Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Lima, Josias Gomes
Outros Autores: http://lattes.cnpq.br/4486583818819599, https://orcid.org/0000-0002-4234-2899
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Amazonas
Instituto de Computação
Brasil
UFAM
Programa de Pós-graduação em Informática
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
.
CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: ENGENHARIA DE SOFTWARE
Vazamentos de recursos
Aplicações móveis
Aprendizado de máquina
Teste
Análise estática
Mobile applications
Resource leaks
Machine learning
Test
Static analysis
Link de acesso: https://tede.ufam.edu.br/handle/tede/10414
Resumo: Quando as aplicações móveis adquirem recursos do dispositivo (como câmera, reprodutor de mídia e sensores) sem liberá-los da maneira adequada e em tempo hábil, ocorre uma falha chamada vazamento de recursos. Esse tipo de falha pode causar problemas sérios, como degradação de desempenho do dispositivo ou falha do sistema. Este trabalho propõe a abordagem LeakPred para auxiliar desenvolvedores na identificação de componentes que tenham vazamentos de recursos. Um conjunto de seis métricas relacionadas ao tempo de vida dos recursos ou da aplicação foi selecionado para a caracterização dos componentes. Seis técnicas de aprendizado de máquina foram analisadas para identificar componentes com vazamentos a partir dessas métricas. Os resultados sugerem que a abordagem LeakPred, associada com técnicas de classificação, é capaz de identificar vazamento de recursos, sendo que dois modelos, k-Vizinhos Mais Próximos e rede neural profunda, obtiveram, respectivamente, acurácias de 87,84% e 87,75%. A abordagem LeakPred foi comparada com 5 ferramentas do estado da arte, a saber, Android Lint, FindBugs, Infer, Checker Framework e EcoAndroid, superando todas em taxa de identificação de componentes com vazamentos de recursos.
id UFAM_0ecbb42e6c24f0a7447a868387e59797
oai_identifier_str oai:https://tede.ufam.edu.br/handle/:tede/10414
network_acronym_str UFAM
network_name_str Biblioteca Digital de Teses e Dissertações da UFAM
repository_id_str
spelling Previsão de vazamento de recursos em aplicações Android usando Aprendizado de MáquinaResource Leak Prediction in Android Applications Using Machine Learning...CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: ENGENHARIA DE SOFTWAREVazamentos de recursosAplicações móveisAprendizado de máquinaTesteAnálise estáticaMobile applicationsResource leaksMachine learningTestStatic analysisQuando as aplicações móveis adquirem recursos do dispositivo (como câmera, reprodutor de mídia e sensores) sem liberá-los da maneira adequada e em tempo hábil, ocorre uma falha chamada vazamento de recursos. Esse tipo de falha pode causar problemas sérios, como degradação de desempenho do dispositivo ou falha do sistema. Este trabalho propõe a abordagem LeakPred para auxiliar desenvolvedores na identificação de componentes que tenham vazamentos de recursos. Um conjunto de seis métricas relacionadas ao tempo de vida dos recursos ou da aplicação foi selecionado para a caracterização dos componentes. Seis técnicas de aprendizado de máquina foram analisadas para identificar componentes com vazamentos a partir dessas métricas. Os resultados sugerem que a abordagem LeakPred, associada com técnicas de classificação, é capaz de identificar vazamento de recursos, sendo que dois modelos, k-Vizinhos Mais Próximos e rede neural profunda, obtiveram, respectivamente, acurácias de 87,84% e 87,75%. A abordagem LeakPred foi comparada com 5 ferramentas do estado da arte, a saber, Android Lint, FindBugs, Infer, Checker Framework e EcoAndroid, superando todas em taxa de identificação de componentes com vazamentos de recursos.When mobile applications acquire device resources (such as camera, media player, and sensors) without releasing them properly and in a timely manner, a failure called resource leak occurs. This type of failure can cause serious problems, such as device performance degradation or system failure. This work proposes the LeakPred approach to assist developers in identifying components that have resource leaks. A set of six metrics related to the lifetime of resources or the application was selected to characterize the components. Six machine learning techniques were analyzed to identify leaky components from these metrics. The results suggest that the LeakPred approach, associated with classification techniques, is capable of identifying resource leaks, with two models, k-Nearest Neighbors and deep neural network, obtaining, respectively, accuracies of 87.84% and 87.75%. The LeakPred approach was compared with 5 state-of-the-art tools, namely, Android Lint, FindBugs, Infer, Checker Framework and EcoAndroid, surpassing all of them in the rate of identification of components with resource leaks.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorUniversidade Federal do AmazonasInstituto de ComputaçãoBrasilUFAMPrograma de Pós-graduação em InformáticaGiusti, Rafaelhttp://lattes.cnpq.br/0613781010575440Barreto, Raimundo da Silvahttp://lattes.cnpq.br/1132672107627968Souto, Eduardo James Pereirahttp://lattes.cnpq.br/3875301617975895Cristo, Marco Antônio Pinheiro dehttp://lattes.cnpq.br/6261175351521953Lima, Josias Gomeshttp://lattes.cnpq.br/4486583818819599https://orcid.org/0000-0002-4234-28992024-10-09T20:37:40Z2024-09-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfLIMA, Josias Gome. Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina. 2024. 133 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2024.https://tede.ufam.edu.br/handle/tede/10414porhttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2024-10-10T05:06:11Zoai:https://tede.ufam.edu.br/handle/:tede/10414Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922024-10-10T05:06:11Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false
dc.title.none.fl_str_mv Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
Resource Leak Prediction in Android Applications Using Machine Learning
title Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
spellingShingle Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
Lima, Josias Gomes
.
