移动计算作为一种新型信息技术,通过智能移动设备实现无线环境下的数据传输与资源共享,将信息准确、实时地提供给处于任何地点的任何用户。因此,近年来移动计算已成为一个新的研究热点。作为移动计算与用户交互的最顶层接口,智能手机等智能移动终端上的移动应用程序(APP)已彻底改变了人们的生活方式。然而,APP在带给人们便利的同时,也经常给移动终端用户带来诸如APP闪退、系统资源消耗异常,甚至个人隐私数据泄露等严重问题,导致用户体验较差。因此,优化APP的移动端用户体验,对促进移动生态系统健康发展有着重要的意义。APP经常在动态运行时发生崩溃和隐私数据泄露问题。不同于传统桌面应用软件,APP在移动端的运行状态随用户、移动设备、地点、网络等因素的变化而呈现出巨大的差异,给现有的分析方法带来诸多挑战,如APP运行状态样本采集困难、分析APP用户体验问题效率低下、大规模应用较为困难等。为此,本文提出一个基于数据驱动算法的端到端系统框架。该框架通过智能化采集用于用户体验分析的数据,利用APP行为分析算法,实现对APP用户的负面体验自动分析。具体的,本文主要工作和贡献概括如下:首先,提出一个有效采集影响APP运行状态的移动端数据采集平台架构,采集的数据包括用户输入数据、APP内部数据、环境数据以及设备配置数据。其中,针对环境数据和设备配置数据这两个最具挑战性的数据采集问题,分别设计了 RainDrops和ContextLib采集子平台。具体的,在RainDrops中,设计了一个App分离式执行模型,它将APP中与实时运行环境和所在设备配置数据敏感的代码转移到远程物理设备上运行,从而实现了大规模的从真实移动设备上采集运行环境和设备配置数据。在ContextLib中,实现一个从真实数据中采样的运行环境和设备配置数据模拟库。该子平台通过搜索代表性数据样本,利用机器学习方法过滤冗余数据,从而实现一个全面、简洁、可重复试验的数据样本封装库。实验结果表明,通过采集这四类数据,系统可以捕捉更多不易被检测到的APP负面体验问题。其次,系统的可用性要求时间成本较低。为此,提出减少、优化用于分析APP行为的数据样本采集优化算法。采集算法包括(1)优化用户输入数据的TARA算法,(2)优化APP内部数据的Snowdrop服务,和(3)减少环境数据和设备配置数据的ContextPrioritizer算法。具体的,TARA利用静态分析技术,搜索可触发APP访问隐私数据的最短用户交互路径。Snowdrop结合自动测试数据生成算法,提出基于NLP的启发式算法,从而实现对APP后台服务测试数据的有效自动生成。ContextPrioritizer提出一个APP相似集合的概念,设计基于历史数据的测试用例排序算法,为APP挑选出具有最高测试优先级的环境和设备配置数据样本。实验结果表明,在不影响系统准确率的前提下,TARA比随机UI自动化方法节省85.3%的实验时间,Snowdrop比随机数据生成算法减少约76%的测试数据,ContextPrioritizer搜索的APP负面体验问题比随机排序算法多47.63%。最后,提出端到端的Caiipa和Privet系统。Caiipa和Privet结合了动态分析技术,建立模型分析APP运行状态与用户体验问题的关联,自动化分析APP负面体验问题。具体的,Caiipa 系统基于 ContextLib,ContextPrioritizer 和 Snowdrop生成的数据,提出APP运行状态异常点检测算法,并对于235个Windows 8 Store APP,30 个 Windows Phone 8 APP,848 个 Android APP 进行自动化测试分析。实验结果表明,Caiipa发现9,103个崩溃漏洞和4,589个系统资源消耗异常问题,比当前基于UI自动化测试的实验结果分别多11.4倍和8.8倍。Privet系统基于TARA生成的UI执行路径,结合敏感度分析技术评估隐私数据与APP功能的关联性,并对1,000个Android APP进行自动化隐私风险评估。实验结果表明,Privet发现48.7%的APP中至少存在一次敏感数据泄露行为。