Анализ сайта chunrong.github.io
Основное Готовность: 100%
Домен
chunrong.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://chunrong.github.io
301 MovedPermanently
https://chunrong.github.io/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 04.10.2026 22:45:22.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
UTF-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице UTF-8.
Язык
en
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык документа указан явно: en.
Скорость загрузки
~0,43сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,43сек оптимальна.
Объем документа
46Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 46Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 0
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Ресурсы не найдены. Неужели ваш сайт на чистом html?
Серверные заголовки
Кол-во: 17
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 17шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "6a3fefdb-bb6d" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 5A56:0A74:25C0EC:28DE92:6A8A77DA |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 04:32:26 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270072-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787459547.765515,VS0,VE117 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 2e656f265767f9064d7b986ed67c1dbb438ddb00 |
CMS
Не определена
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 17%
Title
ChunrongFANG@NJU
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение мало: 16, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport не указан. Страница не адаптивная.
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 0
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Мета-теги не найдены. Без них роботы и устройства действуют по умолчанию (не всегда это хорошо).
Оптимизация Готовность: 57%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 0 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 1 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 51 достаточно.
Кол-во знаков контента 26577 на странице оптимально.
Кол-во слов 3709 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 5. Это прекрасно.
На странице присутствуют заголовки <h2> 1. Это хорошо.
На странице присутствуют заголовки <h3> 8.
Тошнота
11,18
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
1,02%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота не дотягивает до нормы 5-15%. Измените текст страницы!
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| chunrong | 125 | 3,37% |
| zhenyu | 92 | 2,48% |
| software | 54 | 1,46% |
| quanjun | 45 | 1,21% |
| transactions | 44 | 1,19% |
| engineering | 42 | 1,13% |
| weisong | 38 | 1,02% |
| testing | 34 | 0,92% |
| yuchen | 28 | 0,75% |
| shengcheng | 27 | 0,73% |
| learning | 26 | 0,70% |
| methodology | 24 | 0,65% |
| jiawei | 20 | 0,54% |
| automated | 17 | 0,46% |
| models | 15 | 0,40% |
| framework | 13 | 0,35% |
| language | 12 | 0,32% |
| generation | 11 | 0,30% |
| crowdsourced | 11 | 0,30% |
| xiuting | 11 | 0,30% |
Индексация Готовность: 0%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 127 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 3
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 3 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| / |
<u>Improving Actionable Warning Identification via the Refined Warning-inducing Context Representation</u>
|
|
Анализировать url |
| / |
<u>OATGA: Optimizing Adversarial Training via Genetic Algorithm for Automatic Modulation Classification</u>
|
|
Анализировать url |
| /sciencedirect.com/science/article/abs/pii/S0950584922001252 |
<u>Test Case Recommendation based on Balanced Distance of Test Targets</u>
|
|
Анализировать url |
Внешние ссылки
Кол-во: 124
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 124 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| scholar.google.com |
Google Scholar
|
Анализировать url |
| dblp.org |
DBLP
|
Анализировать url |
| arxiv.org |
<u>SWE-Skills-Bench: Do Agent Skills Actually Help in Real-World Software Engineering?
