CN110442523A - 一种跨项目软件缺陷预测方法 - Google Patents
一种跨项目软件缺陷预测方法 Download PDFInfo
- Publication number
- CN110442523A CN110442523A CN201910721866.4A CN201910721866A CN110442523A CN 110442523 A CN110442523 A CN 110442523A CN 201910721866 A CN201910721866 A CN 201910721866A CN 110442523 A CN110442523 A CN 110442523A
- Authority
- CN
- China
- Prior art keywords
- source file
- java source
- feature
- vector
- textcnn
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Stored Programmes (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开一种跨项目软件缺陷预测方法,涉及数据处理技术领域。针对软件缺陷预测过程经常受阻、且往往会出现类别分布不平衡的问题,采用方案基于TextCNN和Borderline‑SMOTE算法,包括训练阶段和预测阶段。在训练阶段,基于Java源文件的已知维度特征、语义信息特征、以及存在的软件缺陷,进行Word2vec模型、TextCNN、逻辑回归分类器的训练,在预测阶段,则直接利用训练好的Word2vec模型、TextCNN、逻辑回归分类器的进行目标Java源文件的预测,并最终预测输出目标Java源文件的软件缺陷数量。本发明的预测方法提高了预测的准确率和提高训练速度,不仅限于对同项目的软件缺陷进行预测,还可以用于跨项目的软件缺陷进行预测。
Description
技术领域
本发明涉及数据处理技术领域,具体的说是一种跨项目软件缺陷预测方法。
背景技术
软件缺陷在工业界和学术界,也被称为软件故障或软件错误等。NASA对软件缺陷的定义是:软件无法完成预期指定的功能。软件缺陷在软件开发过程中不可避免产生,根据微软研究院调查发现,每个应用软件在内部测试的时候平均1000行代码会存在10到20个软件缺陷,在已经发布的软件产品中,每1000行代码会存在0.5个软件缺陷,而为了修复已经发布软件产品中的一个软件缺陷,将花费50到200倍的成本。因此,如何帮助测试人员更快更早地发现软件中的缺陷变得更加重要。
软件缺陷预测就是为了帮助测试人员进行缺陷测试,发现源代码文件中潜在的软件缺陷,从而更好分配人力、物力进行缺陷修复。软件缺陷预测分为同项目软件缺陷预测和跨项目软件缺陷预测,它们的主要区别就是训练项目与预测项目是否是同一个软件项目。由于跨项目缺陷预测中,源项目和目标项目存在很大的差异性,所以预测性能受到阻碍。
另外,在软件缺陷预测中,往往会出现类别分布不平衡问题,即不同类别的样本数量上相差很大。
基于NLP技术的快速发展,为了获得更具有泛化能力的包含语义信息的特征,解决软件缺陷预测中出现的类别分布不平衡,提出一种跨项目软件缺陷预测方法。
TextCNN,即将卷积神经网络CNN应用到文本分类任务,利用多个不同size的kernel来提取句子中的关键信息(类似于多窗口大小的ngram),从而能够更好地捕捉局部相关性。
Borderline-SMOTE算法,其计算速度明显优于SMOTE算法,其先从少数类样本中选择种子样本,然后在种子样本上采用SMOTE算法。
发明内容
本发明针对软件缺陷预测过程经常受阻、且往往会出现类别分布不平衡的问题,提供一种跨项目软件缺陷预测方法,其基于TextCNN和Borderline-SMOTE算法,进行软件缺陷数量的预测,预测结果的准确率高。
本发明的一种跨项目软件缺陷预测方法,解决上述技术问题采用的技术方案如下:
一种跨项目软件缺陷预测方法,其包括训练阶段和预测阶段;
训练阶段包括:
Ⅰ)提取Java源文件的原始多维特征,并对每一个Java源文件进行标记;
Ⅱ)将Java源文件解析成抽象语法树,抽取抽象语法树的相关节点形成单词文件;
Ⅲ)训练Word2vec模型,利用Word2vec模型对单词进行向量化,形成词向量;
Ⅳ)已知Java源文件包含的语义信息,提取Java源文件所包含语义信息的特征,基于词向量和提取的特征训练TextCNN;
Ⅴ)组合包含Java源文件语义信息的特征和Java源文件的原始多维特征,形成新特征向量;
Ⅵ)利用Borderline-SMOTE算法对组合后的新特征向量进行不平衡处理;
Ⅶ)不平衡处理后的新特征向量和Java源文件具有的软件缺陷数量作为训练样本,利用训练样本训练逻辑回归分类器;
预测阶段包括:
Ⅰ)提取目标Java源文件的原始多维特征,并对每一个目标Java源文件进行标记;
