[论文解读] Datasets of Android Applications: a Literature Review

Franz-Xaver Geiger, Ivano Malavolta|arXiv (Cornell University)|Sep 26, 2018

Advanced Malware Detection Techniques参考文献 27被引用 12

一句话总结

本文献综述识别并分类了31个Android应用数据集，评估了其特征，如源代码可访问性、版本控制访问、APK包含情况以及与应用商店的关联。研究揭示了一个关键缺口：大多数数据集缺乏源代码或版本控制，限制了对软件工程实践的研究，尽管对Android应用分析中此类数据的需求日益增长。

ABSTRACT

Mobile phones and tablets have become the most widely used computing devices, with a large predominance of the Android platform. As a natural evolution, the development of Android applications has surged and has become a major field of study, with research efforts ranging from energy efficiency, to code smells, performance, maintainability, security, etc. These kind of challenges ask for dedicated solutions, tools, and datasets. This survey identifies and reviews 31 existing datasets of Android applications and classifies each of them according to key features, such as the total number of apps it contains, whether the commit history of the apps is available, whether it focusses on the source code or on the executable binaries of the apps, the sources used for building the dataset, etc. This study can benefit both the experienced and the novice researcher interested on doing research on Android apps, which can use the results of our study as a map for identifying the most suitable datasets for their research objectives.

研究动机与目标

• 识别并分类现有Android应用数据集，以支持移动软件工程研究。
• 根据关键特征（如源代码可访问性、版本控制访问和APK包含情况）评估数据集。
• 评估数据集在不同研究子领域（包括安全、性能和可维护性）中的适用性。
• 突出显示缺乏源代码和版本控制数据集的稀缺性，尤其在专有应用分析方面。
• 为研究人员提供参考地图，以根据其具体研究目标选择最合适的数据集。

提出的方法

• 通过在Google Scholar（2017–2018）上进行关键词搜索和引文雪崩法，开展迭代式文献综述。
• 根据标题和摘要筛选出版物，以识别创建或使用Android应用数据集的研究。
• 双向追踪引用网络（引用文献与被引用文献），以扩展相关研究的集合。
• 以表格形式收集并总结关键数据集特征，包括应用数量、源代码访问、版本控制、APK可用性及应用商店链接。
• 根据数据来源（如F-Droid、Google Play、恶意软件论坛）和时间范围对数据集进行分类。
• 评估每个数据集在特定研究需求（如静态分析、动态分析或开发实践挖掘）下的完整性和实用性。

实验结果

研究问题

• RQ1 哪些Android应用数据集是公开可用的，其核心特征是什么？
• RQ2 现有数据集在多大程度上提供源代码和版本控制仓库的访问？
• RQ3 在应用数量、数据类型（源代码与二进制）以及与应用商店的关联性方面，数据集有何差异？
• RQ4 当前数据集在支持Android应用中软件工程实践研究方面存在哪些局限性？
• RQ5 哪些数据集最适合特定研究子领域，如安全、性能或可维护性？

主要发现

• 仅12个数据集（占31个中的39%）提供源代码访问，仅7个（占23%）包含版本控制仓库。
• 最大的数据集Allix et al. [4]包含超过580万个APK，但缺乏源代码和版本控制。
• 包含源代码和版本控制的数据集（如Krutz et al. [17] 和 Geiger et al. [12]）所含应用数量均不足10,000个，限制了可扩展性。
• F-Droid是开源Android应用及版本控制最常见的来源，但由于托管服务已失效，其数据集可用性不稳定。
• 仅11个数据集（占35%）链接至应用商店，以获取评分、评论或下载量等额外元数据。
• 本研究识别出一个显著的研究缺口：由于缺少提交历史或源代码，极少有数据集支持对开发实践的纵向分析。