@PHDTHESIS{ 2024:203439636,
 	title = {Previs?o de vazamento de recursos em aplica??es Android usando Aprendizado de M?quina},
 	year = {2024},
 	url = "https://tede.ufam.edu.br/handle/tede/10414",
 	abstract = "Quando as aplica??es m?veis adquirem recursos do dispositivo (como c?mera, reprodutor de m?dia e sensores) sem liber?-los da maneira adequada e em tempo h?bil, ocorre uma falha chamada vazamento de recursos. Esse tipo de falha pode causar problemas s?rios, como degrada??o de desempenho do dispositivo ou falha do sistema. Este trabalho prop?e a abordagem LeakPred para auxiliar desenvolvedores na identifica??o de componentes que tenham vazamentos de recursos. Um conjunto de seis m?tricas relacionadas ao tempo de vida dos recursos ou da aplica??o foi selecionado para a caracteriza??o dos componentes. Seis t?cnicas de aprendizado de m?quina foram analisadas para identificar componentes com vazamentos a partir dessas m?tricas. Os resultados sugerem que a abordagem LeakPred, associada com t?cnicas de classifica??o, ? capaz de identificar vazamento de recursos, sendo que dois modelos, k-Vizinhos Mais Pr?ximos e rede neural profunda, obtiveram, respectivamente, acur?cias de 87,84% e 87,75%. A abordagem LeakPred foi comparada com 5 ferramentas do estado da arte, a saber, Android Lint, FindBugs, Infer, Checker Framework e EcoAndroid, superando todas em taxa de identifica??o de componentes com vazamentos de recursos.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}