CN108229586A - 一种数据中的异常数据点的检测方法及系统 - Google Patents
一种数据中的异常数据点的检测方法及系统 Download PDFInfo
- Publication number
- CN108229586A CN108229586A CN201810114099.6A CN201810114099A CN108229586A CN 108229586 A CN108229586 A CN 108229586A CN 201810114099 A CN201810114099 A CN 201810114099A CN 108229586 A CN108229586 A CN 108229586A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- data point
- normalizing
- neighbour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Abstract
本发明提供一种数据中的异常数据点的检测方法及系统。方法包括:S1,对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;S2,根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;S3,基于所有归一距离分布,检测出所述数据中的异常数据点。本发明提供的方法及系统,通过初步确定数据点的近邻点集合后,利用统计学思想检测近邻点集合中的异常近邻点,遍历所有的数据点,将异常近邻点检测结果进行聚合操作,检测得到最终的异常数据点,提高了异常数据点的检测的精确度,且该方法的实施过程较为简便,易于在各种大数据现场执行。
Description
技术领域
本发明涉及数据检测技术领域,更具体地,涉及一种数据中的异常数据点的检测方法及系统。
背景技术
近年来,随着信息技术的发展,各类数据如物联网数据等呈现出海量增长的趋势。如何利用如此大量的数据已经成为了学界以及工业界重点关注的问题,新颖实用的算法层出不穷,各大公司也相继推出了许多大数据分析软件。
在数据的生命周期(产生、储存、加工、使用)中,可能会因各种原因导致数据产生偏差,例如,导致数据出现不一致、不完整和不准确等异常情况。将存在异常情况的数据称为异常数据,异常数据的存在将会不可避免地影响算法以及数据分析软件得到的分析结果。而在实际中,由于数据质量问题造成的损失不容小视。
在这样的背景下,数据质量已经成为了一个重要的研究方向,将数据进行清洗得到高质量的数据是在数据分析前必不可少的流程。数据清洗可以粗略地分为异常数据检测与异常数据修复两个部分。异常数据检测是异常数据修复的重要前提,如果没有精确地检测出发生异常的数据,那么也不可能得到一个令人满意的修复结果。现有技术中检测异常数据点的思路主要是基于近邻思想,即认为正常的数据点往往会拥有更多的近邻点(即距离较近的数据点)。然而,这种方法往往只根据数据点的近邻点集合中近邻点的个数,判断该数据点是否为异常,而数据点的近邻点集合中往往存在一些异常近邻点,因此,现有技术中对于异常数据点的检测存在不精确的问题。
发明内容
本发明提供一种克服现有技术中对于异常数据点的检测不准确的问题的数据中的异常数据点的检测方法及系统。
根据本发明的一个方面,提供一种数据中的异常数据点的检测方法,包括:
S1,对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;
S2,根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;
S3,基于所有归一距离分布,检测出所述数据中的异常数据点。
根据本发明的另一个方面,提供一种数据中的异常数据点的检测系统,包括:
近邻点集合确定模块,对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;
归一距离分布确定模块,用于根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;
异常数据点确定模块,用于基于所有归一距离分布,检测出所述数据中的异常数据点。
根据本发明的再一个方面,提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
根据本发明的又一个方面,提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述的方法。
根据本发明的还一个方面,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述的方法。
本发明提供的一种数据中的异常数据点的检测方法及系统,通过初步确定数据点的近邻点集合后,利用统计学思想检测近邻点集合中的异常近邻点,遍历所有的数据点,将异常近邻点检测结果进行聚合操作,检测得到最终的异常数据点,提高了异常数据点的检测的精确度,且该方法的实施过程较为简便,易于在各种大数据现场执行。
附图说明
图1为根据本发明实施例提供的一种数据中的异常数据点的检测方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为根据本发明实施例提供的一种数据中的异常数据点的检测方法流程图,如图1所示,该方法包括:
S1,对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;
S2,根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;
S3,基于所有归一距离分布,检测出所述数据中的异常数据点。针对现有技术中对于异常数据点的检测存在不精确的问题,本实施例在初步确定了数据点的近邻点集合后,利用统计学思想来检测近邻点集合中的异常近邻点。
数据由多个数据点组成,本实施例的目的在于检测数据中的异常数据点。令数据P为P={p1,p2,...,pn},p1,p2,...,pn为多个数据点。数据的总属性集合R为R=(A1,A2,…,An),A1,A2,…,An为多个属性,将总属性集合人为地划分为第一属性集合和第二属性集合。例如,将第一属性集合称为X集合,将第二属性集合称为Y集合,X集合可以为X=(A1,A2,…,Am),Y集合可以为Y=(Am+1,Am+2,…,An)。值得注意的是,第一属性集合与第二属性集合交集必须为空集,但两者的并集不必等于数据的总属性集合R。
检测数据中的异常数据点的方法为:对于数据中的每一数据点,根据第一属性集合,获取数据点的近邻点集合。其中,近邻点集合可以为空集,也可以包括一个或多个近邻点。若近邻点集合为空集,则判定该数据点为异常数据点;若近邻点集合包括一个或多个近邻点,则需对近邻点集合进行后续处理,以检测出所述数据中的异常数据点。
其中,近邻点是指与数据点在第一属性集合上的距离小于预设距离阈值的数据点。需要说明的是,本实施例以及以下实施例中的距离均指属性距离。例如,将第一属性集合称为X集合,将第二属性集合称为Y集合,对于数据点称为pi,数据点pj与数据点pi在X集合上的距离为若该距离小于预设距离阈值d,则将数据点pj作为数据点pi的近邻点。按照上述方法,获取数据点pi与数据中的其他数据点中每一数据点的距离,进而获取数据点pi的近邻点集合。
对于数据点pi的近邻点集合,获取数据点pi与自身的近邻点集合的归一距离分布。其中,归一距离分布是指归一距离的分布函数,归一距离为数据点pi的近邻点集合中的各个近邻点与数据点pi在Y集合上的距离归一化之后得到的值。
对于数据中的所有数据点,按照上述过程获取所有数据点中的每一数据点的近邻点集合,集合获取每一数据点与自身的近邻点集合的归一距离分布。根据所有归一距离分布,检测出所述数据中的异常数据点。
本实施例提供的一种数据中的异常数据点的检测方法,通过初步确定数据点的近邻点集合后,利用统计学思想检测近邻点集合中的异常近邻点,遍历所有的数据点,将异常近邻点检测结果进行聚合操作,检测得到最终的异常数据点,提高了异常数据点的检测的精确度,且该方法的实施过程较为简便,易于在各种大数据现场执行。
基于上述实施例,步骤S1之前还包括:
获取所述数据的总属性集合,将所述总属性集合划分为所述第一属性集合和所述第二属性集合;其中,所述第一属性集合和所述第二属性集合的交集为空集。
具体地,数据的属性集合R为R=(A1,A2,…,An),将第一属性集合称为X集合,将第二属性集合称为Y集合,
需要说明的是,X集合与Y集合的并集可以为属性集合R,也可为属性集合R的子集。
基于上述实施例,本实施例对步骤S1进行进一步说明,步骤S1进一步包括:
S11,对于所述数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点与所述数据中的每一其他数据点间的距离值;
S12,在所有距离值中,将所述所有距离值中的最大值作为最大距离值;
S13,将每一距离值与所述最大距离值进行除法运算,以获取所述数据点与所述每一其他数据点间的归一距离值;
S14,将每一归一距离值与预设距离阈值进行比对,若所述归一距离值小于所述预设距离阈值,则将所述归一距离值对应的其他数据点作为所述数据点的近邻点;并将所述数据点的所有近邻点,作为所述数据点的近邻点集合。
需要说明的是,本实施例中的距离值与前后文中的距离的含义相同。
本实施例的目的在于获取数据点的近邻点集合,需要说明的是,数据点的近邻点集合是指:在该数据点所在的数据中,与该数据点在第一属性集合上的距离值小于预设距离阈值的数据点。
例如,若数据由p1、p2、p3、p4和p5这五个数据点组成,对于数据点p1,获取p1和p2间的距离值、p1和p3间的距离值、p1和p4间的距离值、p1和p5间的距离值。
在上述四个距离值中,找到最大的距离值作为最大距离值。并将每个距离值除以最大距离值以归一化,进而获取p1和p2间的归一距离值、p1和p3间的归一距离值、p1和p4间的归一距离值、p1和p5间的归一距离值。
将上述四个归一距离值中的每一个归一距离值与预设距离阈值d进行比对,若某一个归一距离值小于该预设距离阈值d,则将该归一距离值对应的数据点作为数据点p1的近邻点;并将数据点p1的所有近邻点,作为数据点p1的近邻点集合。
基于上述实施例,步骤S2进一步包括:
S21,根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合中每一近邻点的距离值;
S22,在所有距离值中,将所述所有距离值中的最大值作为最大距离值;
S23,将每一距离值与所述最大距离值进行除法运算,以获取所述数据点与所述每一近邻点间的归一距离值;
S24,根据所有归一距离值,获取所述数据点与自身的近邻点集合的归一距离分布。
本实施例的目的在于获取数据点与自身的近邻点集合的归一距离分布,以根据所有数据点中每一数据点与自身的归一距离分布,检测出数据中的异常数据点。
基于上述实施例,步骤S3进一步包括:
S31,根据预设的显著性水平,获取所述归一距离分布的置信区间;
S32,获取所述数据点与自身的近邻点集合中的每一近邻点间的归一距离值;
S33,将所有归一距离值中的每一归一距离值与置信区间进行比对,将归一距离值位于所述置信区间外的近邻点标记为异常近邻点;
S34,遍历所有数据点,重复步骤S31-S33,统计每个数据点被标记为异常近邻点的次数,若所述次数大于预设个数阈值,则将对应的数据点判定为异常数据点。
本实施例的目的在于基于所有归一距离分布,检测数据中的异常数据点。
例如,数据点p1的近邻点集合由p2、p3、p4、p5和p6这五个近邻点组成,上述实施例中统计得到的数据点p1与自身的近邻点集合的归一距离分布为正态分布,根据给定的显著性水平α=0.0026,可利用3-sigma原则计算出该归一距离分布的置信区间I=[0.04,0.16]。
基于上述实施例,本实施例一种数据中的异常数据点的检测系统,包括:
近邻点集合确定模块,对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;
归一距离分布确定模块,用于根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;
异常数据点确定模块,用于基于所有归一距离分布,检测出所述数据中的异常数据点。
需要说明的是,上述近邻点集合确定模块、归一距离分布确定模块和异常数据点确定模块配合以执行上述实施例中的一种数据中的异常数据点的检测方法,该系统的具体功能参见上述的存储方法的实施例,此处不再赘述。
本发明实施例提供一种计算机设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行上述各方法实施例所提供的方法,例如包括:对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;基于所有归一距离分布,检测出所述数据中的异常数据点。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;基于所有归一距离分布,检测出所述数据中的异常数据点。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;基于所有归一距离分布,检测出所述数据中的异常数据点。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本发明的方案仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种数据中的异常数据点的检测方法,其特征在于,包括:
S1,对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;
S2,根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;
S3,基于所有归一距离分布,检测出所述数据中的异常数据点。
2.根据权利要求1所述的方法,其特征在于,步骤S1之前还包括:
S0,获取所述数据的总属性集合,将所述总属性集合划分为所述第一属性集合和所述第二属性集合;其中,所述第一属性集合和所述第二属性集合的交集为空集。
3.根据权利要求1所述的方法,其特征在于,步骤S1进一步包括:
S11,对于所述数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点与所述数据中的每一其他数据点间的距离值;
S12,在所有距离值中,将所述所有距离值中的最大值作为最大距离值;
S13,将每一距离值与所述最大距离值进行除法运算,以获取所述数据点与所述每一其他数据点间的归一距离值;
S14,将每一归一距离值与预设距离阈值进行比对,若所述归一距离值小于所述预设距离阈值,则将所述归一距离值对应的其他数据点作为所述数据点的近邻点;并将所述数据点的所有近邻点,作为所述数据点的近邻点集合。
4.根据权利要求1所述的方法,其特征在于,步骤S2进一步包括:
S21,根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合中每一近邻点的距离值;
S22,在所有距离值中,将所述所有距离值中的最大值作为最大距离值;
S23,将每一距离值与所述最大距离值进行除法运算,以获取所述数据点与所述每一近邻点间的归一距离值;
S24,根据所有归一距离值,获取所述数据点与自身的近邻点集合的归一距离分布。
5.根据权利要求4所述的方法,其特征在于,步骤S3进一步包括:
S31,根据预设的显著性水平,获取所述归一距离分布的置信区间;
S32,获取所述数据点与自身的近邻点集合中的每一近邻点间的归一距离值;
S33,将所有归一距离值中的每一归一距离值与置信区间进行比对,将归一距离值位于所述置信区间外的近邻点标记为异常近邻点;
S34,遍历所有数据点,重复步骤S31-S33,统计每个数据点被标记为异常近邻点的次数,若所述次数大于预设个数阈值,则将对应的数据点判定为异常数据点。
6.一种数据中的异常数据点的检测系统,其特征在于,包括:
近邻点集合确定模块,对于数据中的每一数据点,根据所述数据的第一属性集合,获取所述数据点的近邻点集合;
归一距离分布确定模块,用于根据所述数据的第二属性集合,获取所述数据点与自身的近邻点集合的归一距离分布;
异常数据点确定模块,用于基于所有归一距离分布,检测出所述数据中的异常数据点。
7.一种计算机设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至5任一所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114099.6A CN108229586B (zh) | 2018-02-05 | 2018-02-05 | 一种数据中的异常数据点的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114099.6A CN108229586B (zh) | 2018-02-05 | 2018-02-05 | 一种数据中的异常数据点的检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229586A true CN108229586A (zh) | 2018-06-29 |
CN108229586B CN108229586B (zh) | 2019-02-05 |
Family
ID=62670682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810114099.6A Active CN108229586B (zh) | 2018-02-05 | 2018-02-05 | 一种数据中的异常数据点的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229586B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325061A (zh) * | 2018-08-24 | 2019-02-12 | 北京天元创新科技有限公司 | 一种基于概率分布的异常数据处理方法及装置 |
CN109344913A (zh) * | 2018-10-31 | 2019-02-15 | 中国刑事警察学院 | 一种基于改进MajorClust聚类的网络入侵行为检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587702B1 (en) * | 1999-01-22 | 2003-07-01 | Instrumentation Metrics, Inc | Classification and characterization of tissue through features related to adipose tissue |
CN106650297A (zh) * | 2017-01-06 | 2017-05-10 | 南京航空航天大学 | 一种无领域知识的卫星分系统异常检测方法 |
-
2018
- 2018-02-05 CN CN201810114099.6A patent/CN108229586B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587702B1 (en) * | 1999-01-22 | 2003-07-01 | Instrumentation Metrics, Inc | Classification and characterization of tissue through features related to adipose tissue |
CN106650297A (zh) * | 2017-01-06 | 2017-05-10 | 南京航空航天大学 | 一种无领域知识的卫星分系统异常检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325061A (zh) * | 2018-08-24 | 2019-02-12 | 北京天元创新科技有限公司 | 一种基于概率分布的异常数据处理方法及装置 |
CN109344913A (zh) * | 2018-10-31 | 2019-02-15 | 中国刑事警察学院 | 一种基于改进MajorClust聚类的网络入侵行为检测方法 |
CN109344913B (zh) * | 2018-10-31 | 2022-03-08 | 中国刑事警察学院 | 一种基于改进MajorClust聚类的网络入侵行为检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108229586B (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101799603B1 (ko) | 플라즈마 프로세싱 시스템 내에서의 자동적인 결함 검출 및 분류와 그 방법 | |
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
Mondal et al. | A comparative study on the bug-proneness of different types of code clones | |
CN105824748B (zh) | 用于确定测试用例效率的方法和系统 | |
CN112181758B (zh) | 一种基于网络拓扑及实时告警的故障根因定位方法 | |
CN103606221B (zh) | 清分机故障自动诊断方法以及装置 | |
CN112528975A (zh) | 工业质检方法、装置和计算机可读存储介质 | |
CN105677572B (zh) | 基于自组织映射模型云软件性能异常错误诊断方法与系统 | |
US11580425B2 (en) | Managing defects in a model training pipeline using synthetic data sets associated with defect types | |
CN110275878B (zh) | 业务数据检测方法、装置、计算机设备及存储介质 | |
CN107247849A (zh) | 基于比例故障率模型优化机械系统的维护方法及系统 | |
US20220092359A1 (en) | Image data classification method, device and system | |
CN108229586B (zh) | 一种数据中的异常数据点的检测方法及系统 | |
CN108197254A (zh) | 一种基于近邻的数据修复方法 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
CN112199295B (zh) | 一种基于频谱的深度神经网络缺陷定位方法及系统 | |
CN111538654B (zh) | 一种软件可靠性测试方法、系统、存储介质 | |
Sae-Lim et al. | Toward proactive refactoring: An exploratory study on decaying modules | |
CN116618878A (zh) | 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 | |
CN111767546A (zh) | 一种基于深度学习的输入结构推断方法和装置 | |
CN115510998A (zh) | 交易异常值检测方法及装置 | |
CN103632232B (zh) | 一种产品的检测方法和设备 | |
CN107402883B (zh) | 一种数据测试处理方法和装置 | |
JP2016091138A (ja) | ソースコード検証システム | |
CN108763092B (zh) | 一种基于交叉验证的代码缺陷检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |