Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
Texto Completo: | 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. |
id |
UTFPR-12_a86f0bdb2688841775620cc7af2b44eb |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/4537 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2019-11-08T18:55:11Z2019-11-08T18:55:11Z2018-07-09PAES, Fagner Christian. Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens. 2018. 58 f. Dissertação (Mestrado em Informática) – Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2018.http://repositorio.utfpr.edu.br/jspui/handle/1/4537Contexto: 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.Context: Cross-Browser Incompatibilities (XBIs) are compatibility issues that can be observed while rendering the same web application in different browsers. Users can interact with the Web through distinct browsers, such as: Internet Explorer, Microsoft Edge, Mozilla Firefox, Opera, Google Chrome, among others. However, the increasing number of browsers, and the constant evolution of web technologies led to differences in how browsers behave and render web applications. In order to overcome this issue during the software development process, web developers must detect and fix XBIs before deploying web applications. Many of these developers rely on manual tests of every web page rendered in several configuration environments (considering multiple platforms of operational systems and versions) to detect XBIs, regardless of the efforts and costs that are required to conduct these tasks. Goal: The goal of this research is to propose a approach of Layout XBIs automatic detection based on Machine Learning, Segmentation of the DOM Tree and Screenshot Comparison. Method: To reach the goal of this research, the process of Systematic Literature Review (SLR) was firstly executed identifing the current state of art for this research topic. Afterwards, based on the acquired knowledge, the proposed approach segmented a simple web application in multiple DOM elements. The task of XBI detection was modeled as a supervised learning classification problem using the following properties to compose the features set: differences in position, size and screenshot comparison of each DOM element of a web application. Results: The proposed approach was validated in an experiment that investigated the efficacy of the classification model. The experiment used 66 web application containing 5081 DOM elements rendered in three different browsers (Google Chrome, Mozilla Firefox, Internet Explorer). The experiment reported significant accuracy results according to F-measure metric having reached 0.91. Conclusion: The results validated the proposed approach with similar effectiveness as the state of art.porUniversidade Tecnológica Federal do ParanáCornelio ProcopioPrograma de Pós-Graduação em InformáticaUTFPRBrasilCNPQ::CIENCIAS EXATAS E DA TERRACiência da ComputaçãoBrowsers (Programas de computador)Aprendizado do computadorProcessamento de imagensBrowsers (Computer programsMachine learningImage processingDetecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagensCross-browser incompatibilities automatic detection using machine learning and screenshot similarityinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisCornélio ProcópioWatanabe, Willian Massamihttp://lattes.cnpq.br/8946276875418151Watanabe, Willian Massamihttp://lattes.cnpq.br/8946276875418151Souza, Érica Ferreira dehttp://lattes.cnpq.br/8904855809524041Durelli, Vinícius Humberto Serapilhahttp://lattes.cnpq.br/8816910024419957http://lattes.cnpq.br/3446751413682046Paes, Fagner Christianinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRORIGINALCP_PPGI_M_Paes, Fagner Christian_2018.pdfCP_PPGI_M_Paes, Fagner Christian_2018.pdfapplication/pdf1157112http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4537/1/CP_PPGI_M_Paes%2c%20Fagner%20Christian_2018.pdfddcdcd5b4cf6749dc9d6baba0567bdb8MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4537/2/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD52TEXTCP_PPGI_M_Paes, Fagner Christian_2018.pdf.txtCP_PPGI_M_Paes, Fagner Christian_2018.pdf.txtExtracted texttext/plain121653http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4537/3/CP_PPGI_M_Paes%2c%20Fagner%20Christian_2018.pdf.txt6a44ad098d7c66fdd354d7ff10ca668cMD53THUMBNAILCP_PPGI_M_Paes, Fagner Christian_2018.pdf.jpgCP_PPGI_M_Paes, Fagner Christian_2018.pdf.jpgGenerated Thumbnailimage/jpeg1349http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4537/4/CP_PPGI_M_Paes%2c%20Fagner%20Christian_2018.pdf.jpg8102455735bf4faa5aa79af34810ecf6MD541/45372019-11-09 04:00:45.675oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2019-11-09T06:00:45Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens |
dc.title.alternative.pt_BR.fl_str_mv |
Cross-browser incompatibilities automatic detection using machine learning and screenshot similarity |
title |
Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens |
spellingShingle |
Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens Paes, Fagner Christian CNPQ::CIENCIAS EXATAS E DA TERRA Browsers (Programas de computador) Aprendizado do computador Processamento de imagens Browsers (Computer programs Machine learning Image processing Ciência da Computação |
title_short |
Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens |
title_full |
Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens |
title_fullStr |
Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens |
title_full_unstemmed |
Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens |
title_sort |
Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens |
author |
Paes, Fagner Christian |
author_facet |
Paes, Fagner Christian |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Watanabe, Willian Massami |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8946276875418151 |
dc.contributor.referee1.fl_str_mv |
Watanabe, Willian Massami |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/8946276875418151 |
dc.contributor.referee2.fl_str_mv |
Souza, Érica Ferreira de |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/8904855809524041 |
dc.contributor.referee3.fl_str_mv |
Durelli, Vinícius Humberto Serapilha |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/8816910024419957 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/3446751413682046 |
dc.contributor.author.fl_str_mv |
Paes, Fagner Christian |
contributor_str_mv |
Watanabe, Willian Massami Watanabe, Willian Massami Souza, Érica Ferreira de Durelli, Vinícius Humberto Serapilha |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA Browsers (Programas de computador) Aprendizado do computador Processamento de imagens Browsers (Computer programs Machine learning Image processing Ciência da Computação |
dc.subject.por.fl_str_mv |
Browsers (Programas de computador) Aprendizado do computador Processamento de imagens Browsers (Computer programs Machine learning Image processing |
dc.subject.capes.pt_BR.fl_str_mv |
Ciência da Computação |
description |
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. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-07-09 |
dc.date.accessioned.fl_str_mv |
2019-11-08T18:55:11Z |
dc.date.available.fl_str_mv |
2019-11-08T18:55:11Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
PAES, Fagner Christian. Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens. 2018. 58 f. Dissertação (Mestrado em Informática) – Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2018. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/4537 |
identifier_str_mv |
PAES, Fagner Christian. Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens. 2018. 58 f. Dissertação (Mestrado em Informática) – Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2018. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/4537 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Cornelio Procopio |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Informática |
dc.publisher.initials.fl_str_mv |
UTFPR |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Cornelio Procopio |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4537/1/CP_PPGI_M_Paes%2c%20Fagner%20Christian_2018.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4537/2/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4537/3/CP_PPGI_M_Paes%2c%20Fagner%20Christian_2018.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4537/4/CP_PPGI_M_Paes%2c%20Fagner%20Christian_2018.pdf.jpg |
bitstream.checksum.fl_str_mv |
ddcdcd5b4cf6749dc9d6baba0567bdb8 b9d82215ab23456fa2d8b49c5df1b95b 6a44ad098d7c66fdd354d7ff10ca668c 8102455735bf4faa5aa79af34810ecf6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1805923201836908544 |