論文の概要: Modelling Android applications through static analysis and systematic exploratory testing
- arxiv url: http://arxiv.org/abs/2608.00228v1
- Date: Fri, 31 Jul 2026 19:18:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 15:22:00.238582
- Title: Modelling Android applications through static analysis and systematic exploratory testing
- Title（参考訳）: 静的解析と系統的探索テストによるAndroidアプリケーションのモデル化
- Abstract要約: DroidGraphは、Androidアプリケーションの包括的な制御フローモデルを生成するフレームワークである。
効率的な探索テストは345回のランダムな探索よりも18%多くアプリケーションと相互作用することを示します。
- 参考スコア（独自算出の注目度）: 2.3074667378396807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile application development is a fast paced industry with frequent releases. While the development pace increases, so too does the need for automated test generation. Model-based test generation is one of the most common and successful approaches to support this need. Understanding and modelling the application under test is integral to producing comprehensive, dependable and effective tests. Unfortunately, mobile platforms such as Android, introduce a host of difficulties. Static analysis struggles with Android's event-based nature and the growing variety of mechanisms available for developers to implement different features. Additionally, dynamic analysis, implemented by popular random test generators, is slow, inefficient, and limited by a lack of application knowledge. This paper introduces DroidGraph, a framework to generate a comprehensive control flow model of Android applications using traditional static analysis and efficient systematic exploratory tests. DroidGraph provides a detailed model of an Android application, from low level method statements to high level user interface structures. This model can be used to support automated test generation. We apply DroidGraph to 19 diverse apps and show that our efficient exploratory tests, on average, interact with 18% more of the app than commonly used random exploration in 345 less interactions. Integrating the dynamic analysis results provided by these tests complements our static analysis, and uncovers on average 51 more components and 49% more interface callback links in the application code.
- Abstract（参考訳）: モバイルアプリケーション開発は、頻繁なリリースを伴うペースの速い業界です。
開発ペースは向上するが、自動テスト生成も必要になる。
モデルベースのテスト生成は、このニーズをサポートする最も一般的で成功したアプローチの1つです。
テスト下のアプリケーションの理解とモデリングは、包括的な、信頼性のある、効果的なテストを生成するのに不可欠です。
残念ながら、Androidのようなモバイルプラットフォームには、多くの困難が伴う。
静的分析は、Androidのイベントベースの性質と、開発者がさまざまな機能を実装するために利用可能なさまざまなメカニズムに苦慮している。
さらに、一般的なランダムテストジェネレータによって実装された動的解析は遅く、非効率であり、アプリケーション知識の欠如によって制限される。
本稿では,従来の静的解析と効率的な系統探索テストを用いて,Androidアプリケーションの包括的な制御フローモデルを生成するフレームワークであるDroidGraphを紹介する。
DroidGraphは,低レベルのメソッドステートメントから高レベルのユーザインターフェース構造に至るまで,Androidアプリケーションの詳細なモデルを提供する。
このモデルは自動テスト生成をサポートするために使用できる。
DroidGraphを19の多様なアプリに適用し、私たちの効率的な探索テストが、平均して345のインタラクションで一般的に使用されるランダムな探索よりも18%多くアプリと相互作用することを示しています。
これらのテストによって提供される動的解析結果を統合することで、静的解析を補完し、アプリケーションコード内の平均51のコンポーネントと49%のインターフェースコールバックリンクを明らかにします。
関連論文リスト
- PADRAIG: Precise Android Automated Input Generation [2.3074667378396807]
