論文の概要: Testing Practices, Challenges, and Developer Perspectives in Open-Source IoT Platforms

• arxiv url: http://arxiv.org/abs/2502.07257v1
• Date: Tue, 11 Feb 2025 04:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:05.376505
• Title: Testing Practices, Challenges, and Developer Perspectives in Open-Source IoT Platforms
• Title（参考訳）: オープンソースのIoTプラットフォームにおけるテストプラクティス、課題、開発者視点
• Authors: Daniel Rodriguez-Cardenas, Safwat Ali Khan, Prianka Mandal, Adwait Nadkarni, Kevin Moran, Denys Poshyvanyk,
• Abstract要約: この記事では、IoTプラットフォームにおけるテストの背後にあるプラクティスと認識の両方を初めて明らかにする。 OpenHabとHomeAssitantという2つのポピュラーでメンテナンスのよいオープンソースIoTプラットフォームのコードと統合を分析します。 私たちの分析では、自動(ユニット)テスト、手動テストの欠如に重点を置いています。
• 参考スコア（独自算出の注目度）: 12.319289129092011
• License:
• Abstract: As the popularity of Internet of Things (IoT) platforms grows, users gain unprecedented control over their homes, health monitoring, and daily task automation. However, the testing of software for these platforms poses significant challenges due to their diverse composition, e.g., common smart home platforms are often composed of varied types of devices that use a diverse array of communication protocols, connections to mobile apps, cloud services, as well as integration among various platforms. This paper is the first to uncover both the practices and perceptions behind testing in IoT platforms, particularly open-source smart home platforms. Our study is composed of two key components. First, we mine and empirically analyze the code and integrations of two highly popular and well-maintained open-source IoT platforms, OpenHab and HomeAssitant. Our analysis involves the identification of functional and related test methods based on the focal method approach. We find that OpenHab has only 0.04 test ratio ($\approx 4K$ focal test methods from $\approx 76K$ functional methods) in Java files, while HomeAssitant exhibits higher test ratio of $0.42$, which reveals a significant dearth of testing. Second, to understand the developers' perspective on testing in IoT, and to explain our empirical observations, we survey 80 open-source developers actively engaged in IoT platform development. Our analysis of survey responses reveals a significant focus on automated (unit) testing, and a lack of manual testing, which supports our empirical observations, as well as testing challenges specific to IoT. Together, our empirical analysis and survey yield 10 key findings that uncover the current state of testing in IoT platforms, and reveal key perceptions and challenges. These findings provide valuable guidance to the research community in navigating the complexities of effectively testing IoT platforms.
• Abstract（参考訳）: IoT(Internet of Things)プラットフォームの人気が高まるにつれて、ユーザは自宅や健康モニタリング、日々のタスク自動化など、前例のないコントロールを受けられるようになる。 一般的なスマートホームプラットフォームは、多種多様な通信プロトコル、モバイルアプリへの接続、クラウドサービス、およびさまざまなプラットフォーム間の統合を使用するさまざまなタイプのデバイスで構成されていることが多い。 この記事では、IoTプラットフォーム、特にオープンソースのスマートホームプラットフォームにおけるテストの背景にあるプラクティスと認識の両方を初めて明らかにする。 私たちの研究は2つの重要な要素から成り立っている。 まず、人気が高く、メンテナンスの充実した2つのオープンソースIoTプラットフォームであるOpenHabとHomeAssitantのコードと統合について、経験的に分析します。 本分析では,焦点法に基づく機能的および関連する検査手法の同定を行う。 OpenHab は Java ファイルに 0.04 のテスト比率 ($\approx 76K$ 関数型メソッドからの焦点テストメソッド) しかありませんが,HomeAssitant は 0.42$ という高いテスト比率を示しています。 第2に、IoTにおけるテストに関する開発者の視点を理解し、経験的な観察を説明するために、80人のオープンソース開発者がIoTプラットフォーム開発に積極的に従事しています。 調査回答の分析では、自動(ユニット)テストや、経験的な観察をサポートする手動テストの欠如、さらにはIoT特有のテスト課題に重点を置いています。 私たちの経験的分析と調査は、IoTプラットフォームにおけるテストの現状を明らかにし、重要な認識と課題を明らかにする上で、10つの重要な発見をもたらします。 これらの発見は、IoTプラットフォームを効果的にテストする複雑さをナビゲートする研究コミュニティに貴重なガイダンスを提供する。

関連論文リスト

• DriveTester: A Unified Platform for Simulation-Based Autonomous Driving Testing [24.222344794923558]
  DriveTesterはApollo上に構築されたシミュレーションベースの統合テストプラットフォームである。 一貫性があり信頼性の高い環境を提供し、軽量な交通シミュレータを統合し、様々な最先端のADSテスト技術を取り入れている。
  論文  参考訳（メタデータ） (2024-12-17T08:24:05Z)
• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• Testing Real-World Healthcare IoT Application: Experiences and Lessons Learned [5.126355491416586]
  実世界の医療用IoTアプリケーション上で、最先端のREST APIテスティングアプローチ(RESTest)の産業的評価を報告する。 私たちは、REST API障害、アプリケーションの障害、REST APIカバレッジに関するRESTestのテスト戦略の有効性を分析します。
  論文  参考訳（メタデータ） (2023-09-08T09:35:21Z)
• Harris Hawks Feature Selection in Distributed Machine Learning for Secure IoT Environments [8.690178186919635]
  IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。 ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。 本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
  論文  参考訳（メタデータ） (2023-02-20T09:38:12Z)
• Effective, Platform-Independent GUI Testing via Image Embedding and Reinforcement Learning [15.458315113767686]
  アプリケーションテストに有効なプラットフォームに依存しないアプローチであるPIRLTestを提案する。 コンピュータビジョンと強化学習技術を利用して、新しいシナジスティックな方法で自動テストを行う。 PILTestは、Q-networkを使用して特定の状態-アクションペアの値を見積もる好奇心駆動型戦略のガイダンスで、アプリを探索する。
  論文  参考訳（メタデータ） (2022-08-19T01:51:16Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• TapNet: The Design, Training, Implementation, and Applications of a Multi-Task Learning CNN for Off-Screen Mobile Input [75.05709030478073]
  本稿では,スマートフォンのタップを検出するマルチタスクネットワークであるTapNetの設計,トレーニング,実装,応用について述べる。 TapNetはデバイス間のデータから共同で学習し、タップ方向やタップ位置を含む複数のタップ特性を同時に認識することができる。
  論文  参考訳（メタデータ） (2021-02-18T00:45:41Z)
• Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework [68.96770035057716]
  A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。 本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-05T10:25:02Z)
• LIMITS: Lightweight Machine Learning for IoT Systems with Resource Limitations [8.647853543335662]
  我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。 LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。 LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
  論文  参考訳（メタデータ） (2020-01-28T06:34:35Z)

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。