Detecção automática de incompatibilidades cross-browser usando aprendizado de máquina e comparação de imagens

• Autor(a) principal: Paes, Fagner Christian
• 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
• 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

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.