Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina
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 dispositiv...
| Autor principal: | Lima, Josias Gomes |
|---|---|
| Outros Autores: | http://lattes.cnpq.br/4486583818819599, https://orcid.org/0000-0002-4234-2899 |
| Grau: | Tese |
| Idioma: | por |
| Publicado em: |
Universidade Federal do Amazonas
2024
|
| Assuntos: | |
| Acesso em linha: |
https://tede.ufam.edu.br/handle/tede/10414 |
| id |
oai:https:--tede.ufam.edu.br-handle-:tede-10414 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-104142024-10-10T05:06:11Z Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina Resource Leak Prediction in Android Applications Using Machine Learning Lima, Josias Gomes Giusti, Rafael http://lattes.cnpq.br/4486583818819599 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 https://orcid.org/0000-0002-4234-2899 . . . 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 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. 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 Tecnológico CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior 2024-10-09T20:37:40Z 2024-09-11 Tese 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 por Acesso Aberto https://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
| institution |
TEDE - Universidade Federal do Amazonas |
| collection |
TEDE-UFAM |
| language |
por |
| 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 |
| spellingShingle |
. . . 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 Lima, Josias Gomes Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina |
| topic_facet |
. . . 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. |
| author_additional |
Giusti, Rafael |
| author_additionalStr |
Giusti, Rafael |
| format |
Tese |
| author |
Lima, Josias Gomes |
| author2 |
http://lattes.cnpq.br/4486583818819599 https://orcid.org/0000-0002-4234-2899 |
| author2Str |
http://lattes.cnpq.br/4486583818819599 https://orcid.org/0000-0002-4234-2899 |
| title |
Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina |
| 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 |
| publisher |
Universidade Federal do Amazonas |
| publishDate |
2024 |
| url |
https://tede.ufam.edu.br/handle/tede/10414 |
| _version_ |
1831970366939987968 |
| score |
11.753735 |