Ⅱ)将目标Java源文件解析成抽象语法树,抽取抽象语法树的相关节点形成单词文件;
Ⅲ)利用Word2vec模型对单词进行向量化,形成词向量;
Ⅳ)利用TextCNN对词向量进行包含语义信息的特征提取;
Ⅴ)组合包含语义信息的特征和目标Java源文件的原始多维特征,形成新特征向量;
Ⅵ)利用Borderline-SMOTE算法对组合后的新特征向量进行不平衡处理;
Ⅶ)将不平衡处理后的新特征向量输入逻辑回归分类器,逻辑回归分类器输出预测目标Java源文件的软件缺陷数量。
可选的,本方法的训练阶段或预测阶段,借助Ckjm、BugInfo工具提取Java源文件/目标Java源文件的多维特征,并对每一个Java源文件/目标Java源文件进行标记。
可选的,本方法的训练阶段或预测阶段,利用Python中的Javalang工具包将Java源文件/目标Java源文件解析成抽象语法树,随后,抽取抽象语法树中相应的控制节点、函数调用节点、实例创建节点,进而形成一个以空格为分隔符的单词文件。
可选的,本方法的训练阶段或预测阶段,利用gensim中的Word2vec模型对单词进行向量化,形成多维词向量,且多维词向量的维度大于所提取Java源文件的多维特征的维度。
可选的,已知Java源文件包含的语义信息,提取Java源文件所包含语义信息的特征,基于词向量和提取的特征训练TextCNN,训练过程具体包括:
1)给定一个Java源文件的标记向量,其中标记向量中的每个单词xi∈Rk对应标记向量中的第i个节点的k维词向量;
2)把标记向量中的单词对应的词向量进行连接操作即 表示简单的连接操作,更一般化的让获得一个词向量矩阵;
3)假定有一个卷积核Filter w∈Rhk,利用公式A计算产生一个新的特征ci,
ci=f(w·xi:i+h-1+b) 公式A
其中,xi:i+h-1表示通过某个窗口的词,w表示卷积核,b是一个标量值,表示偏置f是个非线性函数;
4)基于卷积神经网络构建TextCNN,卷积神经网络的卷积核Filter w∈Rhk在词向量矩阵一步一步下滑,从而产生一个特征图c=[c1,c2,...,cn-h+1];
5)利用Max-pooling操作,在产生的特征图上进行最大池化操作,分别得到一个对应特征图中最具代表性的特征,该具有代表性的特征通常为卷积核Filter w∈Rhk所产生的特征图上的最大值
6)把所有最具代表性的特征进行concatenate操作,卷积核的输出层输出concatenate操作后的结果,与已知Java源文件所包含语义信息的特征进行比较,获得损失函数,借助反向传播算法对所构建TextCNN的参数进行迭代更新;
7)选取不同的Java源文件,重复步骤1)-6),多次训练得到TextCNN。
进一步可选的,在步骤6)中,把所有最具代表性的特征进行concatenate操作后,可以在卷积核的池化层和输出层添加一个Dropout层,Dropout层和Softmax层进行全连接,随后卷积核的输出层再输出结果与已知Java源文件所包含语义信息的特征进行比较。
进一步可选的,基于卷积神经网络构建TextCNN,卷积神经网络的多个卷积核Filter w∈Rhk在词向量矩阵一步一步下滑,从而产生一个特征图c=[c1,c2,...,cn-h+1];
进一步可选的,TextCNN的卷积神经网络基于N种不完全相同的卷积核,并生成N个通道的feature map,每个卷积核的宽度相同,每个卷积核的长度不一定相同。
本发明的一种跨项目软件缺陷预测方法,与现有技术相比具有的有益效果是:
1)本发明的预测方法,基于TextCNN和Borderline-SMOTE算法,包括训练阶段和预测阶段,在训练阶段,基于Java源文件的已知维度特征、语义信息特征、以及存在的软件缺陷,进行Word2vec模型、TextCNN、逻辑回归分类器的训练,在预测阶段,则直接利用训练好的Word2vec模型、TextCNN、逻辑回归分类器的进行目标Java源文件的预测,并最终预测输出目标Java源文件的软件缺陷数量,预测结果的准确率高;
2)本发明通过TextCNN可以很好的用于从抽象语法树中获得更加泛化的表示信息,通过Borderline-SMOTE算法可以很好的解决样本不平衡问题,从而提高预测的准确率和提高训练速度;
3)本发明的预测方法不仅限于对同项目的软件缺陷进行预测,还可以用于跨项目的软件缺陷进行预测。
附图说明
附图1是本发明实施例一中训练阶段的流程示意图;
附图2是本发明实施例一中预测阶段的流程示意图;
附图3是本发明中将Java源文件解析成抽象语法树的示意图;
附图4是本发明中基于Java源文件的标记向量训练TextCNN的流程图。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白,以下结合具体实施例,对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。
实施例一:
