-
公开(公告)号：CN112650680B
公开(公告)日：2024-08-09
申请号：CN202011579248.X
申请日：2020-12-28
申请人： 南京航空航天大学
IPC分类号： G06F11/36
摘要： 本发明提出了一种基于抽象语法树的冗余变量和冗余方法的检测方法及系统。所述方法包括：利用抽象语法树技术解析java源文件，在解析的过程中生成相应的变量数组和方法数组，并通过变量的关系依赖数组和方法的调用变量数组以及未匹配的字符串数组来检测出冗余变量和冗余方法，对检测出的冗余变量和冗余方法执行删除操作。通过本发明，输入一个包含main方法的java源文件，即可输出所有的冗余变量和冗余方法，并且可以自动删除所检测出来的冗余变量和冗余方法。本发明不要求进行冗余变量和冗余方法的人为判断，也可以在不知道冗余变量和冗余方法的具体位置的情况下对其进行删除，这为冗余变量和冗余方法的检测和删除提供了一个良好的解决方案。
-
公开(公告)号：CN112102334B
公开(公告)日：2024-05-17
申请号：CN202010966125.5
申请日：2020-09-15
申请人： 南京航空航天大学
摘要： 本发明公开了一种基于分割变异的测试数据生成方法，首先根据被测软件收集一定量的种子图像测试数据，结合领域知识确定种子图像测试数据需要进行变异的特征区域，称其为“图像组件”，然后利用基于区域的图像分割方法并结合能量函数取值对该图像组件进行分割，之后对分割得到的图像组件使用变异规则(包括像素颜色变换，像素值加1减1等)进行变异，得到变异后的新的图像组件，最后将该新图像组件与分割后的种子图像测试数据进行组合，得到新的图像测试数据。
-
公开(公告)号：CN116361190B
公开(公告)日：2023-12-05
申请号：CN202310407514.8
申请日：2023-04-17
申请人： 南京航空航天大学
摘要： 行更加充分的测试。本发明公开了一种基于神经元相关性指导的深度学习变异测试方法，对原始深度学习模型，首先通过在训练集上执行分层的相关性传播为模型中的神经元分配相关性；然后，采用基于神经元相关性指导的深度学习变异模型生成策略指导变异模型的生成；最后，通过计算测试集在变异模型上的变异分数来实现对测试集的质量评估。对不充分的测试集，进一步提出了一种基于梯度搜索的变异测试输入生成方法，以帮助改善测试集的质量。本发明作为一种深度学习变异测试技术，通过分析深度学习系统的活动及其(56)对比文件王赞;闫明;刘爽;陈俊洁;张栋迪;吴卓;陈翔.深度神经网络测试研究综述.软件学报.2020,(05),第19-39页.尹志杰.一种基于神经网络基函数的新型遗传算法.计算机仿真.2004,(12),第118-120页.
-
公开(公告)号：CN116303088A
公开(公告)日：2023-06-23
申请号：CN202310401942.X
申请日：2023-04-17
申请人： 南京航空航天大学
IPC分类号： G06F11/36 , G06N3/0464 , G06N3/08 , G06N5/01 , G06N20/20
摘要： 本发明涉及一种基于深度神经网络交叉熵损失的测试用例排序方法。该方法通过构建测试用例交叉熵损失量化模型，利用训练集对深度神经网络进行训练分类，得到N分类的DNN模型；将测试用例输入到训练后的N分类DNN模型中，得到预测结果中测试用例的特征集合；将特征集合输入到测试用例交叉熵损失量化模型中，得到对应的交叉熵损失值并进行排序，得到排序后的测试用例集。本发明与现有技术相比，其显著优点是：通过分析深度神经网络的训练过程，发现揭露DNN缺陷的测试用例的特点，即一个测试用例相对于DNN的交叉熵损失值越大，越有可能揭露DNN的缺陷，并且通过重训练，提升DNN模型的鲁棒性。
-
公开(公告)号：CN116701169A
公开(公告)日：2023-09-05
申请号：CN202310380526.6
申请日：2023-04-11
申请人： 南京航空航天大学
IPC分类号： G06F11/36 , G06V10/776
摘要： 本发明公开了基于元学习的黑盒对抗测试用例生成方法及系统，利用基于元学习的mask方法获取图像真实类别影响区域，并以掩码保存；通过元学习在代理模型上训练针对每一类的通用噪音；对待攻击的图像添加通用噪音得到初始化图像，使用黑盒模型攻击，如果成功，则直接输出，如果没有成功，则利用RGF方法通过对模型一定次数的查询模拟梯度，进而通过梯度上升的方法对图像真实类别影响区域攻击，直至查询资源到达限制或者该图像生成对抗测试用例。这种方法在黑盒条件下大幅提升了对黑盒模型的查询效率和攻击成功率，减少生成测试用例使用的查询资源，提升生成测试用例的成功率。
