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
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
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
MobiCoMonkey - Context Testing of Android Apps
许多移动应用程序的功能取决于各种上下文、外部因素。根据不可预见的情况，移动应用程序甚至可能出现故障或崩溃。在本文中，我们介绍了一种自动化工具，允许开发人员针对自定义或自动生成的上下文场景测试应用程序，并通过模拟器帮助检测可能的错误。此外，它还报告了错误和上下文因素之间的联系，以便以后可以重现错误。它利用Android SDK和logcat提供的工具来注入事件并捕获应用程序执行的痕迹。
2018-04-07 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 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
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
Enhancing LLM-Based Bug Reproduction for Android Apps via Pre-Assessment of Visual Effects
Xiamen University（厦门大学）
本文提出LTGDroid，通过执行所有可能的UI操作并记录视觉效果，指导LLM选择重现bug的UI操作，提升Android应用bug重现的成功率。
2026-03-31 cs.SE
Prompting Is All You Need: Automated Android Bug Replay with Large Language Models
针对 Android 缺陷复现依赖人工模式与预定义词汇的问题，本文提出基于 LLM 提示工程、少样本学习和思维链推理的 AdbGPT，无需训练即可高效复现缺陷。
2024-05-08 cs.SE
BugRepro: Enhancing Android Bug Reproduction with Domain-Specific Knowledge Integration
Macau University of Science and Technology（澳门科技大学）；Northwestern Polytechnical University（西北工业大学）
本文提出BugRepro，通过整合领域知识提升Android应用bug重现的准确性和效率，实验表明其在S2R实体提取准确率和重现成功率上均显著优于现有方法。
2025-05-29 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
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
DroidBugs: An Android Benchmark for Automated Program Repair
自动程序修复是一个新兴的研究领域。针对不同的程序设计语言和平台，已经提出了许多APR技术，并在几个基准上进行了评估。然而，据我们所知，目前还没有一个基于移动项目的定义良好的基准，因此，利用APR方法进行移动开发存在差距。因此，关于全球Android应用程序的数量，我们介绍了DroidBugs，这是一个基于对360个Android开放项目的分析的介绍性基准，每个项目的下载量都超过5,000次。从五个应用程序中，DroidBugs包含13个单一的bug，这些bug根据暴露它们的测试类型进行分类。通过使用一个名为Astor 4Android的APR工具和两个常见的故障定位策略，我们观察到发现和修复移动错误是多么具有挑战性。
2018-10-12 cs.SE
Toward Rapid Bug Resolution for Android Apps
本文针对安卓应用缺陷报告质量低、管理困难的问题，提出识别现有局限并探索新研究方向，以加快缺陷修复和软件维护。
2023-12-23 cs.IR cs.SE
LadyBug: A GitHub Bot for UI-Enhanced Bug Localization in Mobile Apps
LadyBug是一个GitHub机器人，结合UI交互信息与文本检索自动定位Android应用缺陷，在RedWing基准上优于基线，显著提升定位准确性。
2025-08-07 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
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
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
Detecting Connectivity Issues in Android Apps
Android是世界上最流行的移动操作系统，在超过70%的移动设备上运行。这意味着Android应用程序有一个巨大且竞争激烈的市场。在这样的市场中取得成功绝非易事，除了解决广大受众的问题或需求外，还需要开发高质量的应用程序。如最近在文献中所示，连接性问题（例如，错误处理零/不可靠的互联网连接）可能导致错误和/或崩溃，对应用程序的用户体验产生负面影响。虽然这些问题已经在文献中进行了研究，但没有技术能够自动检测并向开发人员报告它们。我们提出了CONAN，能够静态检测16种类型的连接问题影响Android应用程序的工具。我们评估了CONAN在一组44个开源应用程序中精确识别这些问题的能力，观察到平均精度为80%。然后，我们研究了这些问题与开发人员的相关性，（i）与六位从事商业Android应用程序工作的从业者进行了访谈，（ii）提交了27个开源应用程序的84份问题报告。我们的研究结果表明，几个确定的连接问题被认为是相关的从业者在特定的情况下，其中连接被认为是一流的功能。
2022-06-17 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
Studying Eventual Connectivity Issues in Android Apps
移动应用程序已成为日常生活中不可或缺的，不仅对个人，而且对提供数字服务的公司/组织也是如此。由于设备的移动性，应用程序的使用位置或条件没有限制。例如，应用程序可以在没有互联网连接的情况下使用。因此，离线优先是移动应用程序的一个非常理想的质量。因此，连接问题的不适当处理和良好实践的错误实施导致错误和崩溃的发生，降低了用户对应用程序质量的信心。在本文中，我们提出了第一个研究最终连接（ECn）的Android应用程序所表现出的问题，通过手动检查971场景相关的50个开源应用程序。我们发现了304个ECn问题实例（平均每个应用程序6个问题），我们将其组织在10个类别中。我们发现，大多数ECn问题与使用未向用户提供有关连接状态的正确信息的消息以及不正确使用委托检查连接状态的外部库/应用程序有关。根据我们的研究结果，我们提炼出一系列的经验教训，为从业者和研究人员，指出未来的工作方向。
2021-10-17 cs.SE
Role of CI Adoption in Mobile App Success: An Empirical Study of Open-Source Android Projects
University of Toronto（多伦多大学）；Trent University（特伦特大学）
本文研究了持续集成在开源Android项目中的影响，发现采用CI的项目规模更大、更活跃，发布更快，且在应用商店表现更佳。
2026-02-02 cs.SE
Can Large Language Models Detect Real-World Android Software Compliance Violations?
