May, 2017

自动完成 Android 应用程序的错误报告

PDF
TL;DRFUSION 是一种新颖的解决方案，它通过静态和动态分析将用户提供的信息链接到测试或发布前提取的程序工件，帮助用户自动完成功能，从而用于移动应用中的缺陷报告的离线检测，该方法可以推广到其他移动软件平台，并且与传统的问题跟踪系统相比，在呈现更详细的上下文应用程序信息的同时，有效地促进了报告和更可靠的缺陷再现。
software developmentmobile applicationsbug trackingfusionandroid apps
发现论文，激发创造
  • FUSION：一种用于促进和增强安卓问题报告的工具

    本研究开发了一种名为 Fusion 的新型 bug 报告系统，通过静态和动态分析，将用户提供的信息与程序工件链接起来，实现了更加可靠的 BUG 复现和更为详细的应用程序上下文信息呈现。

    Jan, 2018

  • 基于应用程序审查的合作式缺陷发现

    本研究提出 BugRMSys，结合历史 bug 报告和用户评价，利用自然语言文本嵌入技术在相同类别的移动应用程序之间进行协作式 bug 查找，从而快速暴露新应用程序中的问题。实验结果表明，成功发现、重现并报告了 20 个新漏洞。

    Jan, 2023

  • iFixR: 基于缺陷报告的程序修复

    该文研究了通过使用基于 IR 的故障定位器从漏报的 Bug 报告中生成修补程序的新修补程序生成管道 iFixR，并利用修复模式和回归测试生成和验证修补程序，最终以生成的修补程序的优先级列表提示开发人员的方法来表征 Ultimate Automation Target of Software Maintenance。

    Jul, 2019

  • 为安卓应用启用变异测试

    本文介绍一种针对 Android 应用程序的有效突变测试框架 MDroid+，其中包括一个基于人工分析的 Android 故障分类法和一组突变操作，评估结果表明这些突变操作使系统能够产生更好的故障变异。

    Jul, 2017

  • 基于多文本信息和报告意图的 Bug 报告自动分类

    本研究提出了一种新的自动分类缺陷报告的方法，采用自然语言处理技术对文本信息进行预处理，并综合考虑缺陷报告的意图，包括 Apache、Eclipse、Gentoo、Mozilla 等四个生态系统，使用 BERT 和 TF-IDF 技术提取特征，训练分类器后实验结果表明，我们的方法的 F-Measure 从 87.3% 提高到了 95.5%。

    Aug, 2022

  • 利用开发者讨论引导软件缺陷修复

    使用自然语言建模从 Bug 报告讨论中提取上下文信息自动修复软件缺陷，比使用提交信息导致更好性能提升。

    Nov, 2022

  • BugBlitz-AI: 一位智能 QA 助手

    软件测试从手动到自动化方法的演变在质量保证实践中产生了重大影响，BugBlitz-AI 是一种基于人工智能的验证工具包，旨在通过自动化结果分析和错误报告生成来增强端到端的测试自动化，提高产品质量和快速上市时间。

    May, 2024

  • 使用自然语言处理技术对 Bug 报告进行自动标记

    本文提出了一种基于自然语言处理技术的方法，考虑 Bug 报告的结构化和非结构化属性，例如概述、描述、严重性、影响产品、平台和类别等信息，利用自定义数据转换器、深度神经网络和非泛化机器学习方法检索现有的相同 Bug 报告，并在大量数据来源的众多实验中展示了所提出的解决方案在召回率为 5 时的高检索准确性为 70%。

    Dec, 2022

  • 基于 Transformer 的神经文本表示技术在错误分配中的比较研究

    本研究通过使用 DeBERTa 技术，对 53 年的开源数据集进行了自动故障调整的任务进行了量化和定性分析，结果表明 DeBERTa 是在开发者和组件分配等任务中最有效的技术。

    Oct, 2023

  • 基于开发者讨论的学习式缺陷报告解决方案描述

    为加速缺陷解决，通过综合讨论中的相关内容，包括自然语言和源代码，生成简明的自然语言解决方案描述来解决实际的软件缺陷.

    Oct, 2021