本实施例提出一种跨项目软件缺陷预测方法,其包括训练阶段和预测阶段。
结合附图1,训练阶段包括:
Ⅰ)借助Ckjm、BugInfo工具提取Java源文件,并对每一个Java源文件进行标记;
Ⅱ)结合附图3,利用Python中的Javalang工具包将Java源文件解析成抽象语法树,抽取抽象语法树中相应的控制节点、函数调用节点、实例创建节点,进而形成一个以空格为分隔符的单词文件;
Ⅲ)训练gensim中的Word2vec模型,利用Word2vec模型对单词进行向量化,形成多维词向量,且多维词向量的维度大于所提取Java源文件的多维特征的维度;
Ⅳ)已知Java源文件包含的语义信息,提取Java源文件所包含语义信息的特征,基于词向量和提取的特征训练TextCNN;
Ⅴ)组合包含Java源文件语义信息的特征和Java源文件的原始多维特征,形成新特征向量;
Ⅵ)利用Borderline-SMOTE算法对组合后的新特征向量进行不平衡处理;
Ⅶ)不平衡处理后的新特征向量和Java源文件具有的软件缺陷数量作为训练样本,利用训练样本训练逻辑回归分类器。
结合附图2,预测阶段包括:
Ⅰ)借助Ckjm、BugInfo工具提取目标Java源文件的多维特征,并对每一个目标Java源文件进行标记;
Ⅱ)结合附图3,利用Python中的Javalang工具包将目标Java源文件解析成抽象语法树,抽取抽象语法树中相应的控制节点、函数调用节点、实例创建节点,进而形成一个以空格为分隔符的单词文件;
Ⅲ)利用Word2vec模型对单词进行向量化,形成多维词向量,且多维词向量的维度大于所提取Java源文件的多维特征的维度;
Ⅳ)利用TextCNN对词向量进行包含语义信息的特征提取;
Ⅴ)组合包含语义信息的特征和目标Java源文件的原始多维特征,形成新特征向量;
Ⅵ)利用Borderline-SMOTE算法对组合后的新特征向量进行不平衡处理;
Ⅶ)将不平衡处理后的新特征向量输入逻辑回归分类器,逻辑回归分类器输出预测目标Java源文件的软件缺陷数量。
在本实施例的训练阶段,已知Java源文件包含的语义信息,提取Java源文件所包含语义信息的特征,基于词向量和提取的特征训练TextCNN,结合附图4,训练过程具体包括:
1)给定一个Java源文件的标记向量,其中标记向量中的每个单词xi∈Rk对应标记向量中的第i个节点的k维词向量;
2)把标记向量中的单词对应的词向量进行连接操作即 表示简单的连接操作,更一般化的让获得一个词向量矩阵;
3)假定有一个卷积核Filter w∈Rhk,利用公式A计算产生一个新的特征ci,
ci=f(w·xi:i+h-1+b) 公式A
其中,xi:i+h-1表示通过某个窗口的词,w表示卷积核,b是一个标量值,表示偏置f是个非线性函数;
4)基于卷积神经网络构建TextCNN,卷积神经网络的卷积核Filter w∈Rhk在词向量矩阵一步一步下滑,从而产生一个特征图c=[c1,c2,...,cn-h+1];
5)利用Max-pooling操作,在产生的特征图上进行最大池化操作,分别得到一个对应特征图中最具代表性的特征,该具有代表性的特征通常为卷积核Filter w∈Rhk所产生的特征图上的最大值
6)把所有最具代表性的特征进行concatenate操作;
7)在卷积核的池化层和输出层添加一个Dropout层,Dropout层和Softmax层进行全连接,随后卷积核的输出层输出结果,输出结果与已知Java源文件所包含语义信息的特征进行比较,获得损失函数,借助反向传播算法对所构建TextCNN的参数进行迭代更新;
8)选取不同的Java源文件,重复步骤1)-7),多次训练得到TextCNN。
在本实施例的步骤4)中,基于卷积神经网络构建TextCNN,卷积神经网络基于6种不完全相同的卷积核Filter w∈Rhk在词向量矩阵一步一步下滑,从而产生一个特征图c=[c1,c2,...,cn-h+1]。其中6种不完全相同的卷积核生成6个通道的feature map,每个卷积核的宽度都是50,长度分比为3,3,5,5,7,7。
本实施例中,预测一个具体Java源文件的过程为:
Ⅰ)借助Ckjm、BugInfo工具提取目标Java源文件的20维特征WMC、LOC、IC等,并对每一个目标Java源文件进行标记;
Ⅱ)利用Python中的Javalang工具包,将目标Java源文件解析成抽象语法树,抽取抽象语法树中相应的控制节点、函数调用节点、实例创建节点,进而形成一个以空格为分隔符的单词文件;
Ⅲ)利用gensim中的Word2vec模型对单词进行向量化,形成50维的词向量;
Ⅳ)利用TextCNN对词向量进行包含语义信息的特征提取,得到15维的语义特征;
Ⅴ)组合15维的语义特征和Java源文件的20维特征,形成一个既包含结构信息又包含语义特征的新特征向量;
Ⅵ)利用Borderline-SMOTE算法对新特征向量进行不平衡处理;
Ⅶ)将不平衡处理后的新特征向量输入逻辑回归分类器,逻辑回归分类器输出预测目标Java源文件的软件缺陷数量,当输出预测结果为0时,代表软件无缺陷,当输出预测结果为n时,其中n为自然数,代表软件缺陷有n个。
综上可知,采用本发明的一种跨项目软件缺陷预测方法,可以很好的用于从抽象语法树中获得更加泛化的表示信息,还可以很好的解决样本不平衡问题,提高预测的准确率和提高训练速度,解决了现有软件缺陷预测过程经常受阻、且往往会出现类别分布不平衡的问题。
上述具体对本发明的原理及实施方式进行了详细阐述,基于上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作出的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种跨项目软件缺陷预测方法,其特征在于,其包括训练阶段和预测阶段;
所述训练阶段包括:
Ⅰ)提取Java源文件的原始多维特征,并对每一个Java源文件进行标记;
Ⅱ)将Java源文件解析成抽象语法树,抽取抽象语法树的相关节点形成单词文件;
Ⅲ)训练Word2vec模型,利用Word2vec模型对单词进行向量化,形成词向量;
Ⅳ)已知Java源文件包含的语义信息,提取Java源文件所包含语义信息的特征,基于词向量和提取的特征训练TextCNN;
Ⅴ)组合包含Java源文件语义信息的特征和Java源文件的原始多维特征,形成新特征向量;
Ⅵ)利用Borderline-SMOTE算法对组合后的新特征向量进行不平衡处理;
Ⅶ)不平衡处理后的新特征向量和Java源文件具有的软件缺陷数量作为训练样本,利用训练样本训练逻辑回归分类器;
所述预测阶段包括:
Ⅰ)提取目标Java源文件的原始多维特征,并对每一个目标Java源文件进行标记;
Ⅱ)将目标Java源文件解析成抽象语法树,抽取抽象语法树的相关节点形成单词文件;
Ⅲ)利用Word2vec模型对单词进行向量化,形成词向量;
Ⅳ)利用TextCNN对词向量进行包含语义信息的特征提取;
Ⅴ)组合包含语义信息的特征和目标Java源文件的原始多维特征,形成新特征向量;
Ⅵ)利用Borderline-SMOTE算法对组合后的新特征向量进行不平衡处理;
Ⅶ)将不平衡处理后的新特征向量输入逻辑回归分类器,逻辑回归分类器输出预测目标Java源文件的软件缺陷数量。
2.根据权利要求1所述的一种跨项目软件缺陷预测方法,其特征在于,借助Ckjm、BugInfo工具提取Java源文件/目标Java源文件的多维特征,并对每一个Java源文件/目标Java源文件进行标记。
3.根据权利要求1所述的一种跨项目软件缺陷预测方法,其特征在于,利用Python中的Javalang工具包将Java源文件/目标Java源文件解析成抽象语法树,随后,抽取抽象语法树中相应的控制节点、函数调用节点、实例创建节点,进而形成一个以空格为分隔符的单词文件。
4.根据权利要求2所述的一种跨项目软件缺陷预测方法,其特征在于,利用gensim中的Word2vec模型对单词进行向量化,形成多维词向量,且多维词向量的维度大于所提取Java源文件的多维特征的维度。
5.根据权利要求1所述的一种跨项目软件缺陷预测方法,其特征在于,已知Java源文件包含的语义信息,提取Java源文件所包含语义信息的特征,基于词向量和提取的特征训练TextCNN,训练过程具体包括:
1)给定一个Java源文件的标记向量,其中标记向量中的每个单词xi∈Rk对应标记向量中的第i个节点的k维词向量;
2)把标记向量中的单词对应的词向量进行连接操作即 表示简单的连接操作,更一般化的让获得一个词向量矩阵;
3)假定有一个卷积核Filter w∈Rhk,利用公式A计算产生一个新的特征ci,
ci=f(w·xi:i+h-1+b) 公式A
其中,xi:i+h-1表示通过某个窗口的词,w表示卷积核,b是一个标量值,表示偏置f是个非线性函数;
4)基于卷积神经网络构建TextCNN,卷积神经网络的卷积核Filterw∈Rhk在词向量矩阵一步一步下滑,从而产生一个特征图c=[c1,c2,...,cn-h+1];
5)利用Max-pooling操作,在产生的特征图上进行最大池化操作,分别得到一个对应特征图中最具代表性的特征,该具有代表性的特征通常为卷积核Filter w∈Rhk所产生的特征图上的最大值
6)把所有最具代表性的特征进行concatenate操作,卷积核的输出层输出concatenate操作后的结果,与已知Java源文件所包含语义信息的特征进行比较,获得损失函数,借助反向传播算法对所构建TextCNN的参数进行迭代更新;
7)选取不同的Java源文件,重复步骤1)-6),多次训练得到TextCNN。
6.根据权利要求5所述的一种跨项目软件缺陷预测方法,其特征在于,在步骤6)中,把所有最具代表性的特征进行concatenate操作后,可以在卷积核的池化层和输出层添加一个Dropout层,Dropout层和Softmax层进行全连接,随后卷积核的输出层再输出结果与已知Java源文件所包含语义信息的特征进行比较。
7.根据权利要求5所述的一种跨项目软件缺陷预测方法,其特征在于,基于卷积神经网络构建TextCNN,卷积神经网络的多个卷积核Filterw∈Rhk在词向量矩阵一步一步下滑,从而产生一个特征图c=[c1,c2,...,cn-h+1] 。
8.根据权利要求5所述的一种跨项目软件缺陷预测方法,其特征在于,所述TextCNN的卷积神经网络基于N种不完全相同的卷积核,并生成N个通道的feature map,每个卷积核的宽度相同,每个卷积核的长度不一定相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721866.4A CN110442523B (zh) | 2019-08-06 | 2019-08-06 | 一种跨项目软件缺陷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721866.4A CN110442523B (zh) | 2019-08-06 | 2019-08-06 | 一种跨项目软件缺陷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442523A true CN110442523A (zh) | 2019-11-12 |
CN110442523B CN110442523B (zh) | 2023-08-29 |
Family
ID=68433545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910721866.4A Active CN110442523B (zh) | 2019-08-06 | 2019-08-06 | 一种跨项目软件缺陷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442523B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209211A (zh) * | 2020-01-16 | 2020-05-29 | 华南理工大学 | 一种基于长短期记忆神经网络的跨项目软件缺陷预测方法 |
CN111290947A (zh) * | 2020-01-16 | 2020-06-16 | 华南理工大学 | 一种基于对抗判别的跨软件缺陷预测方法 |
CN112214406A (zh) * | 2020-10-10 | 2021-01-12 | 广东石油化工学院 | 一种基于选择性伪标记子空间学习的跨项目缺陷预测方法 |
CN113157564A (zh) * | 2021-03-17 | 2021-07-23 | 江苏师范大学 | 一种基于特征分布对齐和邻域实例选择的跨项目缺陷预测方法 |
CN115629995A (zh) * | 2022-12-21 | 2023-01-20 | 中南大学 | 基于多依赖lstm的软件缺陷定位方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017181286A1 (en) * | 2016-04-22 | 2017-10-26 | Lin Tan | Method for determining defects and vulnerabilities in software code |
CN108459955A (zh) * | 2017-09-29 | 2018-08-28 | 重庆大学 | 基于深度自编码网络的软件缺陷预测方法 |
-
2019
- 2019-08-06 CN CN201910721866.4A patent/CN110442523B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017181286A1 (en) * | 2016-04-22 | 2017-10-26 | Lin Tan | Method for determining defects and vulnerabilities in software code |
CN108459955A (zh) * | 2017-09-29 | 2018-08-28 | 重庆大学 | 基于深度自编码网络的软件缺陷预测方法 |
Non-Patent Citations (2)
Title |
---|
GURU PRASAD BHANDARI 等: "Measuring the Fault Predictability of Software using", 《2018 5TH IEEE UTTAR PRADESH SECTION INTERNATIONAL CONFERENCE ON ELECTRICAL, COMPUTER AND ELECTRONICS (UPCON) 》 * |