本稿では,モデルベーステスト入力生成フレームワークPADRAIGについて述べる。
AUTの詳細な制御フローモデルを使用して,より高いラインカバレッジを実現するテストを生成する。
F-Droidアプリケーションストアからランダムに選択された19のAndroidアプリを用いて、PADRAIGは平均して、最先端技術よりも平均して16%のAUTカバレッジを実現し、平均84%のランタイムでテストを生成することができた。
論文 参考訳（メタデータ） (2026-07-31T19:20:13Z) - DragonCrawl: A Generative, Intent-Based Framework for Scalable Mobile End-to-End Testing [3.0812793454543375]
DragonCrawlは、継続的回帰テストのためのAI駆動のモバイルテストシステムである。
コードの変更毎に特定のユーザフローを検証し、重要な機能を壊すコミットをブロックする。
iOSで91.6%、Androidで92.2%、CI/CDパイプラインで継続的に実行される1013の自動化テストで91.6%のパスレートを達成した。
論文 参考訳（メタデータ） (2026-07-30T18:17:31Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - FuncDroid: Towards Inter-Functional Flows for Comprehensive Mobile App GUI Testing [6.346121677855558]
本稿では,正確なモデル構築と深いバグ検出という2つの目標を掲げた,関数型フロー指向GUIテスト手法を提案する。
2つの相補的なテスト生成ビューを組み合わせることで、機能境界を適応的に洗練し、機能間フローを体系的に探索することができる。
このアプローチをFuncDroidというツールに実装し、2つのベンチマークで評価します。(1)再現可能な50のクラッシュバグを備えた、広く使われているオープンソースベンチマーク、(2)52の人気のある商用アプリの多種多様なセットです。
論文 参考訳（メタデータ） (2026-02-13T11:40:02Z) - ColorBench: Benchmarking Mobile Agents with Graph-Structured Framework for Complex Long-Horizon Tasks [37.79008306764891]
実世界のタスクは複雑で、複数の有効なソリューションが可能である。
オフラインベンチマークは、1つの事前定義された"ゴールドパス"のみを検証することができる
オンライン動的テストは、実際のデバイスの複雑さと非再現性によって制約される。
本稿では,新しいグラフ構造化ベンチマークフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-16T12:30:05Z) - Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。
その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。
本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
論文 参考訳（メタデータ） (2025-08-28T13:00:28Z) - ArtifactsBench: Bridging the Visual-Interactive Gap in LLM Code Generation Evaluation [51.297873393639456]
ArtifactsBenchは自動ビジュアルコード生成評価のためのフレームワークである。
我々のフレームワークは、生成した各アーティファクトをレンダリングし、時間的スクリーンショットを通してその動的な振る舞いをキャプチャする。
我々は1,825の多様なタスクの新しいベンチマークを構築し、30以上の主要な大規模言語モデルを評価する。
論文 参考訳（メタデータ） (2025-07-07T12:53:00Z) - Commit0: Library Generation from Scratch [77.38414688148006]
Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。
エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。
Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
論文 参考訳（メタデータ） (2024-12-02T18:11:30Z) - Autonomous Large Language Model Agents Enabling Intent-Driven Mobile GUI
Testing [17.24045904273874]
そこで我々は,Android用の自動GUIテストエージェントであるDroidAgentを提案する。
これはLarge Language Modelと、長期記憶や短期記憶などのサポートメカニズムに基づいている。
DroidAgentは61%のアクティビティカバレッジを達成したが、現在の最先端のGUIテスト技術では51%だった。
論文 参考訳（メタデータ） (2023-11-15T01:59:40Z) - Neural Embeddings for Web Testing [49.66745368789056]
既存のクローラは、状態等価性を評価するために、アプリ固有のしきい値ベースのアルゴリズムに依存している。
ニューラルネットワークの埋め込みとしきい値のない分類器に基づく新しい抽象関数WEBEMBEDを提案する。
WEBEMBEDは,9つのWebアプリケーションに対する評価の結果,近距離検出により最先端技術よりも精度が高いことがわかった。
論文 参考訳（メタデータ） (2023-06-12T19:59:36Z) - Semantic Scene Segmentation for Robotics Applications [51.66271681532262]
様々な設定の下で,最も成功したセマンティックシーンセグメンテーションモデルの動作を,展開(推論)速度の観点から検討する。
この研究の目的は、ロボット工学の応用要件に最も適合しているものを選択するために、現在の最先端セグメンテーションモデルの比較研究を提供することである。
論文 参考訳（メタデータ） (2021-08-25T08:55:20Z)
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。