</u>
|
Анализировать url |
| arxiv.org |
<u>A Prompt Learning Framework for Source Code Summarization</u>
|
Анализировать url |
| arxiv.org |
<u>A Critical Review of Large Language Model on Software Engineering: An Example from ChatGPT and Automated Program Repair</u>
|
Анализировать url |
| arxiv.org |
<u>Automatic Code Summarization via ChatGPT: How Far Are We</u>
|
Анализировать url |
| arxiv.org |
<u>No Man is an Island: Towards Fully Automatic Programming by Code Search, Code Generation and Program Repair</u>
|
Анализировать url |
| arxiv.org |
<u>Deep Learning Framework Testing via Heuristic Guidance Based on Multiple Model Measurements</u>
|
Анализировать url |
| arxiv.org |
<u>From Draft to Precision: Iterative Agentic Framework for Intent-Aware Code Summarization</u>
|
Анализировать url |
| arxiv.org |
<u>Insecure Coding Preferences in Long-Term Memory: Security Risks for LLM-based Code Generation</u>
|
Анализировать url |
| arxiv.org |
<u>Breaking Customized LLMs for Coding: Automated Red Teaming for Instruction Backdoor Attacks</u>
|
Анализировать url |
| arxiv.org |
<u>CIPIHunter: Detecting Configuration-Induced Prediction Instability in Deep Learning Frameworks</u>
|
Анализировать url |
| arxiv.org |
<u>Securing Code Understanding: Detecting Natural Backdoor Vulnerability in Code Language Models</u>
|
Анализировать url |
| arxiv.org |
<u>Understanding LLM-Centric Challenges for Deep Learning Frameworks: An Empirical Analysis</u>
|
Анализировать url |
| arxiv.org |
<u>UBA: A Unified Black-Box Adversarial Testing for Object Detection via Visualization-Based Contextual Reconstruction</u>
|
Анализировать url |
| arxiv.org |
<u>SGAgent: Suggestion-Guided LLM-Based Multi-Agent Framework for Repository-Level Software Repair</u>
|
Анализировать url |
| arxiv.org |
<u>Scenario-Guided LLM-based Mobile App GUI Testing</u>
|
Анализировать url |
| arxiv.org |
<u>Rethinking Reverse-engineering-based Backdoor Removal in Self-supervised Learning</u>
|
Анализировать url |
| arxiv.org |
<u>Train in Vain: Functionality-Preserving Poisoning to Prevent Unauthorized Use of Code Datasets</u>
|
Анализировать url |
| arxiv.org |
<u>Debiasing LLMs by Masking Unfairness-Driving Attention Heads</u>
|
Анализировать url |
| arxiv.org |
<u>Abstract Syntax Tree for Programming Language Understanding and Representation</u>
|
Анализировать url |
| arxiv.org |
<u>Towards Automated Crowdsourced Testing via Personified-LLM</u>
|
Анализировать url |
| arxiv.org |
<u>A Systematic Literature Review on Large Language Models for Automated Program Repair</u>
|
Анализировать url |
| ieeexplore.ieee.org |
<u>Human Cognitive Pattern Simulation for Crowdsourced Test Report Consistency Detection</u>
|
Анализировать url |
| arxiv.org |
<u>DuCodeMark: Dual-Purpose Code Dataset Watermarking via Style-Aware Watermark–Poison Design</u>
|
Анализировать url |
| arxiv.org |
<u>PuzzleMark: Implicit Jigsaw Learning for Robust Code Dataset Watermarking in Neural Code Completion Models</u>
|
Анализировать url |
| arxiv.org |
<u>Peeling off the Cocoon: Unveiling Suppressed Golden Seeds for Mutational Greybox Fuzzing</u>
|
Анализировать url |
| arxiv.org |
<u>Enabling Black-box RPC-API Testing with Multi-Agent Reinforcement Learning and LLMs: An Industry Case Study</u>
|
Анализировать url |
| arxiv.org |
<u>Scalpel: Automotive Deep Learning Framework Testing via Assembling Model Components</u>
|
Анализировать url |
| arxiv.org |
<u>Prompt Learning for Source Code Summarization</u>
|
Анализировать url |
| arxiv.org |
<u>Deep Learning Framework Testing via Model Mutation: How Far Are We?</u>
|
Анализировать url |
| arxiv.org |
<u>Pre-trained Model-based Actionable Warning Identification: A Feasibility Study</u>
|
Анализировать url |
| arxiv.org |
<u>Spatial Semantic Fuzzing for LiDAR-based Autonomous Driving Perception Systems</u>
|
Анализировать url |
| arxiv.org |
<u>Hidden Backdoor Attack against Neural Code Search Models</u>
|
Анализировать url |
| arxiv.org |
<u>Vision-Based Mobile App GUI Testing: A Survey</u>
|
Анализировать url |
