-
公开(公告)号：CN103198016A
公开(公告)日：2013-07-10
申请号：CN201310099997.6
申请日：2013-03-26
Applicant: 哈尔滨工业大学
IPC: G06F11/36
Abstract: 基于联合依赖概率建模的软件错误定位方法，本发明涉及计算机程序分析领域。本发明是要解决传统的软件错误定位方法定位精度低的问题，而提供了基于联合依赖概率建模的软件错误定位方法。步骤1：分别执行正确测试用例和错误测试用例，并分别对正确测试用例和错误测试用例建立联合依赖概率模型；步骤2：在步骤1的基础上，根据联合依赖概率模型，计算每个节点的可疑度；步骤3：将错误定位信息按可疑度进行降序排列，可疑度高的节点认定为更有可能出错的节点，即完成了对基于联合依赖概率建模的软件的错误进行定位。本发明应用于计算机程序分析领域。
-
公开(公告)号：CN103150254A
公开(公告)日：2013-06-12
申请号：CN201310099998.0
申请日：2013-03-26
Applicant: 哈尔滨工业大学
IPC: G06F11/36
Abstract: 基于状态依赖概率建模的软件错误定位方法，本发明涉及计算机程序分析领域。本发明是要解决传统的软件错误定位方法定位精度低的问题，而提供了基于状态依赖概率建模的软件错误定位方法。步骤1：分别执行正确测试用例和错误测试用例，并分别对正确测试用例和错误测试用例建立状态依赖概率模型；步骤2：在步骤1的基础上，根据状态依赖概率模型，计算每个节点的可疑度；步骤3：将错误定位信息按可疑度进行降序排列，可疑度高的节点认定为更有可能出错的节点，即完成了对基于状态依赖概率建模的软件的错误进行定位。本发明应用于计算机程序分析领域。
-
公开(公告)号：CN102231134A
公开(公告)日：2011-11-02
申请号：CN201110216640.2
申请日：2011-07-29
Applicant: 哈尔滨工业大学
IPC: G06F11/36
Abstract: 基于静态分析的冗余代码缺陷检测方法，涉及基于静态分析的冗余代码缺陷检测方法，为了解决目前缺少成熟的对冗余代码及相关缺陷检测的方法的问题，它包括：步骤1、输入待测试程序，将其解析为抽象语法树；步骤2、分析可能包含显式幂等操作的语句，检测显式幂等操作；步骤3、对局部定义的变量，采用过程内部分析方法，检测冗余的赋值语句；步骤4、遍历程序的抽象语法树，在标准化后的程序依赖图的基础上查找包含缺陷的结构，检测死代码；步骤5、检测冗余的条件表达式；步骤6、检测隐式幂等操作；步骤7、检测冗余的函数参数；根据步骤2至7获得的六种缺陷的检测结果，给出缺陷检测报告。本发明适用于大规模程序代码的分析。
-
公开(公告)号：CN119475345A
公开(公告)日：2025-02-18
申请号：CN202411523678.8
申请日：2024-10-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于融合特征提示调优的语句级代码漏洞检测方法，首先利用静态分析工具解析源代码，利用程序切片技术生成切片代码段；随后，将语句级别的硬提示和软提示相结合，形成融合特征提示；之后，融合切片特征和语句特征，将这些特征嵌入模型中；最后，利用融合特征提示调优和预训练模型实现语句级别的漏洞检测。该方法根据漏洞语句的特征设计提示模板，能够充分利用预训练知识，学习漏洞代码的结构和属性信息，使模型能够更准确地区分漏洞语句和非漏洞语句，减少误报的可能性。此外，该方法可以充分利用预训练模型对上下文的理解能力，捕捉代码中细微的语法和语义信息。
-
公开(公告)号：CN115048491B
公开(公告)日：2024-09-06
申请号：CN202210693666.4
申请日：2022-06-18
Applicant: 哈尔滨工业大学
IPC: G06F16/33 , G06F8/41 , G06F40/30 , G06F17/18 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084
Abstract: 本发明公开了一种在异构语义空间中基于假设检验的软件跨模态检索方法，所述方法使用分布生成网络将文本投影到分布空间中的CFP相关分布；将代码表示为控制流图，并抽取其中所有的路径；利用样本生成网络将CFP映射为样本空间中的CFP样本向量，此时代码被表示为一个CFP样本向量集合；使用假设检验计算CFP样本向量集合对CFP相关分布的服从程度作为二者的匹配分数，并用于实现代码检索文本或文本检索代码形式的跨模态检索任务。本发明首次提出将代码和文本投影到异构语义空间中进行表示学习，即将文本投影到CFP相关分布空间并将代码投影到CFP样本空间，能够准确表征文本和代码各自的独特语义，提高跨模态检索的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118519542A
