stack Overflow帖子和GitHub上流行的开源Android项目中存档的199个真实ARP问题进行了实证研究。通过分析数据,我们观察到了Android应用中常见的11种ARP问题。此外,我们对从业人员进行了实地调查和深入访谈,以获得行业实践的见解,并了解从业人员对有助于解决ARP问题的工具的需求。我们希望我们的研究结果可以阐明未来的研究,并为从业者提供有用的指导。
2021-06-24 cs.SE
Towards Automated Accessibility Report Generation for Mobile Apps
针对移动应用无障碍报告生成的难题,本文提出一个结合多种数据收集与现有扫描器的系统,通过高精度的屏幕分组和UI元素匹配实现问题去重与汇总,并引入像素级忽略功能,经18名专家评估可有效增强现有测试工具。
2023-10-16 cs.HC cs.SE
An Empirical Study on Developing Secure Mobile Health Apps: The Developers Perspective
移动应用程序利用嵌入式传感器和设备的无线连接,使用户能够进行便携式计算,上下文感知通信和增强的交互。具体而言,移动健康应用程序(简称mHealth应用程序)正在成为移动和普适计算的组成部分,以提高医疗服务的可用性和质量。尽管有这些好处,mHealth应用程序面临着一个关键的挑战,即,由应用程序产生和消费的健康关键数据的安全性。几项研究表明,移动健康应用程序的特定安全问题尚未得到充分解决。本研究的目的是从经验上(a)调查阻碍安全移动健康应用程序开发的挑战,(b)确定开发安全应用程序的实践,以及(c)探索影响安全开发的激励因素。我们通过收集来自25个国家的97名开发人员的回复进行了这项研究,他们在不同的团队和角色中工作,为Android,iOS和Windows平台开发移动健康应用程序。调查数据的定性分析基于(i)8个关键挑战,(ii)确保安全的最佳实践分类,以及(iii)影响安全移动健康应用程序的6个激励因素。这项研究提供了经验证据,作为从业者的观点和指导方针,以开发新兴的和下一代的安全移动健康应用程序。
2020-08-07 cs.CY cs.SE
Effective, Platform-Independent GUI Testing via Image Embedding and Reinforcement Learning
针对移动与 Web GUI 自动化测试依赖平台、覆盖率不足等问题,提出 PIRLTest,融合图像嵌入与强化学习,实现跨平台状态表示和好奇心驱动探索。
2024-06-12 cs.SE
AUTOVR: Automated UI Exploration for Detecting Sensitive Data Flow Exposures in Virtual Reality Apps
本文提出 AUTOVR 自动化框架,通过分析 Unity VR 应用内部二进制、解析隐藏事件及依赖关系实现全面 UI 探索,实验表明其敏感数据暴露触发量比 Android Monkey 高一个数量级,显著提升 VR 应用隐私性。
2025-08-17 cs.CR cs.SE
Fill in the Blank: Context-aware Automated Text Input Generation for Mobile GUI Testing
自动化GUI测试被广泛用于帮助确保移动应用程序的质量。然而,许多GUI需要适当的文本输入才能进入下一页,这仍然是测试覆盖率的一个突出障碍。考虑到有效输入的多样性和语义要求(例如,航班起飞、电影名称),但是使文本输入生成自动化具有挑战性。受预先训练好的大语言模型(LLM)在文本生成方面取得显著进展的启发,提出了一种基于LLM的QTypist方法,用于根据GUI上下文智能地生成语义输入文本。为了提高LLM在移动测试场景中的性能,我们开发了一种基于数据库的数据构建和调优方法,该方法自动提取模型调优的提示和答案。我们对来自Google Play的106个应用程序进行了QTypist评估,结果显示QTypist的通过率为87%,比最佳基线高出93%。我们还将QTypist与自动化GUI测试工具集成,与原始工具相比,它可以覆盖42%的应用程序活动,52%的页面,并随后帮助揭示122%的错误。
2022-12-09 cs.SE
Security Awareness of End-Users of Mobile Health Applications: An Empirical Study
移动系统提供便携式和交互式计算,使用户能够利用多种上下文敏感的服务,包括移动医疗保健。移动健康应用程序(即,移动健康应用程序)正在通过使利益相关者能够生产和消费医疗保健服务来彻底改变医疗保健行业。移动健康技术的广泛采用和移动健康应用程序的快速增长带来了一个关键挑战,即,最终用户对健康关键数据缺乏安全意识。本文提出了一项实证研究,旨在探索移动健康应用程序的最终用户的安全意识。我们与沙特阿拉伯的两家移动医疗服务提供商合作,从101名最终用户那里收集数据。结果表明,尽管终端用户拥有所需的知识,但缺乏适当的行为,即,不愿意或缺乏对安全实践的理解,从而危及健康关键数据,并带来社会、法律和财务后果。研究结果强调,移动医疗服务提供商应确保对最终用户进行安全培训(例如,威胁分析研讨会),推广最佳实践以加强安全(例如,多步认证),并采用合适的mHealth应用程序(例如,安全性与可用性的权衡)。该研究提供了有关移动健康应用程序安全意识的经验证据和一套指导方针。
2020-08-29 cs.SE
Seeing is Believing: Vision-driven Non-crash Functional Bug Detection for Mobile Apps
本文提出视觉驱动的多智能体协作 GUI 测试方法 Trident,利用 MLLM 理解页面转换与视觉线索,自动检测移动应用非崩溃功能缺陷,并在 590 个缺陷上显著优于 12 个基线。
2024-12-04 cs.SE