論文の概要: Automatically Analyzing Performance Issues in Android Apps: How Far Are We?
- arxiv url: http://arxiv.org/abs/2407.05090v1
- Date: Sat, 6 Jul 2024 14:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 21:08:14.145385
- Title: Automatically Analyzing Performance Issues in Android Apps: How Far Are We?
- Title（参考訳）: Androidアプリのパフォーマンス問題を自動的に分析する: どこまであるのか?
- Authors: Dianshu Liao, Shidong Pan, Siyuan Yang, Yitong Wang, Yanjie Zhao, Zhenchang Xing, Xiaoyu Sun,
- Abstract要約: パフォーマンスは、あらゆるモバイルアプリケーションのスムーズな操作を保証する上で重要な役割を果たす。
現在のツールは機能に制限があり、パフォーマンス上の問題のうち17.50%しかカバーしていない。
既存のデータセットは問題の27.50%しか含んでおらず、サイズは非常に限られている。
- 参考スコア（独自算出の注目度）: 21.471170837839853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Performance plays a critical role in ensuring the smooth operation of any mobile application, directly influencing user engagement and retention. Android applications are no exception. However, unlike functionality issues, performance issues are more challenging to discover as their root causes are sophisticated and typically emerge under specific payloads. To tackle this problem, researchers have dedicated substantial efforts to proposing automatic approaches for understanding, detecting, and resolving performance issues. Despite these endeavors, it still remains unknown what the status quo of Android performance analysis is, and whether existing approaches can indeed accurately reflect real performance issues. To fill this research gap, we conducted a systematic literature review followed by an explanatory study to explore relevant studies and real-world challenges. Our findings reveal that current tools have limited capabilities, covering only 17.50% of the performance issues. Additionally, existing datasets encompass only 27.50% of the issues and are very limited in size. We also show real-world issue patterns, underscoring the huge gap between the identified techniques and practical concerns. Furthermore, possible solutions are provided to guide future research towards achieving effective performance issue detection and resolution.
- Abstract（参考訳）: パフォーマンスは、モバイルアプリケーションのスムーズな運用を保証する上で重要な役割を担い、ユーザのエンゲージメントと保持に直接影響を与えます。
Androidアプリケーションは例外ではない。
しかしながら、機能の問題とは異なり、根本原因が洗練され、通常は特定のペイロードの下に現れるため、パフォーマンスの問題を見つけることはより困難である。
この問題に対処するため、研究者はパフォーマンス問題を理解し、検出し、解決するための自動アプローチの提案に多大な努力を払ってきた。
これらの努力にもかかわらず、Androidのパフォーマンス分析の現在の状況や、既存のアプローチが実際のパフォーマンス問題を正確に反映できるかどうかはまだ分かっていない。
本研究のギャップを埋めるために,本研究では,関連研究と実世界の課題を探るため,系統的な文献レビューを行い,解説研究を行った。
私たちの調査によると、現在のツールは機能に制限があり、パフォーマンス上の問題のうち17.50%しかカバーしていない。
さらに、既存のデータセットは問題の27.50%しか含んでおらず、非常に制限されている。
また、実世界の課題パターンを示し、特定された技術と実践上の懸念の間の大きなギャップを浮き彫りにしている。
さらに,性能問題の検出と解決を効果的に行うための今後の研究の指針として,可能なソリューションが提供される。
関連論文リスト
- Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳（メタデータ） (2024-05-13T14:44:22Z) - Enhancing Mobile "How-to" Queries with Automated Search Results Verification and Reranking [4.521071819941574]
本稿では,オンライン技術支援検索結果の精度と関連性を改善するための新しい手法を提案する。
我々は、AIエージェントが検索結果のステップバイステップの指示を、制御されたAndroid環境で解釈し実行できるようにするための、最初のソリューションを開発した。
その結果,上位結果の品質と信頼性は著しく向上した。
論文 参考訳（メタデータ） (2024-04-13T00:20:09Z) - LLbezpeky: Leveraging Large Language Models for Vulnerability Detection [10.330063887545398]
大規模言語モデル(LLM)は、人やプログラミング言語におけるセムナティクスを理解する大きな可能性を示している。
私たちは、脆弱性の特定と修正を支援するAI駆動ワークフローの構築に重点を置いています。
論文 参考訳（メタデータ） (2024-01-02T16:14:30Z) - Large Language Models Cannot Self-Correct Reasoning Yet [78.16697476530994]
LLM(Large Language Models)は、非並列テキスト生成機能を備えた画期的な技術として登場した。
生成したコンテンツの正確性と適切性に関する懸念が続いている。
現代の方法論である自己補正がこれらの問題に対する対策として提案されている。
論文 参考訳（メタデータ） (2023-10-03T04:56:12Z) - Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。
現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。
我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
論文 参考訳（メタデータ） (2023-09-08T20:27:05Z) - On building machine learning pipelines for Android malware detection: a
procedural survey of practices, challenges and opportunities [4.8460847676785175]
スマートフォン市場のリーダーとして、Androidはマルウェア攻撃の目玉ターゲットとなっている。
特に市場保有者や研究者にとって、多数のサンプルが手動によるマルウェア検出を不可能にしている。
提案されたアプローチのいくつかは高いパフォーマンスを達成するが、急速に進化するAndroidマルウェアは、時間とともにその正確性を維持することができない。
論文 参考訳（メタデータ） (2023-06-12T13:52:28Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - rWISDM: Repaired WISDM, a Public Dataset for Human Activity Recognition [0.0]
HAR(Human Activity Recognition)は、医療、運動競技、スマートシティ、スマートホームといった様々な分野に応用されているため、近年の科学的研究において注目されている。
本稿では,他の研究者が公開データセットに類似した問題を同定し,修正する手法を提案する。
論文 参考訳（メタデータ） (2023-05-17T13:55:50Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳（メタデータ） (2023-04-10T15:38:12Z) - Scaling up Search Engine Audits: Practical Insights for Algorithm
Auditing [68.8204255655161]
異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。
複数のデータ収集にまたがる研究インフラの性能を実証する。
仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
論文 参考訳（メタデータ） (2021-06-10T15:49:58Z) - Identifying Properties of Real-World Optimisation Problems through a
Questionnaire [2.805617945875364]
本研究は, 実世界の課題の実態を質問紙で調査する。
これは将来のベンチマーク問題の設計を可能にし、現実世界で見られる問題とよりよく似ている。
論文 参考訳（メタデータ） (2020-11-11T05:09:01Z)
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。