Characterizing resource interaction failures in mobile applications

Abstract

As aplicações de dispositivos móveis têm sido utilizadas para múltiplos propósitos como entretenimento e como aplicações de missão crítica. Como consequência, a qualidade dessas aplicações tem se tornado um aspecto crucial, por exemplo, promovendo o uso do teste como uma prática para a garantia da qualidade. A diversidade de plataformas de dispositivos móveis é permeada por muitos recursos relacionados às funcionalidades associadas à comunicação, sensores e opções controladas pelo usuário. Como resultado, tais aplicações podem apresentar comportamentos inesperados e interações de recursos podem produzir falhas decorrentes de defeitos presentes em combinações específicas de recursos. Essas falhas podem comprometer a qualidade da aplicação e prejudicar a experiência do usuário. Nesta tese, nós investigamos primeiramente as falhas de interação de recursos usando combinações exaustivas de recursos. Após aumentar o número de recursos, nós utilizamos estratégias de amostragem para investigar estas falhas. Além disso, nós propomos dois estudos utilizando defeitos artificiais introduzidos por operadores de mutação e padrões de correções de defeitos para examinar a viabilidade da técnica Localização de Defeitos Baseada em Espectro (LDBE) para localizar defeitos em aplicações Android e a sensibilidade dessa técnica com relação às falhas de interação de recursos. No primeiro estudo, observamos que a ocorrência de falhas de interação de recursos variou muito de acordo com a aplicação e que os pares de recursos apresentaram uma influência relevante nas falhas. No segundo estudo, descobrimos que as falhas de interação de recursos eram comuns, pois todas as aplicações apresentavam pelo menos uma falha de interação de recursos, e que a maioria das aplicações apresentava falhas relacionadas a pares de recursos desabilitados. Os pares variaram amplamente entre as aplicações e incluem recursos identificados no arquivo Manifest. Observamos também que One-Enabled e One-Disabled foram as estratégias mais eficazes para oito e quatro aplicações, respectivamente. No terceiro estudo, a LDBE foi capaz de classificar mais de 75% dos códigos defeituosos em 7 de 10 aplicações. Encontramos uma grande influência das configurações de recursos no escore de suspeita. No quarto estudo, a LDBE foi capaz de classificar mais de 75% dos códigos defeituosos em 6 de 10 aplicações. Os recursos declarados no arquivo Manifest são predominantes nas configurações de recursos relacionadas aos defeitos melhor classificados.