-
公开(公告)号：CN112667286A
公开(公告)日：2021-04-16
申请号：CN202011551429.1
申请日：2020-12-24
申请人： 南京航空航天大学
摘要： 本发明提出了一种基于编程现场环境上下文的搜索方法。包括以下步骤：获取编程现场环境上下文信息，包括编程人员的上下文信息、编程项目及任务的上下文信息、编程时间和环境的上下文信息；对获取的原始编程现场环境上下文信息，针对文本语言和形式语言进行不同的预处理并存储；利用K‑means算法对预处理后的编程现场环境上下文信息进行聚类分析，得到上下文信息之间的语义关系；利用层次聚类法对预处理后的编程现场环境上下文信息进行层次分析，获得上下文信息之间的显式关联和隐式关联关系；利用ElasticSearch作为底层数据检索模型，对所需编程要求完成搜索。本发明通过深度挖掘上下文信息间广泛、多样的语义关系，能够实现代码的精准推荐。
-
公开(公告)号：CN112102334A
公开(公告)日：2020-12-18
申请号：CN202010966125.5
申请日：2020-09-15
申请人： 南京航空航天大学
摘要： 本发明公开了一种基于分割变异的测试数据生成方法，首先根据被测软件收集一定量的种子图像测试数据，结合领域知识确定种子图像测试数据需要进行变异的特征区域，称其为“图像组件”，然后利用基于区域的图像分割方法并结合能量函数取值对该图像组件进行分割，之后对分割得到的图像组件使用变异规则(包括像素颜色变换，像素值加1减1等)进行变异，得到变异后的新的图像组件，最后将该新图像组件与分割后的种子图像测试数据进行组合，得到新的图像测试数据。
-
公开(公告)号：CN116484434A
公开(公告)日：2023-07-25
申请号：CN202310304968.2
申请日：2023-03-27
申请人： 南京航空航天大学
摘要： 本发明公开了一种基于监管链的跨链数据完整性验证方法，首先是发送链将链上数据进行分块并生成标签后，发送给接收链；接收链收到数据后验证数据与标签的一致性，验证通过后进行上链存储数据。在审计期间，监管链根据要验证的频率向被监管的发送链和接收链定期发起挑战，接收链中的智能合约根据链上数据内容生成完整性证明，并回复监管链。发送链中的智能合约根据链上数据和相应标签生成完整性证明，回复监管链。最后，监管链根据发送链和接收链的完整性证明来验证跨链数据的完整性。当完整性证明遭到损坏时，监管链对不诚实的实体进行定位。此外，在单条跨链记录验证的基础上，本发明还实现了批量验证，提高了验证效率。
-
公开(公告)号：CN116383070A
公开(公告)日：2023-07-04
申请号：CN202310366027.1
申请日：2023-04-07
申请人： 南京航空航天大学
IPC分类号： G06F11/36
摘要： 本发明公开了一种面向高MC/DC的符号执行方法，通过获取Java程序的程序依赖关系，提取方法所需的分支依赖关系生成“result.txt”文件；根据分支依赖关系和分支语句当前的MC/DC分数进行路径选择，采用深度优先搜索算法遍历Java程序的路径；每当进行路径探索时，记录各个分支语句的短路位置，对应的操作数栈和Java字节码等等；探索路径结束后，对短路位置进行赋值，并进行路径筛选；针对需要进行路径约束求解的路径，将分支语句上的短路位置转化为相应的约束表达式再进行路径约束求解，生成测试用例，并更新分支语句的相关信息；直至所有路径遍历结束，或Java程序中所有分支语句的MC/DC分数达到100％，则结束执行，输出所生成的测试用例，以此实现一种面向高MC/DC的符号执行方法。
-
公开(公告)号：CN112650680A
公开(公告)日：2021-04-13
申请号：CN202011579248.X
申请日：2020-12-28
申请人： 南京航空航天大学
IPC分类号： G06F11/36
摘要： 本发明提出了一种基于抽象语法树的冗余变量和冗余方法的检测方法及系统。所述方法包括：利用抽象语法树技术解析java源文件，在解析的过程中生成相应的变量数组和方法数组，并通过变量的关系依赖数组和方法的调用变量数组以及未匹配的字符串数组来检测出冗余变量和冗余方法，对检测出的冗余变量和冗余方法执行删除操作。通过本发明，输入一个包含main方法的java源文件，即可输出所有的冗余变量和冗余方法，并且可以自动删除所检测出来的冗余变量和冗余方法。本发明不要求进行冗余变量和冗余方法的人为判断，也可以在不知道冗余变量和冗余方法的具体位置的情况下对其进行删除，这为冗余变量和冗余方法的检测和删除提供了一个良好的解决方案。
-
-
-
-
-
-
-
-
-
搜索结果
27 条记录 (耗时 0.026 秒)