本文提出CompliBench评估框架，通过检索定位和多标签判断任务及稳定性感知指标，评估LLMs在Android应用中检测LGPD等法规合规违规的能力，实验表明其有效提升了合规检测性能。
2025-11-01 cs.SE
Bug Localization from Bug Reports: A Multi-Objective Approach
FAST School of Computing, National University of Computer and Emerging Sciences（计算机与新兴科学国立大学 FAST 计算机学院）
针对大型软件缺陷定位的痛点，提出基于SPEA-2的多目标搜索系统，在Java及Kotlin项目上验证，可高效识别潜在缺陷类，适配多语言。
2026-08-28 cs.NE 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
Semantic GUI Scene Learning and Video Alignment for Detecting Duplicate Video-based Bug Reports
William & Mary（威廉玛丽学院）；University of Central Florida（中佛罗里达大学）
针对GUI程序视频类错误报告的重复检测难题，提出融合视觉Transformer场景学习与自适应加权视频对齐的JANUS方法，在含7290项任务的基准上性能优于现有工作约9%。
2024-07-11 cs.LG cs.SE
On Using GUI Interaction Data to Improve Text Retrieval-based Bug Localization
本研究利用GUI交互数据增强文本检索缺陷定位，通过过滤、提升和查询重构三种方式，在80个真实Android缺陷上实现Hits@10相对提升13-18%。
2023-10-12 cs.IR 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
Bridging the Interpretation Gap in Accessibility Testing: Empathetic and Legal-Aware Bug Report Generation via Large Language Models
Institute of Science Tokyo（东京科学大学）；The University of Osaka（大阪大学）；Palangka Raya University（帕朗卡拉亚大学）；Waseda University（早稻田大学）
本文提出HEAR框架，通过语义切片和视觉定位重建UI上下文，注入残疾导向的人设并多层推理，生成共情且法律意识的缺陷报告，提升非专业人士对用户伤害和合规风险的认知。
2026-03-25 cs.HC cs.SE
Improving Mobile User Interface Testing with Model Driven Monkey Search
University College Dublin（都柏林大学）；National Institute of Informatics（信息学国立研究所）
该研究提出新型控制流结构，结合深度优先搜索改进Android自动化测试工具Monkey，提升测试效率与界面覆盖率，推动更高效的自动化测试技术发展。
2026-08-04 cs.SE
Imitation Game: Reproducing Deep Learning Bugs Leveraging an Intelligent Agent
Dalhousie University（达尔豪斯大学）
RepGen通过智能代理和生成-验证-改进机制，提高了深度学习bug的重现率和效率。
2026-02-26 cs.AI cs.LG cs.SE
Agents in the Sandbox: End-to-End Crash Bug Reproduction for Minecraft
Electronics Engineering Department Bilkent University Ankara, Turkey（电子工程系比尔肯特大学安卡拉土耳其）；Computer Engineering Department Bilkent University Ankara, Turkey（计算机工程系比尔肯特大学安卡拉土耳其）
本文提出 BugCraft 框架，通过 LLM 和视觉智能体在 Minecraft 中实现端到端崩溃 Bug 自动复现，并构建 BugCraft-Bench 数据集，复现率达 34.9%，超越基线 37%。
2025-10-10 cs.AI cs.SE
To the Attention of Mobile Software Developers: Guess What, Test your App!
软件测试是软件开发生命周期中的一个重要阶段，因为它有助于在软件系统交付给最终用户之前识别软件系统中的错误。有许多关于开发人员如何测试通用软件应用程序的研究。然而，移动软件应用程序的特性将移动应用程序与通用系统（例如，桌面、独立应用程序、Web服务）。本文研究了移动软件开发人员在测试方面的工作习惯和挑战。我们使用1000个Android应用程序进行了详尽的研究，其中一个关键发现表明，移动应用程序仍然以非常特殊的方式进行测试，如果进行测试的话。然而，我们表明，与其他类型的软件一样，测试提高了应用程序的质量（在用户评分和代码问题数量中得到证明）。此外，我们发现有证据表明，在吸引社区为移动开源软件做出贡献时，测试至关重要。我们讨论的原因和潜在的方向，以解决我们的研究结果。我们研究的另一个相关发现是，持续集成和持续部署（CI/CD）管道在移动应用程序世界中很少见（只有26%的应用程序是在使用CI/CD的项目中开发的）-我们认为主要原因之一是由于缺乏详尽和自动测试。
2019-02-14 cs.SE
TREBLE: Fast Software Updates by Creating an Equilibrium in an Active Software Ecosystem of Globally Distributed Stakeholders
本文提出TREBLE架构，通过将Android核心框架与硬件相关供应商实现解耦，并借助版本化稳定接口和独立镜像更新机制，在生态系统中创造均衡，从而实现快速软件更新并支撑全球最大开放生态系统的进一步扩展。
2024-09-19 cs.CR cs.SE
