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

• Why do Machine Learning Notebooks Crash? [1.8292110434077904]
  GitHubとKaggleから92,542回のクラッシュを含む64,031のMLノートブックを収集します。 例外タイプや根本原因など,さまざまな側面にわたる746件のクラッシュのサンプルを分析した。 我々の分析によると、クラッシュの87%は、APIの誤用、データ混乱、ノートブック固有の問題、環境問題、実装エラーによって引き起こされている。
  論文  参考訳（メタデータ） (2024-11-25T09:33:08Z)
• Better Debugging: Combining Static Analysis and LLMs for Explainable Crashing Fault Localization [12.103194723136406]
  本稿では,静的解析とLLM手法を組み合わせた説明可能なクラッシュ断層定位手法を提案する。 フレームワークコードで例外をスローするステートメントのセマンティクスを理解することは、バグだらけのメソッドをアプリコードで見つけて認識するのに役立ちます。 この考え方に基づいて、まず、各フレームワーク固有の例外に関連する重要な要素を記述する例外スローの要約(ETS)を設計する。 そして、その重要な要素をデータ追跡して、与えられたクラッシュのバグのある候補を特定し、ソートします。
  論文  参考訳（メタデータ） (2024-08-22T02:18:35Z)
• VDebugger: Harnessing Execution Feedback for Debugging Visual Programs [103.61860743476933]
  V Debuggerは、視覚プログラムのローカライズとデバッギングのために、段階的に実行を追跡することで訓練された、批評家とリファインダーのフレームワークである。 Vデバッガは、詳細な実行フィードバックを活用してプログラムエラーを特定し、修正する。 6つのデータセットの評価は、Vデバッガの有効性を示し、ダウンストリームタスクの精度が最大3.2%向上したことを示している。
  論文  参考訳（メタデータ） (2024-06-19T11:09:16Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Crash Report Accumulation During Continuous Fuzzing [0.0]
  本稿では,CASRツールセットの一部として,クラッシュ蓄積手法を提案し,実装する。 ファジィ結果から得られた事故報告に対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2024-05-28T13:36:31Z)
• The Impact Of Bug Localization Based on Crash Report Mining: A Developers' Perspective [7.952391285456257]
  事故報告をグループ化し,バグコードを見つけるためのアプローチを18ヶ月にわたって毎週実施した経験を報告する。 この調査で調査されたアプローチは、バギーファイルの大部分を正しく示唆していた。
  論文  参考訳（メタデータ） (2024-03-16T01:23:01Z)
• 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)
• 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)
• 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)

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。