Android应用的用户行为模式挖掘及复用方法

doi:10.11772/j.issn.1001-9081.2021040652

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (7): 2155-2161.DOI: 10.11772/j.issn.1001-9081.2021040652

• 计算机软件技术 • 上一篇

Android应用的用户行为模式挖掘及复用方法

毛群, 王微微(), 尤枫, 赵瑞莲, 李征

北京化工大学信息科学与技术学院，北京 100029

收稿日期:2021-04-25 修回日期:2021-08-03 接受日期:2021-08-06 发布日期:2022-07-15 出版日期:2022-07-10
通讯作者: 王微微
作者简介:毛群（1997—），女，湖南祁阳人，硕士研究生，主要研究方向：软件测试
尤枫（1963—），男，江苏江都人，高级工程师，硕士，CCF会员，主要研究方向：软件测试、软件可靠性、Web用户行为分析
赵瑞莲（1964—），女，山西忻州人，教授，博士，CCF会员，主要研究方向：软件测试、软件可靠性
李征（1974—），男，河北清苑人，教授，博士，CCF会员，主要研究方向：软件回归测试。
基金资助:
国家自然科学基金资助项目(62077003)

Pattern mining and reuse method for user behaviors of Android applications

Qun MAO, Weiwei WANG(), Feng YOU, Ruilian ZHAO, Zheng LI

College of Information Science and Technology，Beijing University of Chemical Technology，Beijing 100029，China

Received:2021-04-25 Revised:2021-08-03 Accepted:2021-08-06 Online:2022-07-15 Published:2022-07-10
Contact: Weiwei WANG
About author:MAO Qun， born in 1997， M. S. candidate. Her research interest include software testing.
YOU Feng， born in 1963， M. S.， senior engineer. His research interests include software testing， software reliability， Web user behavior analysis.
ZHAO Ruilian， born in 1964， Ph. D.， professor. Her research interests include software testing， software reliability.
LI Zheng， born in 1974， Ph. D.， professor. His research interest include software regression testing.
Supported by:
National Natural Science Foundation of China(62077003)

摘要/Abstract

摘要：

软件测试是保障Android应用质量的有效手段，而理解Android应用的功能作为Android测试过程的基础，旨在深入探究应用的业务逻辑并发现其功能问题，在测试中尤为重要。用户行为模式可充分辅助测试人员理解Android应用功能，从而提高测试效率。基于“相似Android应用共享用户行为模式”的构想，提出一种Android应用的用户行为模式挖掘及复用方法，以降低Android应用测试成本并提高测试效率。具体而言，针对待测Android应用，从其相似Android应用挖掘出用户行为模式；然后利用基于语义的事件模糊匹配策略为待测应用寻找对应事件，并基于用户图形界面（GUI）模型的最优路径选择策略为待测应用生成目标事件序列，从而实现相似应用间的用户行为模式复用。针对三类应用的32种用户行为模式进行实验，结果表明，87.4%的行为模式可在相似Android应用上被完整复用，并且被复用的行为模式可有效覆盖待测应用中90.2%的重要状态。可见，所提方法为Android应用测试提供了有效支撑。

关键词: Android应用, Android应用测试, 用户行为模式, 模式挖掘, 模式复用

Abstract:

Software testing is an effective way to ensure the quality of Android applications. Understanding the functions of Android applications is the basis of the Android testing process. It aims to deeply explore the application’s business logic and reveal its functional defects， playing an important role in testing. User behavior patterns can assist testers in understanding an Android application’s functions， thereby improving test efficiency. Based on the idea “similar Android applications share user behavior patterns”， a user behavior pattern mining and reuse method was proposed to reduce the cost of Android application testing and improve the testing efficiency. Specifically， for the Android application under test， the user behavior patterns from a similar Android application were mined. Then， the semantic-based event fuzzy matching strategy was used to search the corresponding events for the application under test， and the Graphical User Interface （GUI） model based optimal path selection strategy was used to generate target event sequences for the application under test， thereby achieving user behavior pattern reuse across similar applications. The experiments were conducted on 32 user behavior patterns of three categories of Android applications. The results show that 87.4% of user behavior patterns can be completely reused on similar Android applications， and the reused user behavior patterns can effectively cover 90.2% of important states in applications under test. Thus， the proposed method provides effective support for the testing of Android applications.

Key words: Android application, Android application testing, user behavior pattern, pattern mining, pattern reuse

中图分类号:

TP311.5

毛群, 王微微, 尤枫, 赵瑞莲, 李征. Android应用的用户行为模式挖掘及复用方法[J]. 计算机应用, 2022, 42(7): 2155-2161.