刘文志 等: "基于AGA-LVQ神经网络的网站安全漏洞预测模型研究", 《信息网络安全》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209211A (zh) * | 2020-01-16 | 2020-05-29 | 华南理工大学 | 一种基于长短期记忆神经网络的跨项目软件缺陷预测方法 |
CN111290947A (zh) * | 2020-01-16 | 2020-06-16 | 华南理工大学 | 一种基于对抗判别的跨软件缺陷预测方法 |
CN112214406A (zh) * | 2020-10-10 | 2021-01-12 | 广东石油化工学院 | 一种基于选择性伪标记子空间学习的跨项目缺陷预测方法 |
CN113157564A (zh) * | 2021-03-17 | 2021-07-23 | 江苏师范大学 | 一种基于特征分布对齐和邻域实例选择的跨项目缺陷预测方法 |
CN113157564B (zh) * | 2021-03-17 | 2023-11-07 | 江苏师范大学 | 一种基于特征分布对齐和邻域实例选择的跨项目缺陷预测方法 |
CN115629995A (zh) * | 2022-12-21 | 2023-01-20 | 中南大学 | 基于多依赖lstm的软件缺陷定位方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110442523B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442523A (zh) | 一种跨项目软件缺陷预测方法 | |
CN102662930B (zh) | 一种语料标注方法及装置 | |
CN106776538A (zh) | 企业非标准格式文档的信息提取方法 | |
CN107220237A (zh) | 一种基于卷积神经网络的企业实体关系抽取的方法 | |
CN109241383B (zh) | 一种基于深度学习的网页类型智能识别方法及系统 | |
CN106095928A (zh) | 一种事件类型识别方法及装置 | |
CN109523018A (zh) | 一种基于深度迁移学习的图片分类方法 | |
CN109299258A (zh) | 一种舆情事件检测方法、装置及设备 | |
CN109376247B (zh) | 一种基于关联规则的软件缺陷自动分类方法 | |
CN102521656A (zh) | 非平衡样本分类的集成迁移学习方法 | |
CN106202032A (zh) | 一种面向微博短文本的情感分析方法及其系统 | |
CN106951565B (zh) | 文本分类方法及获得的文本分类器 | |
CN112597038B (zh) | 软件缺陷预测方法及系统 | |
CN105677857B (zh) | 一种关键词与营销落地页的精准匹配方法和装置 | |
CN111860981B (zh) | 一种基于lstm深度学习的企业国民行业类别预测方法及系统 | |
CN112364352B (zh) | 可解释性的软件漏洞检测与推荐方法及系统 | |
CN110472053A (zh) | 一种面向公共资源招投标公告数据的自动分类方法及其系统 | |
CN108470022A (zh) | 一种基于运维管理的智能工单质检方法 | |
CN112925908A (zh) | 一种基于Attention的图注意力网络的文本分类方法及系统 | |
CN102915448B (zh) | 一种基于AdaBoost的三维模型自动分类方法 | |
CN107273295A (zh) | 一种基于文本混乱度的软件问题报告分类方法 | |
CN107844558A (zh) | 一种分类信息的确定方法以及相关装置 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN109214407A (zh) | 事件检测模型、方法、装置、计算设备及存储介质 | |
CN109002443A (zh) | 一种文本信息的分类方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230801 Address after: 250100 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: North 6th floor, S05 building, Langchao Science Park, 1036 Langchao Road, hi tech Zone, Jinan City, Shandong Province, 250100 Applicant before: SHANDONG INSPUR ARTIFICIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |