-
公开(公告)号：CN118736286A
公开(公告)日：2024-10-01
申请号：CN202410775421.5
申请日：2024-06-17
Applicant: 北京航空航天大学
IPC: G06V10/764 , G06V10/774 , G06T5/70 , G06T5/50 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种黑盒图像目标对抗样本生成方法及系统，属于深度学习技术领域，解决了现有对抗样本迁移攻击成功率低的问题。包括采集非目标攻击类别的图像构建为训练集；选择一个与目标模型功能相同的模型作为替代模型；构建对抗样本生成器和图像扰动器；利用训练集迭代训练对抗样本生成器和替代模型，每次训练依次包括：将训练样本输入到对抗样本生成器获取第一图像，再输入到替代模型，计算第一损失函数并更新对抗样本生成器参数；将训练样本输入到图像扰动器获取第二图像，再和训练样本输入到替代模型，计算第二损失函数并更新替代模型参数；将待攻击图像输入到对抗样本生成器中获取目标对抗样本。实现了目标对抗样本迁移攻击成功率的提高。
-
公开(公告)号：CN115617698A
公开(公告)日：2023-01-17
申请号：CN202211609589.6
申请日：2022-12-15
Applicant: 北京航空航天大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于关联规则网络的软件缺陷度量元选择方法，包括：设置软件缺陷数据库、最小支持度和最小置信度，提取所有关联规则生成关联规则集；选择关联规则集中以单件结果形式出现的表示目标节点的频繁项，建立反向超图；对反向超图的超循环和逆超边进行剪枝，生成关联规则网络；获取关联规则网络中的目标节点和最大级别节点之间的最短路径。本发明提出了一种在软件缺陷领域针对确定软件度量元之间相关性的全新方法，以关联规则算法为基础，确立软件度量元之间彼此的关系，并通过关联规则网络中特定上下文为目标生成整体的关联规则网络。
-
公开(公告)号：CN115617698B
公开(公告)日：2023-04-18
申请号：CN202211609589.6
申请日：2022-12-15
Applicant: 北京航空航天大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于关联规则网络的软件缺陷度量元选择方法，包括：设置软件缺陷数据库、最小支持度和最小置信度，提取所有关联规则生成关联规则集；选择关联规则集中以单件结果形式出现的表示目标节点的频繁项，建立反向超图；对反向超图的超循环和逆超边进行剪枝，生成关联规则网络；获取关联规则网络中的目标节点和最大级别节点之间的最短路径。本发明提出了一种在软件缺陷领域针对确定软件度量元之间相关性的全新方法，以关联规则算法为基础，确立软件度量元之间彼此的关系，并通过关联规则网络中特定上下文为目标生成整体的关联规则网络。
-
公开(公告)号：CN115599698A
公开(公告)日：2023-01-13
申请号：CN202211512746.1
申请日：2022-11-30
Applicant: 北京航空航天大学(CN)
IPC: G06F11/36
Abstract: 本发明涉及一种基于类关联规则的软件缺陷预测方法及系统，属于软件缺陷预测技术领域，解决了现有软件缺陷特征选择复杂且预测指标不准确的问题。包括构建样本集，进行迭代训练和测试后，取分类性能指标最优时的类关联规则作为软件缺陷预测规则；迭代包括：将样本集划分为训练集和测试集；基于关联规则算法，根据三个支持度阈值及不同长度的频繁项集的提升度阈值，筛选出频繁项集并转化为关联规则，从中提取类关联规则，根据类关联规则的双置信度，对当前测试集进行预测，计算分类性能指标；获取待预测的软件缺陷度量元数据，与软件缺陷预测规则进行匹配，根据匹配的软件缺陷预测规则的双置信度，得到预测结果。实现了软件缺陷的准确预测。
-
公开(公告)号：CN116185817A
公开(公告)日：2023-05-30
申请号：CN202211512762.0
申请日：2022-11-30
Applicant: 北京航空航天大学
IPC: G06F11/36 , G06F18/214 , G06F18/24
Abstract: 本发明涉及一种软件缺陷预测规则的筛选方法及系统，属于关联规则筛选技术领域，解决了现有软件缺陷特征选择复杂且预测规则存在冗余的问题。包括获取历史软件缺陷数据，构建样本集；基于样本集执行如下步骤，进行迭代训练和测试：将样本集划分为训练集和测试集；基于关联规则算法，根据三个支持度阈值从训练集中生成频繁项集，根据不同长度的频繁项集的提升度阈值，筛选出频繁项集并转化为关联规则，得到关联规则集合；从关联规则集合中提取类关联规则，根据选择的预测指标对测试集进行预测，根据预测结果计算分类性能指标；迭代训练和测试结束后，取分类性能指标最优时的类关联规则，作为软件缺陷预测规则。提高了筛选预测规则的准确性和高效性。
-
Patent Agency Ranking
公开(公告)号：CN115545125A
公开(公告)日：2022-12-30
申请号：CN202211512741.9
申请日：2022-11-30
