Android软件可靠性测试用例自动生成的设计研究

Android是近几年新兴的智能手机操作系统,同时也出现了各种类型的Android应用软件,竞争激烈。对其进行可靠性测试是保证Android软件质量和可靠性的重要途径,同时也可帮助开发方在满足用户期望和尽快上市发布产品两者之间找到合理的平衡。而测试用例的生成是软件可靠性测试的重要环节。针对Android软件可靠性测试用例的自动生成问题,首先提出收集用户对Android软件使用的习惯数据,以便于构建软件的马尔科夫链模型的方法,并基于马尔科夫链模型,提出和实现了设置状态间转移概率算法和测试用例生成算法,最终根据以上的研究内容设计了带有自动记录用户操作习惯模块的Android文件管理器和Android软件可靠性测试用例自动生成工具,给出了Android软件可靠性测试用例设计的总体思路。实验结果表明,该方法大大降低了Android软件测试用例生成的难度,同时节约了测试用例生成的时间和成本,提高了可靠性测试的效率。

基于移动学习的“Android软件开发”数字资源库的建设研究

教育的信息化建设趋势日益加深,进一步推动了移动学习的产生与发展,适用于移动学习的数字化教学资源库建设必要性逐渐展现。在详细分析了移动学习的特性的基础上,对比传统数字资源在移动学习应用中存在的不足,以高职院校“Android软件开发”这门课程为例,探讨了数字教学资源库的建设路径,希望能为高职其他课程数字资源库的研究奠定一定的基础。

基于X86架构的Android软件模拟测试环境

Android操作系统在智能手机市场中的巨大占有率使其成为应用软件开发的热门平台,但现有开发环境多基于X86架构,无法直接测试运行基于ARM架构的Android系统应用软件,本文详细阐述了如何利用Android SDK实现在X86架构下模拟Android操作系统运行环境以及如何提高模拟环境的兼容性,方便开发者实现在基于X86架构的开发平台上测试Android应用软件。

结合轻量级麦穗检测模型和离线Android软件开发的田间小麦测产

单位面积麦穗数是重要的产量构成因素之一,通过该性状和不同品种历史数据在田间完成对小麦产量的预估,对育种栽培和农业生产具有非常重要的意义。该研究基于小麦田间栽培试验提出了一套结合轻量级深度学习技术和小麦测产算法在Android(安卓)智能手机上离线分析单位面积穗数和田间测产的技术方案。首先介绍了手机标准化俯拍小麦冠层和手机端图像预处理算法,再根据灌浆期小麦冠层图像构建了MobileNetV2-YOLOV4深度学习模型对单位面积中的麦穗进行识别,然后结合迁移学习和TensorFlow.lite转换器完成了模型轻量化,最后通过AndroidSDK和SQLite构建了不同小麦品种在手机端的产量数据库和人机交互图形界面。开发的安卓软件"YieldQuant-Mobile"(YQ-M)可离线识别手机拍摄的麦穗数量,并在田间完成产量预测和结果输出等功能。基于从中国各小麦主产区中选择的80个代表性品种(共240个1 m^(2)小区),使用YQ-M完成了这些品种的麦穗检测和小区测产研究。结果显示YQ-M的精确率、召回率、平均精确度和F1分数分别为84.43%,91.05%,91.96%和0.88。单位面积测产结果和实际产量的决定系数为0.839,均方根误差为17.641 g/m^(2)。研究表明YQ-M对麦穗识别精度高,在田间环境下测产结果和算法鲁棒性良好。此外,YQ-M还具有良好的扩展性,可为其他作物的离线智能测产提供借鉴,并为小麦研究和生产实践提供低成本、便捷可靠的田间测产方法。

基于gdb的Android软件漏洞挖掘系统

传统的漏洞挖掘技术一般适用于x86平台,且是面向PC的。随着Android手机的普及,需要有针对其上运行软件的漏洞挖掘技术。针对当前Android软件市场审核宽松以及该领域研究相对较少等方面存在的一些问题,设计并实现了一种基于gdb的Android软件漏洞挖掘系统。系统采用基于信息流追踪的污点分析技术,从污点标记、污点传播和污点检测三个方面进行设计,并通过指令模拟执行提高分析覆盖率。当系统发现可疑漏洞时,把结果通知给用户,并能对漏洞做出全面的分析。通过对Android软件的测试,发现了部分软件中的缓冲区溢出漏洞,证实了系统的有效性。

MonkeyRunner环境用例脚本化的Android软件测试模型

Android平台软件自动化测试能够提升测试质量和效率,降低测试成本,为了代替繁重的人工重复劳动,针对Android操作系统的特点,设计并实现了一种基于MonkeyRunner环境用例脚本化的Android软件测试系统。首先对Android软件测试的API进行分析,然后构建了基于用例脚本化的测试模型,并对该模型得到耦合度适合的测试用例序列进行分析。系统测试结果表明,本文提出的基于Mon-keyRunner环境用例脚本化的Android软件测试系统切实有效,值得推广使用。

基于特征图像生成的Android恶意软件检测方法

目前的传统机器学习方法在Android恶意软件检测上存在特征分布不平衡、检测准确率偏低的问题。针对于此,该文提出一种基于特征图像生成的Android恶意软件检测方法。该方法首先采用特征匹配的方法提取APK文件的权限、API、操作码作为特征,并使用改进的FPGrowth算法挖掘各特征的频繁特征项集,以获取有效特征;再利用降噪自编码器(DAE)抽取特征信息和转换特征向量维度,将各特征对应的特征向量转换成单通道图像并在通道维度进行拼接,生成RGB特征图像用于训练和分类;最后构建BaggingCNN分类算法,其集成了多个不同的卷积神经网络(CNN)算法,这些算法均在采用Bootstrap抽样构造的多个子训练集上进行训练,得到若干个子分类器,这些子分类器将用来对表示APK文件的特征图像进行检测,并采取多数投票机制得到最终的检测结果。实验结果表明,该方法生成的特征图像具有较好的表征能力,有利于分类算法的收敛和准确度的提升;其检测准确率达到98.21%,可以有效地检测Android恶意软件。

基于GPKG数据库的管线外业Android端软件设计与实现

针对目前管线大数据量数据库难以在移动端加载问题,同时顾及管线外业数据采集内外业一体化、离线保密等测量作业需求,本文基于GPKG(GeoPackage)数据库,使用ArcGIS Runtime API for Android开发包,设计并开发一款管线外业调查的离线式Android端软件。软件通过数据库MDB到GPKG转化方式,解决了大数据量数据库管线图流畅显示问题;使用GPKG数据库存储卫星影像切片,可以离线加载大区域的卫星影像,并且实现管线数据的采集基本功能。测试软件测试实验显示,十万级别数量的管线以及GB级别的卫星影像切片均可在秒内加载和显示。

基于混合神经网络的Android软件缺陷精准预测研究

针对Android软件缺陷无法精准预测的问题,提出了基于混合神经网络的Android软件缺陷精准预测方法。通过混合神经网络采集及训练缺陷样本,获取训练结果最优解。构建混合神经网络模型,标记缺陷软件。采取信息增益方法获取关键指令集,避免出现数据集合的维度灾难,设计Android软件缺陷预测流程进行软件缺陷预测。由实验结果可知,该方法预测精度均高于75%,有效保障Android软件应用安全。

基于签名与数据流模式挖掘的Android恶意软件检测系统

随着Android软件开发和维护的不断增多,以及恶意软件的抗检测能力逐渐增强,主流的静态检测方法开始面临一些问题:签名检测虽然检测速度快,但是对代码混淆、重打包类的恶意软件的检测能力不强;基于数据流的检测方法虽然精度高,但检测效率低。针对上述技术存在的缺点,提出了一种混合型静态检测系统。该系统改进了多级签名检测方法,通过对method与class签名进行多级匹配,提高了对代码混淆类恶意软件的检测能力。系统还改进了传统数据流分析技术,通过数据流模式挖掘,找出恶意软件频繁使用的数据流模式,省去了人工确认环节,提高了数据流分析的自动化程度与效率。两种技术的结合使得系统在检测精度与效率两方面达到一个合理的折中点。实验结果表明,该系统对于代码混淆和重打包的恶意软件具有较好的检测能力,对主流恶意软件的检测精确度达到88%。

基于Android平台的GPS面积测量软件开发

为了提高现有土地面积测量方法效率,并为之提供一种操作简单、易于普及的方法,该文提出一种基于Android平台智能手机的土地面积测量软件开发。该软件一方面设计了手持GPS面积测量的改良方案,利用球面多边形角盈计算其面积避免了坐标转换过程中产生的误差,并且能自动采集GPS样本信息然后进行计算;一方面又利用百度地图接口,设计出利用高清卫星图像对样本区域边界勾勒并测量的方法,对于边界清晰的区域可不用到实地测量。实际测量结果表明,该软件可以满足林业上对林地测量或其他工程测绘水平面积的精度要求。

基于云安全架构的Android恶意软件静态检测方案

随着Android系统手机普及,由它自身安全机制缺陷所带来的安全威胁也越来越大,所以针对Android恶意软件设计出高效率、高准确性的检测方案是非常有必要的。通过分析Android恶意软件的实现原理,基于云安全架构提出一种静态检测方案。解决方案将主要的检测工作部署在云端服务器上,使检测工作能够达到高效、快捷;另一方面应用高效的检测算法对目标软件的源代码进行静态分析,能够更加准确地判断出该软件是否具有恶意行为。最后,收集了1143个恶意软件样本和2937个正常应用程序样本来对该方案进行评估,验证其检测准确度和检测效率。

一种基于元信息的Android恶意软件检测方法

Android应用普遍具有比所属类型更多的功能,需要获取更多的权限,过多的权限可能带来一定的安全隐患。针对这类问题,提出一种基于元信息的Android恶意软件检测方法。首先,通过对Android应用程序描述进行LDA主题提取,实现数据降维,使用K-means聚类算法按照功能类型对应用程序分组;然后,对属于同一功能类型的所有应用程序提取其权限信息,以权限特征为研究对象,使用KNN算法进行Android恶意软件的分类检测。实验结果获得94.81%的平均准确率,证明了方法的有效性和高准确率。

基于代码图像合成的Android恶意软件家族分类方法

代码图像化技术被提出后在Android恶意软件研究领域迅速普及。针对使用单个DEX文件转换而成的代码图像表征能力不足的问题,提出了一种基于代码图像合成的Android恶意软件家族分类方法。首先,将安装包中的DEX、XML与反编译生成的JAR文件进行灰度图像化处理,并使用Bilinear插值算法来放缩处理不同尺寸的灰度图像,然后将三张灰度图合成为一张三维RGB图像用于训练与分类。在分类模型上,将软阈值去噪模块与基于SplitAttention的ResNeSt相结合提出了STResNeSt。该模型具备较强的抗噪能力,更能关注代码图像的重要特征。针对训练过程中的数据长尾分布问题,在数据增强的基础上引入了类别平衡损失函数(CB Loss),从而为样本不平衡造成的过拟合现象提供了解决方案。在Drebin数据集上,合成代码图像的准确率领先DEX灰度图像2.93个百分点,STResNeSt与残差神经网络(ResNet)相比准确率提升了1.1个百分点,且数据增强结合CB Loss的方案将F1值最高提升了2.4个百分点。实验结果表明,所提方法的平均分类准确率达到了98.97%,能有效分类Android恶意软件家族。

基于Moodle的翻转课堂在《Android应用软件开发》中的实践研究

本文介绍了翻转课堂的概念和本质、翻转课堂的理论基础和支撑平台的特点及功能;在教学分析的基础上,对基于Moodle的翻转课堂教学模式的构建、设计和完善过程进行了详细的阐述;以《Android应用软件开发》课程为依据,进行了基于Moodle的翻转课堂教学的实践。

智能学前教育辅助管理系统Android应用软件设计

介绍一种智能学前教育辅助管理系统Android应用软件设计方案,管理系统利用采集到的各子节点学生位置、状态等数据,通过蓝牙模块传输给手机.手机应用软件基于Android平台设计,由7个Activity和8个XML脚本构成,采用双线程进行控制.系统可给教师、学生和家长采用,用于学前教育,为教师、学生和家长建立一个简便的互动平台,具有结构简单、性价比高、安全可靠等特点,值得推广使用.

微型光学手指导航模组的Android系统软件操作实现

文章分析了新兴微型光学手指导航模组OFN的Android系统软件操作的实现方式,说明了如何通过软件设计添加Android系统的鼠标支持,指出了怎样把OFN运动信息变换成可以普遍使用的Android系统公共信息,详细阐述了模拟按键、触摸屏、鼠标等方式的Android系统OFN驱动程序设计。

Android系统警用实时音视频传输软件的设计

视频信息是现代刑侦技术中，重要的证据信息之一，我国99%的大案要案的侦破需要视频监控信息。利用Android设备开发的实时音视频传输软件，为警方提供了更多的视频信息获取途径。Android设备完整的相机模块和网络模块，为开发视频采集与传输为一体的软件提供了便利。

基于Android的社交式网上订餐软件的设计

本文致力于将传统的手机订餐软件与社交软件相结合,用软件工程的面向对象方法学思想进行手机订餐APP的开发设计,基于的是C/S结构,采用MVC设计框架。开发出的手机软件运行于安卓平台下,能实现网上订位,点餐,团购及在定位服务下的社交沟通,点评等功能,给消费者提供及时、丰富的优惠信息和点餐,社交等新型订餐软件。

Android智能手机机械专业知识查询软件设计及实现

随着Android智能手机带给了人们极大的便利,人们对专业知识渴求也愈加强烈。基于此论文对专业知识与手机的便捷性结合作了研究,根据不同专业学习以及手机移动服务的特点设计了智能手机专业知识查询软件。基于Android系统平台开发的专业学习软件,从系统总体设计、软件界面设计、软件控制程序设计、数据库程序设计详细介绍了实现过程,阐明了基于Android平台智能手机应用的开发过程和核心设计思想,并对该软件进行具体的开发与实现,以促进人们对所需专业知识的学习,丰富和完善相关软件的开发。