| dl.acm.org |
<u>A Survey of Learning-based Method Name Prediction</u>
|
Анализировать url |
| arxiv.org |
<u>A Survey on Large Language Models for Software Engineering</u>
|
Анализировать url |
| arxiv.org |
<u>When Autonomous Vehicle Meets V2X Cooperative Perception: How Far Are We?</u>
|
Анализировать url |
| arxiv.org |
<u>Continuous Concepts Removal in Text-to-image Diffusion Models</u>
|
Анализировать url |
| arxiv.org |
<u>ACTesting: Automated Cross-modal Testing Method of Text-to-Image Software</u>
|
Анализировать url |
| journal.hep.com.cn |
<u>TestBench: Evaluating Class-Level Test Case Generation Capability of Large Language Models</u>
|
Анализировать url |
| journal.hep.com.cn |
<u>GUI Test Migration via LLM with Scenario-Granularity Understanding</u>
|
Анализировать url |
| dl.acm.org |
<u>LLM-based Crowdsourced Test Report Clustering</u>
|
Анализировать url |
| arxiv.org |
<u>Token-Budget-Aware LLM Reasoning</u>
|
Анализировать url |
| arxiv.org |
<u>Static Code Analyzer Recommendation via Preference Mining</u>
|
Анализировать url |
| arxiv.org |
<u>Security of Language Models for Code: A Systematic Literature Review</u>
|
Анализировать url |
| arxiv.org |
<u>Improving Deep Learning Framework Testing with Model-Level Metamorphic Testing</u>
|
Анализировать url |
| arxiv.org |
<u>DeCoMa: Detecting and Purifying Code Dataset Watermarks through Dual Channel Code Abstraction
</u>
|
Анализировать url |
| arxiv.org |
<u>Test Script Intention Generation for Mobile Application via GUI Image and Code Understanding</u>
|
Анализировать url |
| arxiv.org |
<u>Tightening Robustness Verification of MaxPool-based Neural Networks via Minimizing the Over-Approximation Zone</u>
|
Анализировать url |
| arxiv.org |
<u>Mutual Information Guided Backdoor Mitigation for Pre-trained Encoders</u>
|
Анализировать url |
| arxiv.org |
<u>Improving Deep Assertion Generation via Fine-Tuning Retrieval-Augmented Pre-trained Language Models</u>
|
Анализировать url |
| arxiv.org |
<u>Improving Retrieval-Augmented Deep Assertion Generation via Joint Training</u>
|
Анализировать url |
| arxiv.org |
<u>Show Me Your Code! Kill Code Poisoning: A Lightweight Method Based on Code Naturalness</u>
|
Анализировать url |
| arxiv.org |
<u>Eliminating Backdoors in Neural Code Models for Secure Code Understanding</u>
|
Анализировать url |
| dl.acm.org |
<u>Automated Detection and Repair of Floating-point Precision Problems in Convolutional Neural Network Operators</u>
|
Анализировать url |
| arxiv.org |
<u>A Large-scale Empirical Study on Fine-tuning Large Language Models for Unit Testing</u>
|
Анализировать url |
| dl.acm.org |
<u>Enhanced Prompting Framework for Code Summarization with Large Language Models</u>
|
Анализировать url |
| arxiv.org |
<u>Source Code Summarization in the Era of Large Language Models</u>
|
Анализировать url |
| ieeexplore.ieee.org |
<u>Enhanced Crowdsourced Test Report Prioritization via Image-and-Text Semantic Understanding and Feature Integration</u>
|
Анализировать url |
| ieeexplore.ieee.org |
<u>A Large-scale Empirical Study of Actionable Warning Distribution within Projects</u>
|
Анализировать url |
| dl.acm.org |
<u>FunFuzz: Greybox Fuzzing with Function Significance</u>
|
Анализировать url |
| dl.acm.org |
<u>Exploring Automated Assertion Generation via Large Language Models</u>
|
Анализировать url |
| arxiv.org |
<u>Machine Learning for Actionable Warning Identification: A Comprehensive Survey</u>
|
Анализировать url |
| dl.acm.org |
<u>DevMuT: Testing Deep Learning Framework via Developer Expertise-Based Mutation</u>
|
Анализировать url |
| arxiv.org |
<u>Mutation-Based Deep Learning Framework Testing Method in JavaScript Environment</u>
|
Анализировать url |
| arxiv.org |
<u>SoVAR: Build Generalizable Scenarios from Accident Reports for Autonomous Driving Testing</u>
|
Анализировать url |
| arxiv.org |
<u>CooTest: An Automated Testing Approach for V2X Communication Systems</u>
|
Анализировать url |
| arxiv.org |
<u>ESALE: Enhancing Code-Summary Alignment Learning for Source Code Summarization</u>
