-
公开(公告)号：CN115629995A
公开(公告)日：2023-01-20
申请号：CN202211645383.9
申请日：2022-12-21
Applicant: 中南大学
IPC: G06F11/36 , G06F8/75 , G06F40/284 , G06N3/0442 , G06N3/048
Abstract: 本发明公开了基于多依赖LSTM的软件缺陷定位方法、系统及设备，本方法通过通过静态分析待检测软件源码和测试用例，获得测试用例的执行轨迹、待检测软件源码的数据依赖图和执行路径；采用Word2Vec模型对执行路径进行词向量训练，获得控制依赖向量；采用Node2vec模型对数据依赖图进行游走，获得数据依赖向量；将控制依赖向量和数据依赖向量进行拼接，获得多依赖向量；将多依赖向量和执行轨迹进行合并，获得待检测软件源码中每行代码的合并特征向量；将每行代码的合并特征向量输入至训练好的软件缺陷定位模型中，获得每行代码的语句怀疑度；根据语句怀疑度定位待检测软件源码中的缺陷。本发明能够提高软件缺陷定位的精确度。
-
公开(公告)号：CN109871855B
公开(公告)日：2022-09-20
申请号：CN201910139959.6
申请日：2019-02-26
Applicant: 中南大学
IPC: G06V10/50 , G06V10/46 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 深度多核学习(DMKL)方法与浅层多核学习相比，效率和有效性更高，引起了广泛的关注。然而，现有的DMKL体系结构泛化性较差，很难依据样本数据训练找到合适的参数。本发明提出了一种自适应深度多核学习(SA‑DMKL)的结构，这种结构能够自适应、自生长并具有弹性。通过Rademacher混沌复杂度，可以根据不同的数据集和数据空间，筛选每层基核函数，改变每层基核函数数量。用本发明方法对UCI鸢尾花数据集数据集、乳腺癌数据集和Caltech256图像数据集验证，与其他方法相比，有更高的有效性。
-
公开(公告)号：CN107341021A
公开(公告)日：2017-11-10
申请号：CN201710573289.X
申请日：2017-07-14
Applicant: 中南大学
Abstract: 本发明公开了一种大型复杂软件带约束逻辑属性的软件网络的表示、存储与检索方法。首先通过静态分析得到开源面向对象软件的关于包、类、方法、语句、变量、视频、音频、图片及其关系的相关信息。然后结合约束逻辑理论将语句信息转换为约束逻辑属性，结合复杂网络理论根据提取的信息建立关于目标软件的软件网络模型。以软件网络模型节点的绝对路径为键、边为值存储在Redis集群中。根据待分析的关键字和可达性分许算法在Redis集群中检索出与待分析关键字相关的信息。最后可以使用可视化工具刻画出目标软件的全局结构行为信息和关于待分析关键字的局部信息。
-
公开(公告)号：CN119271530A
公开(公告)日：2025-01-07
申请号：CN202411756957.9
申请日：2024-12-03
Applicant: 中南大学
IPC: G06F11/3604 , G06F11/3668 , G06F8/71 , G06N3/044 , G06N3/0499
Abstract: 本申请公开了一种基于多动态程序执行轨迹的软件缺陷定位方法和系统，本方法通过捕获待定位缺陷的源代码执行测试用例时产生的寄存器轨迹、堆轨迹、栈轨迹和指令轨迹；根据第一时间步，将待定位缺陷的源代码执行测试用例时产生的寄存器轨迹、堆轨迹、栈轨迹和指令轨迹信息进行向量化，得到第一时序向量序列；将第一时序向量序列输入训练好的缺陷定位模型，得到每个第一时间步含缺陷的概率；根据每个第一时间步含缺陷的概率与待定位缺陷的源代码执行测试用例时产生的寄存器轨迹、堆轨迹、栈轨迹和指令轨迹，确定缺陷定位报告。本申请能够捕捉程序在运行过程中复杂的多维度动态行为，提高软件缺陷定位的准确性。
-
公开(公告)号：CN116991459A
公开(公告)日：2023-11-03
申请号：CN202311044645.0
申请日：2023-08-18
Applicant: 中南大学
Abstract: 本发明公开了一种软件多缺陷信息预测方法与系统，包括将待预测项目数据输入第二图注意力网络模型进行预测，得到第二内部特征；将待预测项目数据输入第二可扩展的图网络模型进行预测，得到第二外部特征；将第二内部特征和第二外部特征融合，得到待预测样本；通过内部特征与外部特征的融合，从而得到更多特征，提升了预测能力，构建第一多预测模型，将训练样本输入第一多预测模型进行训练，得到第二多预测模型；将待预测样本输入第二多预测模型进行预测，得到待预测项目数据的缺陷信息，实现了对多缺陷信息预测，包括对缺陷数量和缺陷严重度的预测。
-
Patent Agency Ranking
公开(公告)号：CN115629995B
公开(公告)日：2023-03-14
申请号：CN202211645383.9
申请日：2022-12-21
