Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens
Ano de defesa: | 2018 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Tecnológica Federal do Paraná
Cornelio Procopio |
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Informática
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://repositorio.utfpr.edu.br/jspui/handle/1/4537 |
Resumo: | Contexto: Cross-Browser Incompatibilities (XBIs) representam problemas de compatibilidade que podem ser observados ao carregar a mesma aplicação Web em diferentes navegadores. Usuários podem interagir com a Web através de distintas implementações de navegadores, tais como: Internet Explorer, Microsoft Edge, Mozilla Firefox, Opera, Google Chrome, entre outros. No entanto, o crescente número de implementações de navegadores e a constante evolução das características das tecnologias Web conduziram para diferenças em como os navegadores se comportam e processam as aplicações. Para superar este problema durante o processo de desenvolvimento de software, os desenvolvedores devem encontrar e corrigir os XBIs antes da implantação do sistema. Para detectar os XBIs, muitos destes desenvolvedores dependem dos testes manuais de cada página Web renderizada em várias configurações de ambientes (considerando sistema operacional e versões), independentemente dos esforços e custos que são necessários para realizar essas tarefas. Objetivo: Esta dissertação tem como objetivo propor uma abordagem de detecção automática de XBIs de Leiaute, baseada no uso de Aprendizado de Máquina, Segmentação da Árvore DOM e Comparação de Imagens. Metodologia: Para alcançar o objetivo desta pesquisa, o processo de Revisão Sistemática da Literatura (RSL) foi primeiramente executado para identificar o estado da arte neste tópico de pesquisa. Posteriormente, com base nos conhecimentos adquiridos, a abordagem proposta segmentou uma aplicação Web simples em múltiplos elementos DOM. A tarefa de detecção de XBI foi modelada como um problema de classificação de aprendizado de máquina (supervisionado) usando as seguintes propriedades para compor o conjunto de características: diferenças na posição, tamanho e comparação da imagem de cada elemento DOM de uma aplicação Web. Resultados: Validou-se a abordagem proposta em um experimento que investigou a eficácia do modelo de classificação. O experimento usou 64 aplicações Web composta de 5081 elementos DOM renderizados em três navegadores diferentes (Google Chrome, Mozilla Firefox, Internet Explorer). O experimento relatou resultados significativos de acurácia de acordo com a métrica F-measure, tendo atingido 0,91. Conclusão: Com os resultados obtidos, a abordagem proposta apresentou efetividade semelhante com o estado da arte. |