Jan, 2023

基于应用程序审查的合作式缺陷发现

PDF
TL;DR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。
bug findingmobile appscollaborative bug findingbugrmsysnatural language text embeddings
发现论文，激发创造
  • 自动完成 Android 应用程序的错误报告

    FUSION 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。

    May, 2017

  • 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

  • DeepTriage: 探索深度学习在漏洞分配中的有效性

    利用基于注意力机制的双向循环神经网络方法提取软件故障报告中的句法和语义特征，并通过无监督学习进行调试人员分类，验证实验表明该方法相比传统的 BOW 模型和机器学习方法在排名前 10 的准确度上有所提升。

    Jan, 2018

  • 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

  • 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

  • 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

  • Frappe: 在野外了解移动应用推荐的使用和认知

    该研究描述了一个名为 Frappe 的上下文感知移动应用推荐系统的实际部署，并结合了 1000 名安卓用户和 33 名本地用户进行了大规模应用市场部署与小规模本地用户研究。研究结果发现了上下文相关的应用使用和终端用户与上下文感知移动应用推荐互动时的感受与体验，并且从小规模研究中揭示了一些负面的用户体验。结果指出在真实用户中设计、部署和评估移动上下文感知推荐系统的一些创新性教训。

    May, 2015

  • 自监督式缺陷检测和修复

    BugLab 是一种基于机器学习的、自监督学习为主的程序分析方法，通过两个模型共同训练，可以有效地发现和修复代码中的错误，提高了 2374 个真实缺陷数据集的检测和修复准确度，同时发现了 19 个以前未知的错误。

    May, 2021

  • 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