面向移动应用的缺陷定位方法研究

With the increasing number of mobile devices (e.g., smart phone) and applications (apps), software maintenance for mobile apps becomes an important problem. In the process of software maintenance, finding the correct source file where a bug is (i.e., bug localization) is a key of bug resolution. However, the current studies focus on desktop software but not for mobile apps which have the own characteristics (e.g., few historical bug reports and less detailed description). Thus, they cannot be directly applied in mobile apps. . According to the characteristics of the mobile apps, this project intends to propose a bug localization technique towards for mobile apps. Specific studies include: 1) Using feature extraction and machine learning algorithm to automatically identify the bug reports among all issue reports in bug repositories of mobile apps; 2) Using structured and unstructured textual similarity to build the relationship between the bug report and the candidate source files so that a bug localization technique for mobile apps is developed; 3) Analyzing the influence of the commit messages to the performance of bug localization for mobile apps in order to reveal its importance. . The achievements of this research project can promote the application of automatic bug localization in mobile apps.

随着移动设备（如智能手机）及其应用软件（apps）的爆发式增长，移动应用的软件维护成为了一个重要问题。在软件维护过程中，找到缺陷发生的源文件（即缺陷定位）是解决软件缺陷的关键。然而，现有研究主要是针对桌面软件进行的，忽略了移动应用这样一个特殊的个体所呈现的不同特点（比如较少的历史数据以及不充分的缺陷细节描述等），因此这些方法并不能直接应用到移动应用软件中。本项目拟结合移动应用的一些自身特点，研究面向移动应用的缺陷定位技术。具体研究内容包括：1）通过特征提取和机器学习算法自动标记软件缺陷报告；2）利用结构化与非结构化的文本相似度构建需要定位的缺陷报告与候选源文件之间的关联，并开发面向移动应用的缺陷定位技术；3）分析变更代码时的提交信息对移动应用缺陷定位方法性能的影响，揭示该数据源的重要性。该项目的研究成果对推动自动软件缺陷定位方法在移动应用中的实现有着重要的意义。

随着使用移动设备的用户数量不断增长，其移动应用软件的维护成为了一个重要并富有挑战的问题。在软件维护过程中，软件缺陷定位是修复软件缺陷的关键环节。然而，过去的相关研究主要是面向桌面软件的，没有考虑到移动应用这样一个特殊的个体所呈现的不同特点（比如较少的历史数据以及不充分的缺陷细节描述等），因此这些方法并不能直接应用到移动应用的软件维护任务中。本项目结合移动应用的关键属性，研究面向移动应用的缺陷定位技术。具体研究内容包括：1）通过特征提取和机器学习算法对软件缺陷报告进行自动标记；2）利用结构化与非结构化的文本相似度构建需要定位的缺陷报告与候选源文件之间的关联，并开发面向移动应用的缺陷定位技术；3）分析变更代码时的提交信息对移动应用缺陷定位方法性能的影响，揭示该数据源的重要性。该项目的研究成果对推动自动软件缺陷定位方法在移动应用中的实现有着重要的意义。通过在10个最受欢迎的移动应用上所做的实验，我们得到最高的缺陷报告自动标记正确率（F1）为80%，最高的缺陷定位准确率（MRR）达到了92.1%。总体上，项目的最终结果符合预期。