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种软件缺陷关联规则网络剪枝方法及系统，属于软件缺陷预测技术领域，解决了现有关联规则网络未考虑有无缺陷的双目标且关联规则存在冗余的问题。包括读取软件缺陷数据集，基于关联规则算法生成初始关联规则集合；基于初始关联规则集合，构建以有缺陷标签和无缺陷标签作为目标节点的反向超图，以及有缺陷字典和无缺陷字典；获取同时存在于两个字典的节点，在反向超图中去除节点的冗余边，更新字典中节点层级，得到关联规则网络；基于社区发现算法，根据字典中节点层级，对关联规则网络聚类得到多个社区；分别根据社区中的缺陷标签和节点所属字典，从多个社区中提取出用于软件缺陷预测的关联规则。实现了软件缺陷关联规则的准确提取。
-
公开(公告)号：CN118736286B
公开(公告)日：2025-03-14
申请号：CN202410775421.5
申请日：2024-06-17
Applicant: 北京航空航天大学
IPC: G06V10/764 , G06V10/774 , G06T5/70 , G06T5/50 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种黑盒图像目标对抗样本生成方法及系统，属于深度学习技术领域，解决了现有对抗样本迁移攻击成功率低的问题。包括采集非目标攻击类别的图像构建为训练集；选择一个与目标模型功能相同的模型作为替代模型；构建对抗样本生成器和图像扰动器；利用训练集迭代训练对抗样本生成器和替代模型，每次训练依次包括：将训练样本输入到对抗样本生成器获取第一图像，再输入到替代模型，计算第一损失函数并更新对抗样本生成器参数；将训练样本输入到图像扰动器获取第二图像，再和训练样本输入到替代模型，计算第二损失函数并更新替代模型参数；将待攻击图像输入到对抗样本生成器中获取目标对抗样本。实现了目标对抗样本迁移攻击成功率的提高。
-
公开(公告)号：CN115599698B
公开(公告)日：2023-03-14
申请号：CN202211512746.1
申请日：2022-11-30
Applicant: 北京航空航天大学
IPC: G06F11/36
Abstract: 本发明涉及一种基于类关联规则的软件缺陷预测方法及系统，属于软件缺陷预测技术领域，解决了现有软件缺陷特征选择复杂且预测指标不准确的问题。包括构建样本集，进行迭代训练和测试后，取分类性能指标最优时的类关联规则作为软件缺陷预测规则；迭代包括：将样本集划分为训练集和测试集；基于关联规则算法，根据三个支持度阈值及不同长度的频繁项集的提升度阈值，筛选出频繁项集并转化为关联规则，从中提取类关联规则，根据类关联规则的双置信度，对当前测试集进行预测，计算分类性能指标；获取待预测的软件缺陷度量元数据，与软件缺陷预测规则进行匹配，根据匹配的软件缺陷预测规则的双置信度，得到预测结果。实现了软件缺陷的准确预测。
-
公开(公告)号：CN117389879A
公开(公告)日：2024-01-12
申请号：CN202311341171.6
申请日：2023-10-17
Applicant: 北京航空航天大学
IPC: G06F11/36 , G06F18/22 , G06F18/2113 , G06F18/24 , G06F18/214 , G06N5/04
Abstract: 本发明涉及一种基于原子关联规则网络的软件缺陷预测方法及系统，属于软件缺陷预测技术领域，解决现有未从全局推理角度对软件缺陷规则剪枝而导致预测结果不准确的问题。该方法包括：将历史软件缺陷数据预处理为事务数据后，根据关联规则算法和提升度提取原子关联规则；分别以有缺陷标签和无缺陷标签作为目标节点，根据原子关联规则的相关系数构建两个加权关联规则网络；识别出加权关联规则网络中的矛盾节点对，基于最短路径算法迭代删除矛盾节点对间的矛盾路径，得到剪枝后的加权关联规则网络，提取出两类缺陷预测规则集合；根据待预测的软件缺陷数据匹配的缺陷预测规则的相关系数，得到软件缺陷预测结果。实现了准确预测软件缺陷。
-
公开(公告)号：CN117389878A
公开(公告)日：2024-01-12
申请号：CN202311341170.1
申请日：2023-10-17
Applicant: 北京航空航天大学
IPC: G06F11/36 , G06F18/22 , G06F18/24 , G06F18/2113 , G06N5/02
Abstract: 本发明涉及一种基于相关系数和互信息加权的软件缺陷预测方法及系统，属于软件缺陷预测技术领域，解决了现有技术中因数据分布倾斜和特征加权不精细而导致软件缺陷预测不准确的问题。方法包括：将历史软件缺陷数据预处理为事务数据，对每条事务数据生成长度递增的候选项集，当候选项集的加权支持度大于等于候选项集所属类别的支持度阈值时，作为对应长度的频繁项集，迭代直至达到结束条件；根据最小增值阈值，生成后件长度为1的类关联规则；根据类关联规则的增值，去除冗余和矛盾的类关联规则得到软件缺陷预测规则；将待预测的软件缺陷数据与软件缺陷预测规则进行匹配，根据匹配的软件缺陷预测规则的增值得到预测结果。实现了准确预测软件缺陷。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