Applicant: 中南大学
IPC: G06F11/36 , G06F8/75 , G06F40/284 , G06N3/0442 , G06N3/048
Abstract: 本发明公开了基于多依赖LSTM的软件缺陷定位方法、系统及设备，本方法通过通过静态分析待检测软件源码和测试用例，获得测试用例的执行轨迹、待检测软件源码的数据依赖图和执行路径；采用Word2Vec模型对执行路径进行词向量训练，获得控制依赖向量；采用Node2vec模型对数据依赖图进行游走，获得数据依赖向量；将控制依赖向量和数据依赖向量进行拼接，获得多依赖向量；将多依赖向量和执行轨迹进行合并，获得待检测软件源码中每行代码的合并特征向量；将每行代码的合并特征向量输入至训练好的软件缺陷定位模型中，获得每行代码的语句怀疑度；根据语句怀疑度定位待检测软件源码中的缺陷。本发明能够提高软件缺陷定位的精确度。
-
公开(公告)号：CN115617694B
公开(公告)日：2023-03-10
申请号：CN202211516666.3
申请日：2022-11-30
Applicant: 中南大学
IPC: G06F11/36
Abstract: 本发明公开了基于信息融合的软件缺陷预测方法、系统、设备及介质，本方法通过获取待预测软件程序对应的抽象语法树、控制流图以及程序依赖图；采用主题模型LDA和Node2vec方法，获取抽象语法树的语义特征；采用优化后的Node2vec方法和Sent2vec模型，获取控制流图的控制流特征和程序依赖图的代码依赖特征；通过图注意力网络获得训练后的语义特征、训练后的控制流特征和训练后的代码依赖特征；将训练后的语义特征、训练后的控制流特征以及训练后的代码依赖特征进行特征融合，获得融合特征矩阵；采用分类器对融合特征矩阵进行分类，获得待预测软件程序的分类结果。本发明能够提高特征表达能力，软件缺陷预测的准确率。
-
公开(公告)号：CN115617694A
公开(公告)日：2023-01-17
申请号：CN202211516666.3
申请日：2022-11-30
Applicant: 中南大学
IPC: G06F11/36
Abstract: 本发明公开了基于信息融合的软件缺陷预测方法、系统、设备及介质，本方法通过获取待预测软件程序对应的抽象语法树、控制流图以及程序依赖图；采用主题模型LDA和Node2vec方法，获取抽象语法树的语义特征；采用优化后的Node2vec方法和Sent2vec模型，获取控制流图的控制流特征和程序依赖图的代码依赖特征；通过图注意力网络获得训练后的语义特征、训练后的控制流特征和训练后的代码依赖特征；将训练后的语义特征、训练后的控制流特征以及训练后的代码依赖特征进行特征融合，获得融合特征矩阵；采用分类器对融合特征矩阵进行分类，获得待预测软件程序的分类结果。本发明能够提高特征表达能力，软件缺陷预测的准确率。
-
公开(公告)号：CN114356641A
公开(公告)日：2022-04-15
申请号：CN202210205512.6
申请日：2022-03-04
Applicant: 中南大学
Abstract: 本发明公开了一种增量式的软件缺陷预测方法、系统、设备及存储介质，该方法通过获取第一训练集，对第一训练集进行预处理，获得第二训练集；基于第二训练集，构建代价敏感LightGBM模型；将代价敏感LightGBM模型作为基分类器构建增量式预测模型，并计算总训练样本数和总缺陷样本数；根据总训练样本数和总缺陷样本数，计算分类阈值；使用增量式预测模型对待预测样本进行预测，获得最终预测值；基于分类阈值和最终预测值，判断待预测样本的类别。本方法能够在原模型的基础上增加新基分类器，学习新数据的同时，无需重复训练历史样本，并能够降低模型计算量，节省存储空间，提高训练效率，不断完善模型，提高软件缺陷预测的准确率。
-
公开(公告)号：CN109345684A
公开(公告)日：2019-02-15
申请号：CN201810756819.9
申请日：2018-07-11
Applicant: 中南大学
IPC: G07D7/20 , G07D7/2033 , G06K9/62
Abstract: 本发明公开一种基于GMDH-SVM深度神经网络的多国纸币冠字号识别方法，属于模式识别技术领域。首先基于多国纸币采集冠字号图片，利用图片处理得到的特征构数据建立训练样本数据集，构建基于GMDH-SVM分类器的分类模型，利用所建立的训练样本数据集对分类模型进行训练，将待预测图片的数据特征数据输入到训练好的分类模型中，进行预测。本发明的分类模型通过采用GMDH-SVM的分类模型，构建可以自由生长的深度神经网络，可以提高模型的自适应程度，并通过将特征通过两两组合的方式进行输入，可以加快训练的速度，在神经网络生长的过程中，对一些误差较大的特征组合进行过滤，可以提高抗干扰能力和准确率；GMDH-SVM深度神经网络对样本需求量小，训练速度快，识别准确率高，可以完成在线的模型训练和预测。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.021 seconds)
