CN109977014A - 基于区块链的代码错误识别方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供了一种基于区块链的代码错误识别方法、代码错误识别装置、电子设备及计算机可读存储介质，属于区块链技术领域。该方法包括：获取目标代码；将所述目标代码转换为特征张量；基于代码错误识别模型，对所述特征张量进行处理，得到所述目标代码的错误类型，其中，所述代码错误识别模型为根据区块链网络中存储的代码案例数据训练而得到的机器学习模型；将所述目标代码数据写入所述区块链网络。本公开可以实现智能化的代码错误识别，提高效率，降低人力成本，并且改善代码管理的安全性。

Description

基于区块链的代码错误识别方法、装置、设备及存储介质

技术领域

本公开涉及区块链技术领域，尤其涉及一种基于区块链的代码错误识别方法、基于区块链的代码错误识别装置、电子设备与计算机可读存储介质。

背景技术

在计算机、软件、互联网等行业的企业中，编写代码是非常重要、非常基础的工作，在编写代码的过程中，不可避免地会出现错误，导致代码无法正常运行，因此需要对代码进行纠错。目前企业中的代码纠错工作主要由程序员人工完成，程序员依据代码规则与经验逐行检查代码中的错误，这样的方式非常低效，且耗费大量人力成本。

因此，有必要提出一种代码错误识别方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种基于区块链的代码错误识别方法、基于区块链的代码错误识别装置、电子设备与计算机可读存储介质，进而至少在一定程度上克服现有技术依靠人工纠错而导致的低效、高人力成本的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种基于区块链的代码错误识别方法，包括：获取目标代码；将所述目标代码转换为特征张量；基于代码错误识别模型，对所述特征张量进行处理，得到所述目标代码的错误类型，其中，所述代码错误识别模型为根据区块链网络中存储的代码案例数据训练而得到的机器学习模型；将所述目标代码数据写入所述区块链网络。

在本公开的一种示例性实施例中，所述特征张量包括词向量矩阵；所述将所述目标代码转换为特征张量，包括：对所述目标代码进行预处理；对预处理后的所述目标代码进行分词，并将得到的词进行向量转换，以生成所述词向量矩阵。

在本公开的一种示例性实施例中，所述预处理包括以下任意一种或多种：将所述目标代码中每个引号内的全部字符替换为占位符；移除所述目标代码中的符号；以及对所述目标代码填充预设字符，以使所述目标代码达到标准长度。

在本公开的一种示例性实施例中，所述方法还包括：从区块链网络中存储的代码案例数据中获取多组训练数据，所述训练数据包括样本代码以及所述样本代码对应的样本错误类型；利用所述训练数据训练所述机器学习模型，以得到所述代码错误识别模型。

在本公开的一种示例性实施例中，所述方法还包括：从所述代码案例数据中获取解决方案，并基于所述样本错误类型与所述解决方案之间的关联关系，构建解决方案关联表；所述基于代码错误识别模型，对所述特征张量进行处理，得到所述目标代码的错误类型之后，所述方法还包括：根据所述目标代码的错误类型，在解决方案关联表中查找所述目标代码对应的解决方案。

在本公开的一种示例性实施例中，所述机器学习模型包括文本卷积神经网络模型。

根据本公开的一个方面，提供一种基于区块链的代码错误识别装置，包括：代码获取模块，用于获取目标代码；张量转换模块，用于将所述目标代码转换为特征张量；错误识别模块，用于基于代码错误识别模型，对所述特征张量进行处理，得到所述目标代码的错误类型，其中，所述代码错误识别模型为根据区块链网络中存储的代码案例数据训练而得到的机器学习模型；数据写入模块，用于将所述目标代码写入所述区块链网络。

在本公开的一种示例性实施例中，所述特征张量包括词向量矩阵；所述张量转换模块包括：预处理单元，用于对所述目标代码进行预处理；向量转换单元，用于对预处理后的所述目标代码进行分词，并将得到的词进行向量转换，以生成所述词向量矩阵。

在本公开的一种示例性实施例中，所述预处理包括以下任意一种或多种：将所述目标代码中每个引号内的全部字符替换为占位符；移除所述目标代码中的符号；以及对所述目标代码填充预设字符，以使所述目标代码达到标准长度。

在本公开的一种示例性实施例中，所述装置还包括模型训练模块，用于从区块链网络中存储的代码案例数据中获取多组训练数据，所述训练数据包括样本代码以及所述样本代码对应的样本错误类型，并利用所述训练数据训练所述机器学习模型，以得到所述代码错误识别模型。

在本公开的一种示例性实施例中，所述装置还包括：关联表构建模块，用于从所述代码案例数据中获取解决方案，并基于所述样本错误类型与所述解决方案之间的关联关系，构建解决方案关联表；方案获取模块，用于根据所述目标代码的错误类型，在解决方案关联表中查找所述目标代码对应的解决方案。

在本公开的一种示例性实施例中，所述目标代码的错误类型为机器识别结果；所述数据写入模块用于获取所述目标代码的人工处理结果，如果所述人工处理结果与所述机器识别结果不匹配，则将所述目标代码与所述人工处理结果作为新的案例数据写入所述区块链网络。

在本公开的一种示例性实施例中，所述机器学习模型包括文本卷积神经网络模型。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开的示例性实施例具有以下有益效果：

将目标代码转换为特征张量，并通过代码错误识别模型识别其错误类型，并将目标代码写入区块链网络中进行存储。一方面，代码错误识别模型为根据代码案例数据训练得到的机器学习模型，可以学习代码与错误类型的关联关系，从而智能化地识别出待识别代码的错误类型，提高了错误识别的速度与效率，并降低了人力成本。另一方面，本示例性实施例通过区块链网络存储代码，可以防止代码数据的丢失或篡改，提高代码的管理效率，有利于后续的回查调用。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本示例性实施例的一种运行环境的系统架构图；

图2示出本示例性实施例中一种代码错误识别方法的流程步骤图；

图3示出本示例性实施例中一种代码错误识别方法的流程示意图；

图4示出本示例性实施例中一种代码错误识别装置的结构框图；

图5示出本示例性实施例中一种用于实现上述方法的电子设备；

图6示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了本公开的示例性实施例运行环境的系统架构图。如图1所示，该系统100可以包括多个成员节点101，形成区块链网络110。区块链网络110可以是联盟链或私有链，用于存储及管理各成员节点101的目标代码，各成员节点101可以企业中的计算机或服务器(例如需要进行代码错误识别的员工电脑)，基于一定的共识机制上传、存储与更新区块链网络110中的数据，或者对新增成员节点101进行表决与校验，区块链网络110中的数据可以是代码相关的数据，例如源代码、代码测试结果、代码错误信息、纠错信息等。

在一示例性实施例中，系统100还可以包括管理节点102，可以是企业中级别较高的计算机或服务器(例如运行项目主程序的服务器)，以承担对区块链网络110中新增的成员节点101进行校验管理的任务，或者对各成员节点101上传到区块链网络110的数据进行必要性校验。

应当理解，图1所示的各节点数目仅是示例性的，根据实际需要，可以设置任意数目的成员节点101，管理节点102也可以是由多个节点组成的集群。本公开对此不做特别限定。

根据图1所示的系统，本公开的示例性实施例提供了一种基于区块链的代码错误识别方法，该方法可以以代码测试系统的形式实现，该系统是与区块链网络关联的系统，且该系统可以置于区块链网络110中的任意一个或多个成员节点101上，或置于管理节点102上，因此成员节点101或管理节点102都可以是本示例性实施例的执行主体。图2示出了该方法的流程，可以包括以下步骤S210～S240：

步骤S210，获取目标代码。

其中，目标代码可以是需要进行错误识别的源代码，本示例性实施例对于编写代码的语言不做限定，系统可以支持对所有类型的程序语言进行错误识别，也可以根据实际应用场景，支持特定的一种或几种程序语言。

本示例性实施例中，可以由区块链网络中的成员节点将目标代码上传至系统中，也可以设置系统与代码数据库之间的关联，当数据库中写入新的代码后，将其同步至系统中以进行错误识别，还可以通过其他方式使系统获取目标代码，本公开对此不做特别限定。

在一示例性实施例中，在获取目标代码后，系统可以生成新的处理任务，并设置任务编号，基于编号管理每一次代码错误识别的处理过程。

步骤S220，将目标代码转换为特征张量。

其中，特征张量是对目标代码提取特征信息后所得到的张量，可以是一维张量(如向量)、二维张量(如矩阵)等形式，通过多维度数值的形式对目标代码进行全面性地表示。下面对转换特征张量的方法进行示例性说明，当然，不限于具体示例，本公开对于转换方法不做限定。

在一示例性实施例中，可以预先定义多个维度，从待识别代码中提取各维度的信息，并进行数值化转换，也可以进行一定的规范化处理，得到各维度下规范化的数值，从而生成待识别代码的特征向量，即一维特征张量。

在一示例性实施例中，可以对待识别代码进行结构分析，生成由各语法单元组成的抽象语法树，再根据各语法单元处于抽象语法树中的节点位置，确定各语法单元的语法类型，利用预先设定的语法类型编码对各语法单元进行编码，转换为数值型字符，再进一步按照其在待识别代码中的顺序组合为特征张量。

在一示例性实施例中，特征张量也可以是特征矩阵的形式，举例说明，将待识别代码中的字符进行unicode(统一码)编码，将每个字符的编码结果在纵向上进行组合，以得到待识别代码的特征矩阵，即二维特征张量。

步骤S230，基于代码错误识别模型，对特征张量进行处理，得到目标代码的错误类型。

其中，代码错误识别模型为根据区块链网络中存储的代码案例数据训练而得到的机器学习模型。代码案例数据是指代码纠错案例相关的数据，每个案例中可以包括代码、错误类型以及解决方案，由各成员节点上传并存储至区块链网络中。代码错误识别模型可以以目标代码的特征张量为输入，以识别出的错误类型为输出，错误类型是对代码错误进行分类结果，例如可以表现为错误编码的形式，每一种错误编码对应于一类代码错误。在确定目标代码的错误类型后，有利于程序员针对性地解决代码中的错误。

步骤S240，将目标代码写入区块链网络。

本示例性实施例中，系统可以记录管理每个目标代码的当前处理状态或处理进度，例如步骤S210中成员节点将目标代码上传至系统中，系统可以标记为“待处理”，在进行步骤S220与S230后，系统可以标记为“已识别”，然后程序员人工修改代码使得问题解决后，系统可以标记为“已解决”，对于已解决的目标代码，可以将代码以及处理过程中的相关信息写入区块链网络中，当然也可以将待处理或已识别状态的目标代码写入区块链网络中，后续如果产生新的信息，则以新增数据的形式继续写入区块链网络中。可见，步骤S210～S230为一次代码错误识别的过程，步骤S240可以以该过程为一次代码纠错案例，将相关的信息数据写入区块链网络中，以便于日后查阅调用。因此，本示例性实施例对于各步骤的先后顺序不做限定，例如可以在步骤S210之后执行步骤S240，然后再执行步骤S220与S230。

在区块链网络中，可以为每一次代码纠错案例生成一个新区块，在步骤S240中，如果目标代码为新的案例，则可以在区块链网络的尾部生成新区块，将目标代码写入该区块，后续与目标代码相关的信息数据也写入该区块。系统可以在每个区块的区块头中记录任务编号，使得每个区块对应于一次代码纠错案例，以便于索引，如果在处理过程中，同一案例包含了多个版本的代码，可以将其写入同一区块，以便于管理。

需要补充的是，在将数据写入区块链网络时，可以进行一定的加密，例如通过哈希加密的方式加密后写入。以下通过实例说明：成员节点向系统上传用于错误识别的目标代码，则区块链网络中可以产生一个新区块，如表1所示，新区块中可以包含以下信息：任务编号、经手人员的姓名或员工号、隐私授权、日期、经手人员公开的密钥与签字、待识别代码、处理状态、相关证明信息材料(如图片、视频)及其存放链接等。后续如果有人员访问该区块中的数据，可以记录其公开密钥。其中部分信息(通常是较为重要的信息)可以以哈希指针链接的形式存储。

表1

基于上述说明，本示例实施方式中，将目标代码转换为特征张量，并通过代码错误识别模型识别其错误类型，并将目标代码写入区块链网络中进行存储。一方面，代码错误识别模型为根据代码案例数据训练得到的机器学习模型，可以学习代码与错误类型的关联关系，从而智能化地识别出待识别代码的错误类型，提高了错误识别的速度与效率，并降低了人力成本。另一方面，本示例性实施例通过区块链网络存储代码，可以防止代码数据的丢失或篡改，提高代码的管理效率，有利于后续的回查调用。

在一示例性实施例中，特征张量可以是词向量矩阵的形式，相应的，步骤S220可以通过以下步骤实现：

对目标代码进行预处理；

对预处理后的目标代码进行分词，并将得到的词进行向量转换，以生成词向量矩阵。

其中，预处理可以包括以下任意一种或多种处理方法：

(1)将目标代码中每个引号内的全部字符替换为占位符，占位符用于表示这一部分字符为引用内容，引用内容对于代码的语法通常无实际影响，在进行错误识别时可以不考虑，占位符可以采用“strp”、“quote”、“quote％”等具体字符表示。

(2)移除目标代码中的符号。在代码语言中，符号通常用于表示间隔、换行或定义字符类型等，对代码的语法影响较小，将其移除后并不改变代码的原有语义。例如，在保证原有代码语法的基础上可以采用正则表达式[\w']+|[""！"#$％&'()*+,-./:；<＝>？@[\]^_`{|}～""\\]来提取目标代码中的符号并进行移除；当然，如果目标代码中存在对语法有重要影响的符号，则可以保留这些符号。

(3)对目标代码填充预设字符，以使目标代码达到标准长度。标准长度是为所有目标代码设置的统一标准，使得目标代码具有统一的长度，以便于后续处理，标准长度可以是标准字符数、标准词数、标准字节(byte)数等形式。当目标代码长度不足时，可以填充预设字符，预设字符可以是特定的专门用于表示填充的字符，例如“fill％”、“f％”、“0”等，可以预先在系统中自定义。

应当理解，以上3种方法仅是对于预处理进行举例说明，实际应用中也可以对其进行组合使用，或者采用其他预处理方法，例如：自动纠正目标代码中的拼写错误，将目标代码进行分段等等，本公开对此不做特别限定。

在预处理后，可以对目标代码分词，分词可以以代码的词素为基准，词素是指代码中具备完整含义的最小语言单位，例如各种函数名、自变量、运算符等。然后将每个词转换为词向量，词向量是对词所进行的一种编码，用于以语法或语义的特征维度的形式对词进行表示，本示例性实施例中，可以通过预先训练的嵌入层、one-hot(独热)编码的方式或者利用word2vec(一种词向量化工具)等实现词向量转换。完成词向量转换后，将每个词的词向量进行组合，可以得到目标代码的词向量矩阵，词向量矩阵包含了目标代码中每个词的特征信息，可以更加全面充分地对目标代码进行表示。

在一示例性实施例中，得到词向量矩阵的过程也可以通过以下步骤实现：对目标代码进行预处理后，然后将预处理后的目标代码转换为文本特征向量，再通过预先建立的文本与词向量之间的映射层，将文本特征向量转换为词向量矩阵。

在一示例性实施例中，如图3所示，代码错误识别方法还可以包括以下用于训练错误识别模型的步骤：

步骤S310，从区块链网络中存储的代码案例数据中获取多组训练数据，训练数据包括样本代码以及样本代码对应的样本错误类型；

步骤S320，利用训练数据训练机器学习模型，以得到代码错误识别模型。

其中，样本代码为历史案例中的源代码，在本实施例中为训练数据的输入数据；样本错误类型可以是历史案例中人工检测所得到的错误类型，在本实施例中作为训练数据的标注数据；因此，样本代码与样本错误类型是对应成组的。在训练模型时，可以采用步骤S220的方法将样本代码转换为样本特征张量，输入到机器学习模型中，通过迭代调整模型中的参数，使得模型输出的结果接近于标注数据，最终如果模型在训练数据中的验证集上达到一定的准确率，则表示训练完成。本示例性实施例中，用于分类的机器学习模型都适于作为本实施例的代码错误识别模型，例如神经网络模型，支持向量积模型等。

在一示例性实施例中，也可以采用文本卷积神经网络模型，可以通过卷积的方式处理文本信息，模型中通常包含嵌入层，可以处理one-hot形式的字符编码，将其转换为具有语义特征的中间向量，再进行特征处理，最后得到错误类型。因此，在将代码转换为特征张量时，可以依据代码词库对代码中的词素进行one-hot编码，这种转换方式较为简单，转换效率很高。可见，文本卷积神经网络模型具有较高的处理效率，且通过卷积的方式可以提取代码中的局部特征，有利于实现较高的准确率。

进一步的，在一示例性实施例中，参考上述图3所示，代码错误识别方法还可以包括以下步骤：

步骤S330，从代码案例数据中获取解决方案，并基于样本错误类型与解决方案之间的关联关系，构建解决方案关联表；

相应的，在步骤S230之后，代码错误识别方法还可以包括以下步骤：

步骤S231，根据目标代码的错误类型，在解决方案关联表中查找目标代码对应的解决方案。

其中，解决方案关联表是基于大量代码案例数据所总结的各种错误类型与解决方案之间的关联关系，关联表中可以记录每类错误适合于采取哪种解决方案。通过区块链网络中采集的代码案例数据，找出每个案例中代码的错误类型与对应的解决方案，从而可以建立关联表，当有新的错误类型和解决方案出现时可以添加到该表中，以实现表的更新。在关联表中，一类错误可以对应于多种解决方案，或者一种解决方案可以用于解决多类错误，即二者之间可以是“一对多”、“多对一”或“多对多”等情况，本公开对此不做特别限定。基于关联表中的关联关系，可以查找目标代码的错误类型所对应的解决方案，从而提供解决建议，有利于程序员解决代码错误问题。

在一示例性实施例中，关联表也可以记录每类错误和解决方案之间的匹配度，例如根据案例中解决的次数计算匹配度，则在步骤S231中，可以查找匹配度最高的解决方案。

由上可知，目标代码的错误类型是由代码错误识别模型预测的结果，可视为机器识别结果；在一示例性实施例中，参考上述图3所示，步骤S240可以包括以下步骤：

步骤S241，获取目标代码的人工处理结果，如果人工处理结果与机器识别结果不匹配，则将目标代码与人工处理结果作为新的案例数据写入区块链网络。

其中，在通过代码错误识别模型提供目标代码的错误类型，或者通过解决方案关联表提供目标代码的解决方案后，可以由程序员人工介入，进行后续处理，在处理后向系统上传人工处理结果。系统在获取人工处理结果后，与机器识别结果进行匹配，以确认人工处理结果是否为根据机器识别结果所进行的处理结果，换而言之，系统检测机器识别结果是否正确，如果不匹配，说明采取了其他的人工处理方式，机器识别结果可能不正确，可以将目标代码与人工处理结果标记为新的案例数据，并写入区块链网络，可用于后续优化训练代码错误识别模型，或者更新解决方案关联表，人工处理结果可作为目标代码所对应的标注数据。

在一示例性实施例中，如果人工处理结果与机器识别结果匹配，也可以将写入区块链网络，可作为一般数据，也可以标记为案例数据，本公开对此不做特别限定。

通过上述步骤，将处理后的代码数据写入区块链网络，区块链网络中所存储的代码案例数据不断增多，可以周期性地，以区块链网络中的代码案例数据训练并优化代码错误识别模型，从而通过闭环的方式实现模型的不断更新，提高错误识别的准确率。

本公开的示例性实施例还提供了一种基于区块链的代码错误识别装置，如图4所示，该装置400可以包括：代码获取模块410，用于获取目标代码；张量转换模块420，用于将目标代码转换为特征张量；错误识别模块430，用于基于代码错误识别模型，对特征张量进行处理，得到目标代码的错误类型，其中，代码错误识别模型为根据区块链网络中存储的代码案例数据训练而得到的机器学习模型；数据写入模块440，用于将目标代码写入区块链网络。

在一示例性实施例中，特征张量可以是词向量矩阵；张量转换模块可以包括：预处理单元，用于对目标代码进行预处理；向量转换单元，用于对预处理后的目标代码进行分词，并将得到的词进行向量转换，以生成词向量矩阵。

在一示例性实施例中，预处理可以包括以下任意一种或多种：将目标代码中每个引号内的全部字符替换为占位符；移除目标代码中的符号；以及对目标代码填充预设字符，以使目标代码达到标准长度。

在一示例性实施例中，代码错误识别装置还可以包括模型训练模块，用于从区块链网络中存储的代码案例数据中获取多组训练数据，训练数据包括样本代码以及样本代码对应的样本错误类型，并利用训练数据训练机器学习模型，以得到代码错误识别模型。

在一示例性实施例中，代码错误识别装置还可以包括：关联表构建模块，用于从代码案例数据中获取解决方案，并基于样本错误类型与解决方案之间的关联关系，构建解决方案关联表；方案获取模块，用于根据目标代码的错误类型，在解决方案关联表中查找目标代码对应的解决方案。

在一示例性实施例中，目标代码的错误类型为机器识别结果；数据写入模块可以用于获取目标代码的人工处理结果，如果人工处理结果与机器识别结果不匹配，则将目标代码与人工处理结果作为新的案例数据写入区块链网络。

在一示例性实施例中，机器学习模型可以是文本卷积神经网络模型。

上述各模块的具体细节在方法部分的实施例中已经详细说明，因此不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本公开的这种示例性实施例的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。

其中，存储单元存储有程序代码，程序代码可以被处理单元510执行，使得处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元510可以执行图2或图3所示的方法步骤等。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)521和/或高速缓存存储单元522，还可以进一步包括只读存储单元(ROM)523。

存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524，这样的程序模块525包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口560进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图6所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种基于区块链的代码错误识别方法，其特征在于，包括：

获取目标代码；

将所述目标代码转换为特征张量；

基于代码错误识别模型，对所述特征张量进行处理，得到所述目标代码的错误类型，其中，所述代码错误识别模型为根据区块链网络中存储的代码案例数据训练而得到的机器学习模型；

将所述目标代码数据写入所述区块链网络。

2.根据权利要求1所述的方法，其特征在于，所述特征张量包括词向量矩阵；

所述将所述目标代码转换为特征张量，包括：

对所述目标代码进行预处理；

对预处理后的所述目标代码进行分词，并将得到的词进行向量转换，以生成所述词向量矩阵。

3.根据权利要求2所述的方法，其特征在于，所述预处理包括以下任意一种或多种：

将所述目标代码中每个引号内的全部字符替换为占位符；

移除所述目标代码中的符号；以及

对所述目标代码填充预设字符，以使所述目标代码达到标准长度。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从区块链网络中存储的代码案例数据中获取多组训练数据，所述训练数据包括样本代码以及所述样本代码对应的样本错误类型；

利用所述训练数据训练所述机器学习模型，以得到所述代码错误识别模型。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

从所述代码案例数据中获取解决方案，并基于所述样本错误类型与所述解决方案之间的关联关系，构建解决方案关联表；

所述基于代码错误识别模型，对所述特征张量进行处理，得到所述目标代码的错误类型之后，所述方法还包括：

根据所述目标代码的错误类型，在解决方案关联表中查找所述目标代码对应的解决方案。

6.根据权利要求1所述的方法，所述目标代码的错误类型为机器识别结果；

所述将所述目标代码写入所述区块链网络，包括：

获取所述目标代码的人工处理结果，如果所述人工处理结果与所述机器识别结果不匹配，则将所述目标代码与所述人工处理结果作为新的案例数据写入所述区块链网络。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述机器学习模型包括文本卷积神经网络模型。

8.一种基于区块链的代码错误识别装置，其特征在于，包括：

代码获取模块，用于获取目标代码；

张量转换模块，用于将所述目标代码转换为特征张量；

错误识别模块，用于基于代码错误识别模型，对所述特征张量进行处理，得到所述目标代码的错误类型，其中，所述代码错误识别模型为根据区块链网络中存储的代码案例数据训练而得到的机器学习模型；

数据写入模块，用于将所述目标代码写入所述区块链网络。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。