Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/30193
Título: Classificação de incompatibilidades cross-browser em aplicações web com design responsivo com uso de redes neurais convolucionais
Título(s) alternativo(s): Cross-browser incompatibilities classification in web applications with responsive design using convolucional neural networks
Autor(es): Santos, Danilo Alves dos
Orientador(es): Watanabe, Willian Massami
Palavras-chave: Software de aplicação
Aplicações Web
Redes Neurais (Computação)
Application software
Web applications
Neural networks (Computer science)
Data do documento: 18-Ago-2022
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Cornelio Procopio
Citação: SANTOS, Danilo Alves dos. Classificação de incompatibilidades cross-browser em aplicações web com design responsivo com uso de redes neurais convolucionais. 2022. Dissertação (Mestrado em Informática) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2022.
Resumo: A variedade de browsers disponíveis para os usuários, que permitem acessar e executar aplicações web, abre margem para a ocorrência de incompatibilidades de exibição ou execução de componentes presentes nas páginas web devido às diferentes configurações entre os motores de renderização existentes. Mesmo com o avanço das tecnologias para desenvolvimento de páginas responsivas, às incompatibilidades de renderização ainda se fazem presentes. Quando essas incompatibilidades ocorrem devido à execução em diferentes browsers são conhecidas como Incompatibilidades Cross-Browser, ou XBI. Para os desenvolvedores isso representa um maior tempo gasto com a realização de inspeções manuais para detecção e correção dessas incompatibilidades. Considerando os avanços significativos no uso de redes neurais profundas associado à classificação de objetos por meio de visão computacional, este trabalho utilizou essa abordagem no cenário de classificação de incompatibilidades internas de layout em aplicações web responsivas. Para isso foram conduzidos experimentos com uso de classificadores baseados em Redes Neurais Convolucionais. Foram analisadas diferentes configurações para identificar a arquitetura que melhor se adequasse ao classificador proposto. Para treinamento da rede foram utilizados como dados de entrada conjuntos de pixels gerados a partir de screenshots provenientes de dataset de trabalhos anteriores. Para quantificar a eficácia do classificador com a abordagem proposta foi utilizado o método 10-Fold-Cross-Validation, combinado com as métricas Precision, Recall e F-Score, onde foi verificado que o modelo proposto apresentou resultados superiores de Precision e Recall em relação à estratégia Browserbite, porém não foi capaz de alcançar resultados similares às estratégias Crosscheck e Watanabe et al. (2019), utilizados para contrapor o modelo implementado. Por meio do experimento conduzido, pode-se afirmar que o principal fator que influenciou a baixa eficácia do classificador foi o desbalanceamento do dataset disponível.
Abstract: The variety of browsers available to users, which allow accessing and executing web applications, leaves room for the occurrence of display incompatibilities or execution of components present in web pages due to the different configurations between the existing rendering engines. Even with the advancement of technologies for developing responsive pages, rendering incompatibilities are still present. When these incompatibilities occur due to running in different browsers they are known as Cross-Browser Incompatibilities, or XBI. For developers, this means more time spent performing manual inspections to detect and correct these incompatibilities. Report the advances in the use of deep neural networks associated with object classification through computer vision, this work used this approach in the classification scenario of internal layout incompatibilities in responsive web applications. For this, experiments were conducted using classifiers based on Convolutional Neural Networks. Different configurations were analyzed to identify the architecture that best suited the proposed classifier. For network training, pixels generated from screenshots from datasets from previous works were used as input data. To quantify the effectiveness of the classifier with the proposed approach, 10-Fold-Cross-Validation method was used, combined with Precision, Recall and F-Score metrics, where it was verified that the proposed model presented better results of Precision and Recall in relation to to the Browserbite strategy, but it was not able to achieve similar results to the Crosscheck and Watanabe et al. (2019) strategies, used to oppose the implemented model. Through the experiment conducted, it can be said that the main factor that influenced the low efficiency of the classifier was the unbalance of the available dataset.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/30193
Aparece nas coleções:CP - Programa de Pós-Graduação em Informática

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
classificaocaoincompatibilidadesredesconvolucionais.pdf7,26 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.