論文の概要: CrashTranslator: Automatically Reproducing Mobile Application Crashes
Directly from Stack Trace
- arxiv url: http://arxiv.org/abs/2310.07128v1
- Date: Wed, 11 Oct 2023 02:00:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 03:11:55.750830
- Title: CrashTranslator: Automatically Reproducing Mobile Application Crashes
Directly from Stack Trace
- Title(参考訳): crashtranslator: モバイルアプリケーションの自動再生がスタックトレースから直接クラッシュする
- Authors: Yuchao Huang, Junjie Wang, Zhe Liu, Yawen Wang, Song Wang, Chunyang
Chen, Yuanzhe Hu, Qing Wang
- Abstract要約: 本稿では,モバイルアプリケーションのクラッシュを自動的にスタックトレースから直接再現するCrashTranslatorという手法を提案する。
CrashTranslatorを58のAndroidアプリを含む75のクラッシュレポートで評価し、61.3%のクラッシュを再現しました。
- 参考スコア(独自算出の注目度): 30.48737611250448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crash reports are vital for software maintenance since they allow the
developers to be informed of the problems encountered in the mobile
application. Before fixing, developers need to reproduce the crash, which is an
extremely time-consuming and tedious task. Existing studies conducted the
automatic crash reproduction with the natural language described reproducing
steps. Yet we find a non-neglectable portion of crash reports only contain the
stack trace when the crash occurs. Such stack-trace-only crashes merely reveal
the last GUI page when the crash occurs, and lack step-by-step guidance.
Developers tend to spend more effort in understanding the problem and
reproducing the crash, and existing techniques cannot work on this, thus
calling for a greater need for automatic support. This paper proposes an
approach named CrashTranslator to automatically reproduce mobile application
crashes directly from the stack trace. It accomplishes this by leveraging a
pre-trained Large Language Model to predict the exploration steps for
triggering the crash, and designing a reinforcement learning based technique to
mitigate the inaccurate prediction and guide the search holistically. We
evaluate CrashTranslator on 75 crash reports involving 58 popular Android apps,
and it successfully reproduces 61.3% of the crashes, outperforming the
state-of-the-art baselines by 109% to 206%. Besides, the average reproducing
time is 68.7 seconds, outperforming the baselines by 302% to 1611%. We also
evaluate the usefulness of CrashTranslator with promising results.
- Abstract(参考訳): クラッシュレポートは、開発者がモバイルアプリケーションで遭遇した問題を知らせることができるため、ソフトウェアのメンテナンスに不可欠である。
修正する前には、開発者はクラッシュを再現する必要があります。
既存の研究では、再生ステップを記述した自然言語を用いて自動クラッシュ再生を行った。
しかし、衝突報告の無視できない部分は、クラッシュが発生した時にのみスタックトレースを含む。
このようなスタックトレースのみのクラッシュは、クラッシュが発生したときに最後のGUIページを明らかにするだけで、ステップバイステップのガイダンスがない。
開発者は、問題の理解とクラッシュの再現により多くの労力を費やす傾向にあり、既存のテクニックではこれに対処できないため、自動サポートの必要性が高まる。
本稿では,モバイルアプリケーションのクラッシュを自動的にスタックトレースから直接再現するcrashtranslatorという手法を提案する。
本手法は,事前学習された大規模言語モデルを用いて,衝突を誘発する探索ステップを予測し,不正確な予測を緩和し,探索をホリスティックにガイドする強化学習に基づく手法を設計することにより,これを実現する。
我々はCrashTranslatorを58のAndroidアプリを含む75のクラッシュレポートで評価し、61.3%のクラッシュを再現し、最先端のベースラインを109%から206%上回った。
さらに、平均再生時間は68.7秒であり、ベースラインを302%から1611%上回っている。
また,CrashTranslatorの有用性を有望な結果とともに評価した。
関連論文リスト
- CrashFormer: A Multimodal Architecture to Predict the Risk of Crash [1.3194391758295112]
事故予測は交通安全を改善するための鍵であり、事故が起こる前に前向きな措置をとることができる。
事故履歴,気象情報,地図画像,人口統計情報などの総合的な入力を利用するマルチモーダルアーキテクチャであるCrashFormerを提案する。
このモデルは、地理的に5.161平方キロメートルの位置において、合理的に許容できるケイデンス(すなわち6時間毎に)における事故の将来のリスクを予測する。
論文 参考訳(メタデータ) (2024-02-07T13:09:23Z) - Testing the Limits: Unusual Text Inputs Generation for Mobile App Crash
Detection with Large Language Model [23.460051600514806]
本稿では,モバイルアプリのクラッシュ検出のための異常なテキスト入力を自動的に生成するInputBlasterを提案する。
異常な入力生成問題をテストジェネレータのセットを生成するタスクとして定式化し、それぞれが異常なテキスト入力のバッチを生成する。
36のテキスト入力ウィジェットで評価され、31の人気のあるAndroidアプリを含むキャッシュバグがあり、その結果、バグ検出率は78%で、最高のベースラインよりも136%高い。
論文 参考訳(メタデータ) (2023-10-24T09:10:51Z) - Teaching Large Language Models to Self-Debug [62.424077000154945]
大規模言語モデル(LLM)は、コード生成において素晴らしいパフォーマンスを達成した。
本稿では,大規模言語モデルで予測プログラムを数発のデモでデバッグする自己デバッグを提案する。
論文 参考訳(メタデータ) (2023-04-11T10:43:43Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳(メタデータ) (2023-04-03T17:37:00Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳(メタデータ) (2022-12-19T11:43:02Z) - SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video
Games Using Risk Based Testing and Machine Learning [62.997667081978825]
従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。
自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。
この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
論文 参考訳(メタデータ) (2022-03-10T00:47:46Z) - Large-scale Crash Localization using Multi-Task Learning [3.4383679424643456]
我々は,スタックトレースにおける非難フレームを識別するための,新しいマルチタスクシーケンスラベリング手法を開発した。
当社のモデルは、4つの人気のあるMicrosoftアプリケーションから100万以上の現実世界のクラッシュで評価しています。
論文 参考訳(メタデータ) (2021-09-29T10:26:57Z) - Crash Report Data Analysis for Creating Scenario-Wise, Spatio-Temporal
Attention Guidance to Support Computer Vision-based Perception of Fatal Crash
Risks [8.34084323253809]
本稿では,致命的な事故報告データからシナリオ的,時空間的注意誘導というデータ分析モデルを開発した。
検出されたオブジェクトの環境からの致命的なクラッシュとコンテキスト情報との関係を推定する。
本研究は, 予備CVモデルの設計と実装において, 改良された注意指導がいかに役立つかを示す。
論文 参考訳(メタデータ) (2021-09-06T19:43:37Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳(メタデータ) (2021-03-26T01:18:11Z) - Human error in motorcycle crashes: a methodology based on in-depth data
to identify the skills needed and support training interventions for safe
riding [0.0]
本稿では,事故発生率を抑えるため,最も高いリスククラッシュ構成において,ライダーが必要とするスキルを識別する手法を定義する。
本稿では803基の2輪車衝突事故の詳細なデータを用いたケーススタディを提案する。
論文 参考訳(メタデータ) (2021-02-19T21:30:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。