.
.
CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: ENGENHARIA DE SOFTWARE
Vazamentos de recursos
Aplicações móveis
Aprendizado de máquina
Teste
Análise estática
Mobile applications
Resource leaks
Machine learning
Test
Static analysis
title_short Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
title_full Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
title_fullStr Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
title_full_unstemmed Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
title_sort Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
author Lima, Josias Gomes
author_facet Lima, Josias Gomes
http://lattes.cnpq.br/4486583818819599
https://orcid.org/0000-0002-4234-2899
author_role author
author2 http://lattes.cnpq.br/4486583818819599
https://orcid.org/0000-0002-4234-2899
author2_role author
author
dc.contributor.none.fl_str_mv Giusti, Rafael
http://lattes.cnpq.br/0613781010575440
Barreto, Raimundo da Silva
http://lattes.cnpq.br/1132672107627968
Souto, Eduardo James Pereira
http://lattes.cnpq.br/3875301617975895
Cristo, Marco Antônio Pinheiro de
http://lattes.cnpq.br/6261175351521953
dc.contributor.author.fl_str_mv Lima, Josias Gomes
http://lattes.cnpq.br/4486583818819599
https://orcid.org/0000-0002-4234-2899
dc.subject.por.fl_str_mv .
.
.
CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: ENGENHARIA DE SOFTWARE
Vazamentos de recursos
Aplicações móveis
Aprendizado de máquina
Teste
Análise estática
Mobile applications
Resource leaks
Machine learning
Test
Static analysis
topic .
.
.
CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: ENGENHARIA DE SOFTWARE
Vazamentos de recursos
Aplicações móveis
Aprendizado de máquina
Teste
Análise estática
Mobile applications
Resource leaks
Machine learning
Test
Static analysis
description Quando as aplicações móveis adquirem recursos do dispositivo (como câmera, reprodutor de mídia e sensores) sem liberá-los da maneira adequada e em tempo hábil, ocorre uma falha chamada vazamento de recursos. Esse tipo de falha pode causar problemas sérios, como degradação de desempenho do dispositivo ou falha do sistema. Este trabalho propõe a abordagem LeakPred para auxiliar desenvolvedores na identificação de componentes que tenham vazamentos de recursos. Um conjunto de seis métricas relacionadas ao tempo de vida dos recursos ou da aplicação foi selecionado para a caracterização dos componentes. Seis técnicas de aprendizado de máquina foram analisadas para identificar componentes com vazamentos a partir dessas métricas. Os resultados sugerem que a abordagem LeakPred, associada com técnicas de classificação, é capaz de identificar vazamento de recursos, sendo que dois modelos, k-Vizinhos Mais Próximos e rede neural profunda, obtiveram, respectivamente, acurácias de 87,84% e 87,75%. A abordagem LeakPred foi comparada com 5 ferramentas do estado da arte, a saber, Android Lint, FindBugs, Infer, Checker Framework e EcoAndroid, superando todas em taxa de identificação de componentes com vazamentos de recursos.
publishDate 2024
dc.date.none.fl_str_mv 2024-10-09T20:37:40Z
2024-09-11
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv LIMA, Josias Gome. Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina. 2024. 133 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2024.
https://tede.ufam.edu.br/handle/tede/10414
identifier_str_mv LIMA, Josias Gome. Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina. 2024. 133 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2024.
url https://tede.ufam.edu.br/handle/tede/10414
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Amazonas
Instituto de Computação
Brasil
UFAM
Programa de Pós-graduação em Informática
publisher.none.fl_str_mv Universidade Federal do Amazonas
Instituto de Computação
Brasil
UFAM
Programa de Pós-graduação em Informática
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFAM
instname:Universidade Federal do Amazonas (UFAM)
instacron:UFAM
instname_str Universidade Federal do Amazonas (UFAM)
instacron_str UFAM
institution UFAM
reponame_str Biblioteca Digital de Teses e Dissertações da UFAM
collection Biblioteca Digital de Teses e Dissertações da UFAM
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)
repository.mail.fl_str_mv ddbc@ufam.edu.br||ddbc@ufam.edu.br
_version_ 1851781317556961280

Registros relacionados