移动设备的使用极为广泛,有多样化的设备且覆盖到生活与生产中的各个场景。在移动设备上通常运行着数?到数百个应用程序,这些应用程序简称App。许多App的使用依托用户端与服务器的通信完成功能。移动互联网的不断发展使得应用的网络通信持续增长,用户网络环境的复杂性和设备的多样性,以及App本身的工程复杂性,都会导致App在生产环境发生故障。随着App用户使用量的增大,故障发生也会非常频繁。软件开发者获取App的故障数据,是App投入生产环境后改善软件质量的源头。由于网络环境复杂,App用户端的故障数据可能无法反馈到服务器端,从而使得服务器端的监控无法可靠掌握故障数据。面对功能快速迭代的用户端业务代码,使用人工埋点的方式收集数据,会额外增加软件开发和后续维护工作量。App出错信息收集的完整性,也对故障定位产生关键性影响。此外,故障通常由多种诱因共同发生,故障数据被收集后,如何从大量、多维的数据中迅速发现显著性的问题,并定位到真实的软件质量缺陷,也是App故障分析的难题。针对App用户端情形复杂、故障数据收集难、原因定位难的问题,我们设计了一套通用的网络错误数据收集方案以及通过数据进行故障定位和预警的模型。其主要的工作和贡献有:·根据移动网络请求定制精细化、高兼容的数据收集方案,使用见证者请求分辨真实网络错误,并用混合粒度上传策略和收集节点优化使大规模用户数据及时可靠回流。·针对错误数据条目多、维度大的问题提出了故障分析模型,从海量数据中通过相关性分析自动抽象出维度与粒度并加以组合,为开发者提供软件故障归因视角。·使用基于异常检测的维度筛选和粒度演化方法,高效划分出需要关注的错误数据集,并帮助开发者定位和解决软件质量缺陷。我们通过对数据收集方案以及故障分析模型的测试,验证系统进行App故障定位的效果。我们通过数据收集方案上线后真实收集到的4万条App用户端网络错误信息,验证了数据上传策略的及时性;对收集节点进行负载测试验证了对于在某一地区日活百万的App,仅需3-4个节点即可以承载其错误收集的需求。我们通过故障分析模型对真实错误数据的分析结果,定位到了13个实际的软件质量缺陷,其中9个无法由服务端监控获知。与现有若干种基于数据的故障分析方法对比,本文的故障分析模型均发现了更多的去重后真实缺陷,其中有6个缺陷仅由故障分析模型发现。所有的软件质量缺陷都交由开发者确认,并就其中一些典型缺陷在案例分析中对模型如何定位和帮助解决该问题给出了详细的说明。我们对维度筛选和粒度演化方法下故障分析模型的运行效率进行测试,说明了模型可以被用于及时的线上预警。