公开(公告)日：2024-08-20
申请号：CN202410774666.6
申请日：2024-06-17
Applicant: 哈尔滨工业大学
IPC: G06F3/023 , G06F16/953 , G06F16/332 , G06F16/338 , G06F16/9538
Abstract: 本发明公开了一种应用于输入法中的基于“三级上屏”的句子推荐方法，所述方法如下：组字区中显示用户输入的英文或者拼音；响应于输入拼音的操作，显示候选词显示界面；将选中的候选词填入组字区，并替换掉原来组字区中的拼音；检测组字区中的内容变化，基于组字区的内容发送双语搜索请求给服务器，服务器执行双语句子搜索操作，并将结果返回给客户端；客户端输入法接收服务器返回的结果，显示句子推荐展示界面，句子推荐展示界面中显示有与组字区中内容有关的搜索得到的双语语料句子，通过键盘上下键或数字键选中某条搜索结果，选中内容被填入文本编辑器中。本发明减少了用户对外部工具的依赖，极大提高了用户撰写文档时的便捷性和效率。
-
公开(公告)号：CN114816517B
公开(公告)日：2024-07-16
申请号：CN202210488430.7
申请日：2022-05-06
Applicant: 哈尔滨工业大学
IPC: G06F8/74 , G06N3/0442 , G06N3/08 , G06N3/042 , G06N3/045
Abstract: 本发明公开了一种层次语义感知的代码表示学习方法，所述方法针对给定的源代码，首先利用程序分析技术构建程序的有向无环语义图，然后抽取语义图中的语法子树信息，并利用Tree‑LSTM模型学习程序中每条语句的局部语义向量表示，最后基于语句的局部语义向量表示，利用Graph‑LSTM模型学习代码的结构和顺序语义信息。本发明首次提出适用于程序结构语义编码的基于图的LSTM模型Graph‑LSTM，并提出一种能够将源代码序列信息融入到代码表示学习过程中的新框架，提高了模型的特征表示能力。
-
公开(公告)号：CN117608525A
公开(公告)日：2024-02-27
申请号：CN202311583577.5
申请日：2023-11-24
Applicant: 哈尔滨工业大学
Abstract: 一种基于大模型的SysML状态机图形式化需求验证方法，属于计算机软件开发技术领域。方法如下：收集SysML状态机图数据集，追溯对应需求文本，而后对SysML状态机图以及需求文本进行翻译并进行验证；对SysML状态机图以及需求文本进行处理；为大模型设置提示模板，对两组大规模数据集进行批量训练；获取SysML状态机图和需求文本的翻译结果并以NuSMV可识别的语言的形式进行表示；对所得代码进行相应修改；将得到的目标代码输入NuSMV进行形式化验证。本发明提高了验证的效率，使验证方法更具普适性，减轻了在不同领域中应用形式验证方法时的繁琐工作，能够适应多种需求验证场景。
-
公开(公告)号：CN115859307A
公开(公告)日：2023-03-28
申请号：CN202211678532.1
申请日：2022-12-26
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于树型注意力和加权图匹配的相似漏洞检测方法，首先，分别为目标函数、漏洞函数和补丁函数生成FCG、vSCG、pSCG。其次，利用语句节点嵌入网络分别提取FCG、vSCG和pSCG语句节点的语义和语法信息。接着，利用图神经网络和加权图匹配方法构成的图匹配模型，学习并计算FCG和vSCG之间以及FCG和pSCG之间的相似度，然后利用计算的三元组损失函数调整网络参数，训练检测模型。最后，利用训练好的模型检测软件中的相似漏洞。本发明可以在捕获代码中与漏洞相关的语法和语义特征的同时，有效利用补丁信息区分仅有细微差异的漏洞和补丁函数，从而提高相似漏洞检测的准确率。
-
公开(公告)号：CN115730310A
公开(公告)日：2023-03-03
申请号：CN202211468462.7
申请日：2022-11-22
Applicant: 哈尔滨工业大学
IPC: G06F21/56 , G06F18/214 , G06F18/24
Abstract: 本发明公开了一种基于多特征融合深度学习的安卓恶意软件检测与分类方法，所述方法是通过获取待测Apk样本、将待测Apk样本送入训练好的模型并得到检测结果完成的。本发明通过深度学习从静态污点路径中捕获不同类型恶意软件的数据流模式，将污点路径作为一组特征，进行安卓恶意软件的检测与分类，并使用Wide&Deep模型进行特征融合，其中Wide部分处理敏感API调用和危险权限两类特征，Deep部分处理静态污点路径，融合后的特征，增加了静态污点路径带有的语义信息，可以学习到不同恶意软件的行为模式，提升了模型的准确率和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.083 seconds)