|
Анализировать url |
| arxiv.org |
<u>Practical, Automated Scenario-based Mobile App Testing</u>
|
Анализировать url |
| arxiv.org |
<u>Effective, Platform-Independent GUI Testing via Image Embedding and Reinforcement Learning</u>
|
Анализировать url |
| link.springer.com |
<u>Benchmarking Object Detection Robustness against Real-World Corruptions</u>
|
Анализировать url |
| arxiv.org |
<u>TransformCode: A Contrastive Learning Framework for Code Embedding via Subtree Transformation</u>
|
Анализировать url |
| doi.org |
<u>Semi-Supervised Crowdsourced Test Report Clustering via Screenshot-Text Binding Rules</u>
|
Анализировать url |
| arxiv.org |
<u>A Survey of Source Code Search: A 3-Dimensional Perspective</u>
|
Анализировать url |
| dl.acm.org |
<u>DiPri: Distance-based Seed Prioritization for Greybox Fuzzing</u>
|
Анализировать url |
| arxiv.org |
<u>Towards General Robustness Verification of MaxPool-based Convolutional Neural Networks via Tightening Linear Approximation</u>
|
Анализировать url |
| arxiv.org |
<u>APPT: Boosting Automated Patch Correctness Prediction via Fine-tuning Pre-trained Models</u>
|
Анализировать url |
| arxiv.org |
<u>Coverage Goal Selector for Combining Multiple Criteria in Search-Based Unit Test Generation</u>
|
Анализировать url |
| arxiv.org |
<u>Practical Non-Intrusive GUI Exploration Testing with Visual-based Robotic Arms</u>
|
Анализировать url |
| arxiv.org |
<u>Machine Translation Testing via Syntactic Tree Pruning</u>
|
Анализировать url |
| arxiv.org |
<u>An Extractive-and-Abstractive Framework for Source Code Summarization</u>
|
Анализировать url |
| arxiv.org |
<u>A Survey of Learning-based Automated Program Repair</u>
|
Анализировать url |
| dl.acm.org |
<u>Generation-Based Differential Fuzzing for Deep Learning Libraries</u>
|
Анализировать url |
| arxiv.org |
<u>Pre-trained Model-based Automated Software Vulnerability Repair: How Far are We?</u>
|
Анализировать url |
| arxiv.org |
<u>GAMMA: Revisiting Template-based Automated Program Repair via Mask Prediction</u>
|
Анализировать url |
| dsa23.techconf.org |
<u>Towards Effective Bug Reproduction for Mobile Applications</u>
|
Анализировать url |
| onlinelibrary.wiley.com |
<u>Security-based Code Smell Definition, Detection, and Impact Quantification in Android</u>
|
Анализировать url |
| dl.acm.org |
<u>Distance-based Seed Selection for Greybox Fuzzing</u>
|
Анализировать url |
| arxiv.org |
<u>Mobile App Crowdsourced Test Report Consistency Detection via Deep Image-and-Text Fusion Understanding</u>
|
Анализировать url |
| arxiv.org |
<u>Backdooring Neural Code Search</u>
|
Анализировать url |
| sciencedirect.com |
<u>An Unsupervised Feature Selection Approach for Actionable Warning Identification</u>
|
Анализировать url |
| sciencedirect.com |
<u>Deep Learning Framework Testing via Hierarchical and Heuristic Model Generation</u>
|
Анализировать url |
| ieeexplore.ieee.org |
<u>Test Report Generation for Android App Testing via Heterogeneous Data Analysis</u>
|
Анализировать url |
| ieeexplore.ieee.org |
<u>An Empirical Study of Class Rebalancing Methods for Actionable Warning Identification</u>
|
Анализировать url |
| ieeexplore.ieee.org |
<u>Leveraging Android Automated Testing to Assist Crowdsourced Testing</u>
|
Анализировать url |
| dl.acm.org |
<u>SemCluster: A Semi-Supervised Clustering Tool for Crowdsourced Test Reports with Deep Image Understanding</u>
|
Анализировать url |
| arxiv.org |
<u>Selectively Combining Multiple Coverage Goals in Search-Based Unit Test Generation</u>
|
Анализировать url |
| dl.acm.org |
<u>ElecDaug: Electromagnetic Data Augmentation for Model Repair based on Metamorphic Relation</u>
|
Анализировать url |
| cs.purdue.edu |
<u>RULER: Discriminative and Iterative Adversarial Training for Deep Neural Network Fairness</u>
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Анализ сайта chunrong.github.io, слабо оптимизирован на 44%. Для хорошей оптимизации и выхода на первые места в поиске требуется:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: