Применение методов интеллектуального анализа процессов в ходе разработки семейства мобильных приложений

Коммерческие предприятия часто предоставляют свои услуги с помощью семейства приложений, разработанных для работы на различных платформах. Приложения в таком семействе могут вести себя по-разному. Процессы их разработки также могут отличаться. Более того, современные процессы разработки часто сложны, а иногда и не вполне четко определены. Это может приводить к ошибкам, дефектам и нежелательным отличиям в поведении приложений. В этой работе мы показываем, что методы интеллектуального анализа процессов могут применяться в ходе разработки такого рода семейства приложений. Команды разработчиков могут синтезировать и исследовать модели реального поведения приложений для выявления отличий в их поведении, поиска ошибок и выявления проблем производительности. В работе рассматриваются наборы данных двух типов. Во-первых, анализируются журналы событий приложений для платформ Android и iOS из одного и того же семейства программных продуктов. Во-вторых, рассматриваются событийные данные из рабочих репозиториев, в которых происходит разработка этих приложений. Показывается, как, анализируя такие наборы данных, можно выявить характеристики реального процесса разработки. Кроме того, анализ журналов событий самих приложений может помочь обнаружить более или менее серьезные ошибки, а также нежелательное поведение.

1. van der Aalst W. M. P. Data Science in Action – Second Edition. Springer, 2016. 467 p.

2. van der Aalst W. M. P., Carmona J. Process Mining Handbook. Springer, vol. 448, 2022. 503 p.

3. van Eck M. L., Lu X., Leemans S. J. J., van der Aalst W. M. P. PM^2: А process mining project methodology. CAiSE. Springer, vol. 9097, 2015, pp. 297-313.

4. van der Aalst W. M. P., Weijters T., Maruster L. Workflow Mining: Discovering process models from event logs. IEEE Transactions on Knowledge and Data Engineering, vol. 16, n. 9, 2004, pp. 1128-1142.

5. Verbeek E., Buijs J. C. A. M., van Dongen B. F., van der Aalst W. M. P. ProM 6: The process mining toolkit. CEUR Workshop Proceedings, vol. 615, 2010.

6. Leemans S. J. J. Robust Process Mining with Guarantees – Process Discovery, Conformance Checking and Enhancement. Springer, 2022. 467 p.

7. Verbeek H. M. W. The Log Skeleton Visualizer in ProM 6.9. Int. J. Softw. Tools Technol. Transf., vol. 24, n. 4, 2022, pp. 549-561.

8. Rubin V. A., Günther C. W., W. M. P. van der Aalst, Kindler E., B. F. van Dongen, Schäfer W. Process mining framework for software processes. ICSP: Lecture Notes in Computer Science. Springer, vol. 4470, 2007, pp. 169-181.

9. Rubin V. A., Mitsyuk A. A., Lomazova I. A., W. M. P. van der Aalst. Process mining can be applied to software too! ESEM. ACM, 2014, pp. 57:1-57:8.

10. Caldeira J., F. B. e Abreu, J. P. dos Reis, Cardoso J. Assessing software development teams’ efficiency using process mining. ICPM. IEEE, 2019, pp. 65-72.

11. Vavpotic D., Bala S., Mendling J., Hovelja T. Software process evaluation from user perceptions and log data. J. Softw. Evol. Process, vol. 34, n. 4, 2022.

12. Rubin V. A., Lomazova I. A., W. M. P. van der Aalst. Agile development with software process mining. ICSSP. ACM, 2014, pp. 70-74.

13. Marques R., M. M. da Silva, Ferreira D. R. Assessing agile software development processes with process mining: A case study. CBI. IEEE Computer Society, 2018, pp. 109-118.

14. Ioannou C., Burattin A., Weber B. Mining developers’ workflows from IDE usage. CAiSE Workshops: Lecture Notes in Business Information Processing, vol.316. Springer, 2018, pp. 167-179.

15. Ardimento P., Bernardi M. L., Cimitile M., Maggi F. M. Evaluating coding behavior in software development processes: a process mining approach. ICSSP. IEEE / ACM, 2019, pp. 84-93.

16. Ardimento P., Bernardi M. L., Cimitile M., Ruvo G. D. Learning analytics to improve coding abilities: a fuzzy-based process mining approach. FUZZ-IEEE. IEEE, 2019, pp. 1-7.

17. Macák M., Kruzelova D., Chren S., Buhnova B. Using process mining for git log analysis of projects in a software development course. Educ. Inf. Tecnol., vol. 26, n. 5, pp. 5939-5969, 2021.

18. Macák M., Oslejsek R., Buhnova B. Process mining analysis of puzzle-based cybersecurity training. ITiCSE. ACM, 2022, pp. 449-455.

19. Macák M., Oslejsek R., Buhnova B. Applying process discovery to cybersecurity training: An experience report. EuroS&P Workshops. IEEE, 2022, pp. 394-402.

20. Wakup C., Desel J. Analyzing a TCP/IP-protocol with process mining techniques. Business Process Management Workshops: Lecture Notes in Business Information Processing, vol. 202. Springer, 2014, pp. 353-364.

21. Leemans M., van der Aalst W. M. P. Process mining in software systems: Discovering real-life business transactions and process models from distributed systems. MoDELS. IEEE Computer Society, 2015, pp. 44-53.

22. Leemans M., van der Aalst W. M. P., van den Brand M. G. J., Schifferers R. R. H., Lensink L. Software process analysis methodology – A methodology based on lessons learned in embracing legacy software. ICSME. IEEE Computer Society, 2018, pp. 665-674.

23. Leemans M., van der Aalst W. M. P., van den Brand M. G. J. Recursion aware modeling and discovery for hierarchical software event log analysis (extended). CoRR, vol. abs/1710.09323, 2017.

24. Leemans M., van der Aalst W. M. P., van den Brand M. G. J. The statechart workbench: Enabling scalable software event log analysis using process mining. SANER. IEEE Computer Society, 2018, pp. 502-506.

25. Shershakov S. A., Rubin V. A. System runs analysis with process mining. Modeling and Analysis of Information Systems, vol. 22, n. 6, pp. 818-833, 2015.

26. Davydova K. V., Shershakov S. A. Mining hybrid uml models from event logs of soa systems. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS), vol. 29, n. 4, pp. 155-174, 2018.

27. Zubkova N. S., Shershakov S. A. Method for building uml activity diagrams from event logs. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS), vol. 31, n. 4, pp. 139-150, 2019.

28. Liu C., van Dongen B. F., Assy N., van der Aalst W. M. P. Component behavior discovery from software execution data. SSCI. IEEE, 2016, p. 1-8.

29. Liu C., van Dongen B. F., Assy N., van der Aalst W. M. P. Component interface identification and behavioral model discovery from software execution data.

30. Liu C., van Dongen B. F., Assy N., van der Aalst W. M. P. A general framework to identify software components from execution data. ENASE. SciTePress, 2019, pp. 234-241.

31. Alwis A. A. C. D., Barros A., Polyvyanyy A., Fidge C. J. Function-splitting heuristics for discovery of microservices in enterprise systems. ICSOC: Lecture Notes in Computer Science, vol. 11236. Springer, 2018, pp. 37-53.

32. Macák M., Daubner L., Sani M. F., Buhnova B. Process mining usage in cybersecurity and software reliability analysis: A systematic literature review. Array, vol. 13, pp. 100120, 2022.

33. Müller M., Ruppel P. Process mining for decentralized applications. DAPPCON. IEEE, 2019, pp. 164-169.

34. Kwon H., Kim D. A method for churn analysis of new users of mobile games using process mining. ICIC Express Letters, vol. 7, n. 8, 2016.

35. Kim S., Kim D. Analyzing mobile application logs using process mining techniques: An application to online bookstores. ICIC Express Letters, vol. 9, n. 6, 2013.

36. Park Y. C. B., Cho I., Lee W. A log analysis of smartphone application usage: Focusing on domestic iphone users. Journal of the HCI Society of Korea, vol. 2011, n. 1, 2011.