Qun MAO, Weiwei WANG, Feng YOU, Ruilian ZHAO, Zheng LI. Pattern mining and reuse method for user behaviors of Android applications[J]. Journal of Computer Applications, 2022, 42(7): 2155-2161.

图/表 7

参考文献 24

1	Gartner， Inc. Gartner says global smartphone sales declined 20% in second quarter of 2020［EB/OL］. （2020-08-25）［2021-02-12］.. 10.32388/n9y6en
2	刘洪辉，吴岳芬. 用户行为模式挖掘问题的研究［J］. 计算机技术与发展， 2006， 16（5）：50-52， 55. 10.3969/j.issn.1673-629X.2006.05.018
	LIU H H， WU Y F. Research on user’s behavior pattern mining［J］. Computer Technology and Development， 2006， 16（5）： 50-52， 55. 10.3969/j.issn.1673-629X.2006.05.018
3	杨风雷，阎保平. Web用户行为模式挖掘研究［J］. 微电子学与计算机， 2008， 25（11）：146-149. 10.1109/iscsct.2008.151
	YANG F L， YAN B P. Research on Web usage mining［J］. Microelectronics and Computer， 2008， 25（11）： 146-149. 10.1109/iscsct.2008.151
4	姬浩博，王俊红. 一种改进的PrefixSpan算法及其在Web用户行为模式挖掘中的应用［J］. 计算机科学， 2016， 43（1）：25-29. 10.11896/j.issn.1002-137X.2016.01.006
	JI H B， WANG J H. Research on improved PrefixSpan algorithm and its application in Web user behavior patterns mining［J］. Computer Science， 2016， 43（1）： 25-29. 10.11896/j.issn.1002-137X.2016.01.006
5	BROOKS P A， MEMON A M. Automated GUI testing guided by usage profiles［C］// Proceedings of the 22nd ACM/IEEE International Conference on Automated Software Engineering. New York： ACM， 2007： 333-342. 10.1145/1321631.1321681
6	LORENZOLI D， MARIANI L， PEZZÈ M. Automatic generation of software behavioral models［C］// Proceedings of the 30th International Conference on Software Engineering. New York： ACM， 2008： 501-510. 10.1145/1368088.1368157
7	WANG W W， GUO J X， LI Z， et al. EFSM-oriented minimal traces set generation approach for Web applications［C］// Proceedings of the IEEE 42nd Annual Computer Software and Applications Conference. Piscataway： IEEE， 2018： 12-21. 10.1109/compsac.2018.00011
8	WANG W W， GUO X H， LI Z Z.， et al. Test case generation based on client-server of Web applications by memetic algorithm［C］// Proceedings of the IEEE 30th International Symposium on Software Reliability Engineering. Piscataway： IEEE， 2019： 206-216. 10.1109/issre.2019.00029
9	LINARES-VÁSQUEZ M， WHITE M， BERNAL-CÁRDENAS C， et al. Mining Android app usages for generating actionable GUI-based execution scenarios［C］// Proceedings of the IEEE/ACM 12th Working Conference on Mining Software Repositories. Piscataway： IEEE， 2015： 111-122. 10.1109/msr.2015.18
10	ERNST M D， COCKRELL J， GRISWOLD W G， et al. Dynamically discovering likely program invariants to support program evolution［J］. IEEE Transactions on Software Engineering， 2001， 27（2）： 99-123. 10.1109/32.908957
11	ELBAUM S， ROTHERMEL G， KARRE S， et al.Leveraging user-session data to support Web application testing ［J］. IEEE Transactions on Software Engineering， 2005， 31（3）：187-202. 10.1109/tse.2005.36
12	MILANI FARD A， MIRZAAGHAEI M， MESBAH A. Leveraging existing tests in automated test generation for Web applications［C］// Proceedings of the 29th ACM/IEEE International Conference on Automated Software Engineering. New York： ACM， 2014： 67-78. 10.1145/2642937.2642991
13	LIU P， ZHANG X Y， PISTOIA M， et al. Automatic text input generation for mobile testing［C］// Proceedings of the IEEE/ACM 39th International Conference on Software Engineering. Piscataway： IEEE， 2017： 643-653. 10.1109/icse.2017.65
14	ERMUTH M， PRADEL M. Monkey see， monkey do： effective generation of GUI tests with inferred macro events［C］// Proceedings of the 25th International Symposium on Software Testing and Analysis. New York： ACM， 2016：82-93. 10.1145/2931037.2931053
15	YAN X F， HAN J W， AFSHAR R. CloSpan： mining closed sequential patterns in large datasets［C］// Proceedings of the 3rd SIAM International Conference on Data Mining. Philadelphia， PA： Society for Industrial and Applied Mathematics， 2003： 166-177. 10.1137/1.9781611972733.15
16	MAO K， HARMAN M， JIA Y. Crowd intelligence enhances automated mobile testing［C］// Proceedings of the 32nd IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2017： 16-26. 10.1109/ase.2017.8115614
17	MAO K， HARMAN M， JIA Y. Sapienz： multi-objective automated testing for android applications［C］// Proceedings of the 25th International Symposium on Software Testing and Analysis. New York： ACM， 2016： 94-105. 10.1145/2931037.2931054
18	RAU A， HOTZKOW J， ZELLER A. Transferring tests across Web applications［C］// Proceedings of the 2018 International Conference on Web Engineering， LNCS 10845/LNISA 10845. Cham： Springer， 2018： 50-64. 10.1007/978-3-319-91662-0_4
19	HU G， ZHU L J， YANG J F. AppFlow： using machine learning to synthesize robust， reusable UI tests［C］// Proceedings of the 26th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering. New York： ACM， 2018： 269-282. 10.1145/3236024.3236055
20	LIN J W， JABBARVAND R， MALEK S. Test transfer across mobile apps through semantic mapping［C］// Proceedings of the 34th IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2019： 42-53. 10.1109/ase.2019.00015
21	BEHRANG F， ORSO A. Test migration between mobile apps with similar functionality［C］// Proceedings of the 34th IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2019： 54-65. 10.1109/ase.2019.00016
22	Foundation OpenJS. Appium： mobile app automation made awesome［EB/OL］. ［2020-08-25］..
23	FUMAROLA F， LANOTTE P F， CECI M， et al. CloFAST： closed sequential pattern mining using sparse and vertical id-lists［J］. Knowledge and Information Systems， 2016， 48（2）：429-463. 10.1007/s10115-015-0884-x
24	MIKOLOV T， CHEN K， CORRADO G， et al. Efficient estimation of word representations in vector space［EB/OL］. （2013-09-07）［2020-08-25］.. 10.3126/jiee.v3i1.34327

应用类型	应用ID	应用名称	版本	代码行数
购物清单	S1	Shopping List	v1.0.1	7.1k
	S2	Shopping List	v1.2.3	5.2k
	S3	Shopping List	v1.0.8	18.9k
	S4	OI Shopping List	v1.7.0.5	32.3k
笔记	N1	Swiftnotes	v3.1.4	4.8k
	N2	Note Now	v2.8	6.1k
	N3	Notepad	v1.12	2.7k
	N4	N4 — Notepad	v1.06	2.3k
天气	W1	Geometric Weather	v2.608	77.6k
	W2	Forecastie	v1.5	8.5k
	W3	Good Weather	v4.4	9.7k
	W4	World Weather	v1.2.5	19.7k

应用类型	应用ID	应用名称	版本	代码行数
购物清单	S1	Shopping List	v1.0.1	7.1k
	S2	Shopping List	v1.2.3	5.2k
	S3	Shopping List	v1.0.8	18.9k
	S4	OI Shopping List	v1.7.0.5	32.3k
笔记	N1	Swiftnotes	v3.1.4	4.8k
	N2	Note Now	v2.8	6.1k
	N3	Notepad	v1.12	2.7k
	N4	N4 — Notepad	v1.06	2.3k
天气	W1	Geometric Weather	v2.608	77.6k
	W2	Forecastie	v1.5	8.5k
	W3	Good Weather	v4.4	9.7k
	W4	World Weather	v1.2.5	19.7k

已知应用	待测应用	TP		FN		精确率		召回率
已知应用	待测应用	使用	不使用	使用	不使用	使用	不使用	使用	不使用
S1	S2	83.1	80.0	3.1	6.2	88.5	88.1	96.4	92.9
	S3	86.2	78.5	4.6	9.2	94.9	91.1	94.9	89.5
	S4	64.6	50.7	3.1	20.0	66.7	64.7	95.5	71.7
平均值		77.9	69.7	3.6	11.8	83.4	81.3	95.6	84.7
N1	N2	61.5	42.4	3.9	11.5	88.9	68.8	94.1	78.6
	N3	42.3	38.5	7.7	7.7	61.1	66.7	84.6	83.3
	N4	61.5	46.2	7.7	11.5	80.0	63.2	88.9	80.0
平均值		55.1	42.3	6.4	10.3	76.7	66.2	89.2	80.6
W1	W2	53.6	19.1	0.0	9.5	61.6	24.7	100.0	66.8
	W3	57.1	25.0	0.0	0.0	57.1	25.0	100.0	100.0
	W4	60.7	11.9	1.2	21.4	69.9	17.9	98.1	35.7
平均值		57.2	18.7	0.4	10.3	62.9	22.5	99.4	67.5

已知应用	待测应用	TP		FN		精确率		召回率
已知应用	待测应用	使用	不使用	使用	不使用	使用	不使用	使用	不使用
S1	S2	83.1	80.0	3.1	6.2	88.5	88.1	96.4	92.9
	S3	86.2	78.5	4.6	9.2	94.9	91.1	94.9	89.5
	S4	64.6	50.7	3.1	20.0	66.7	64.7	95.5	71.7
平均值		77.9	69.7	3.6	11.8	83.4	81.3	95.6	84.7
N1	N2	61.5	42.4	3.9	11.5	88.9	68.8	94.1	78.6
	N3	42.3	38.5	7.7	7.7	61.1	66.7	84.6	83.3
	N4	61.5	46.2	7.7	11.5	80.0	63.2	88.9	80.0
平均值		55.1	42.3	6.4	10.3	76.7	66.2	89.2	80.6
W1	W2	53.6	19.1	0.0	9.5	61.6	24.7	100.0	66.8
	W3	57.1	25.0	0.0	0.0	57.1	25.0	100.0	100.0
	W4	60.7	11.9	1.2	21.4	69.9	17.9	98.1	35.7
平均值		57.2	18.7	0.4	10.3	62.9	22.5	99.4	67.5

源应用	目标应用	级别1	级别2	级别3
S1	S2	75.0	33.3	44.4
	S3	57.1	45.5	17.6
	S4	100.0	60.0	42.9
N1	N2	100.0	75.0	100.0
	N3	100.0	100.0	100.0
	N4	100.0	100.0	71.4
W1	W2	100.0	100.0	85.7
	W3	80.0	42.9	69.2
	W4	100.0	100.0	60.0
平均值		90.2	73.0	65.7

Android应用的用户行为模式挖掘及复用方法

Pattern mining and reuse method for user behaviors of Android applications

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 24

相关文章 15

编辑推荐

Metrics

[1]	张妮, 韩萌, 王乐, 李小娟, 程浩东. 基于正负效用划分的高效用模式挖掘方法综述[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 999-1010.
[2]	康军, 黄山, 段宗涛, 李宜修. 时空轨迹序列模式挖掘方法综述[J]. 《计算机应用》唯一官方网站, 2021, 41(8): 2379-2385.
[3]	王淳颖, 张驯, 赵金雄, 袁晖, 李方军, 赵博, 朱小琴, 杨凡, 吕世超. 基于多源告警的攻击事件分析[J]. 计算机应用, 2020, 40(1): 123-128.
[4]	韩萌, 丁剑. 数据流频繁模式挖掘综述[J]. 计算机应用, 2019, 39(3): 719-727.
[5]	王菊, 刘付显, 靳春杰. 面向不确定数据模式指标的通用界值估算方法[J]. 计算机应用, 2018, 38(1): 165-170.
[6]	张亚玲, 王婷, 王尚平. 增量式隐私保护频繁模式挖掘算法[J]. 计算机应用, 2018, 38(1): 176-181.
[7]	李校林, 杜托, 刘彪. 基于B-list的快速频繁模式挖掘算法[J]. 计算机应用, 2017, 37(8): 2357-2361.
[8]	张海清, 李代伟, 刘胤田, 龚程, 于曦. 最大模糊频繁模式挖掘算法[J]. 计算机应用, 2017, 37(5): 1424-1429.
[9]	刘洁瑞, 巫雪青, 严俊, 杨红丽. 针对Android资源泄漏的基准测试集的构造与评测[J]. 计算机应用, 2017, 37(4): 1129-1134.
[10]	江万国, 王丽珍, 方圆, 陈红梅. 领域驱动的高效用co-location模式挖掘方法[J]. 计算机应用, 2017, 37(2): 322-328.
[11]	金凯忠, 彭慧丽, 张啸剑. 基于差分隐私的轨迹模式挖掘算法[J]. 计算机应用, 2017, 37(10): 2938-2945.
[12]	邢淑凝, 刘方爱, 赵晓晖. 基于聚类划分的高效用模式并行挖掘算法[J]. 计算机应用, 2016, 36(8): 2202-2206.
[13]	王敬华, 罗相洲, 吴倩. 基于效用表的快速高平均效用挖掘算法[J]. 计算机应用, 2016, 36(11): 3062-3066.
[14]	俞庆英, 罗永龙, 吴倩, 陈传明. 不均匀模糊空间对象的分层次co-location模式挖掘方法[J]. 计算机应用, 2016, 36(11): 3113-3117.
[15]	刘璐, 王怡宁, 段磊, Jyrki Nummenmaa, 晏力, 唐常杰. 基于top-k显露模式的商品对比评论分析[J]. 计算机应用, 2015, 35(10): 2727-2732.