CN113608747B - 一种基于图卷积神经网络的软件缺陷预测方法及终端 - Google Patents
一种基于图卷积神经网络的软件缺陷预测方法及终端 Download PDFInfo
- Publication number
- CN113608747B CN113608747B CN202110948519.2A CN202110948519A CN113608747B CN 113608747 B CN113608747 B CN 113608747B CN 202110948519 A CN202110948519 A CN 202110948519A CN 113608747 B CN113608747 B CN 113608747B
- Authority
- CN
- China
- Prior art keywords
- neural network
- defect
- graph
- nodes
- convolution neural
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000003068 static effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
- G06F8/42—Syntactic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
- G06F8/43—Checking; Contextual analysis
- G06F8/436—Semantic checking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Stored Programmes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图卷积神经网络的软件缺陷预测方法及终端，包括：对由代码文件构成的数据集进行统一处理，将其解析成抽象语法树，调整抽象语法树的结构和保留节点的关键信息；将调整后的抽象语法树构造成图结构，构建训练集；训练得到第一预测模型，将需要进行预测的数据输入得到第一缺陷倾向性结果；训练得到第二预测模型，将需要进行预测的数据输入得到第二缺陷倾向性结果；对二者值取平均，作为最终的缺陷预测结果。本发明能够解析整个代码文件，并转换成图结构，尽可能保留源代码文件所包含的信息，来训练神经网络进行特征提取，然后利用提取到的代码信息，并结合与同缺陷相关的静态代码特征进行缺陷预测。
Description
技术领域
本发明属于软件工程中的软件质量保障领域，具体涉及一种基于图卷积神经网络的软件缺陷预测方法及终端。
背景技术
随着互联网的不断发展，软件系统的规模不断扩大，复杂度也不断提高，而软件市场却在不断高速地发展着，开发周期不断缩短，对软件质量安全进行预测和保证的难度日益增加，成本不断扩大。软件缺陷的产生主要是由软件产品的特点和开发过程决定的，需求不清晰、系统结构复杂或开发过程缺乏有效沟通及监督，都有可能导致缺陷的产生，这是不可避免的，并且软件缺陷发现的时间越晚所造成的损失也会越大。因此，在有限的资源(人员、时间、成本等)条件下，尽可能快速全面地识别出软件中存在的缺陷，提高软件产品的质量与可靠性，是软件工程领域一个亟需解决的问题。
过去几十年，已经提出了多种手工设计的传统度量指标来区分有缺陷和无缺陷文件，但随着不断深入的研究，研究人员发现这些传统度量指标主要关注代码的复杂性，无法区分和利用具有不同语义和结构的程序，即具有不同语义软件模块可能具有相似或相同的传统代码度量指标。为了获取源代码中丰富的语义信息和语法结构，Wang等人首次提出利用深度学习从源代码中提取语义特征进行缺陷预测，目前机器学习技术发展迅速，也逐渐应用到软件开发的过程中，虽然Wang等人提出利用一种强大的表示学习算法，深度置信网络(deep belief network，DBN)，来自动学习代码的特征，但他们的方法仅仅是利用部分节点信息作为DBN网络的输入特征，并不能充分地表示整个代码文件的语义和结构信息。此时，若能在上述工作的基础上进行改进，充分利用代码的语义和结构信息，并结合与缺陷相关的传统度量指标，更有利于进行缺陷预测，提高软件开发的效率，提升软件的质量。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种基于图卷积神经网络的软件缺陷预测方法及终端，以解决现有的深度置信网络方法不能很好捕捉代码语义和结构信息的问题；本发明能够解析整个代码文件，并转换成图结构，尽可能保留源代码文件所包含的信息，来训练神经网络进行特征提取，然后利用提取到的代码信息，并结合与同缺陷相关的静态代码特征进行缺陷预测。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于图卷积神经网络的软件缺陷预测方法，包括步骤如下：
1)对由代码文件构成的数据集进行统一处理，将其解析成抽象语法树，过滤其中的冗余节点，然后调整抽象语法树的结构和保留节点的关键信息；
2)将调整后的抽象语法树构造成图结构，构建训练集；
3)训练图卷积神经网络，将图结构、节点的关键信息作为输入，图卷积神经网络提取的代码特征信息作为输出；
4)将步骤3)中图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练得到第一预测模型，然后将需要进行预测的数据输入训练好的第一预测模型得到第一缺陷倾向性结果；再利用图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练得到第二预测模型，然后将需要进行预测的数据输入训练好的第二预测模型得到第二缺陷倾向性结果；对第一缺陷倾向性结果和第二缺陷倾向性结果的值取平均，作为最终的缺陷预测结果。
进一步地，所述步骤1)具体包括：
11)将代码文件解析成抽象语法树，过滤抽象语法树中的冗余节点，仅保留部分能体现源代码结构和语义信息的节点(例如：方法调用、接口声明、For语句、If语句等)，将被删除节点的子节点拼接到其父节点上，构成新的抽象语法树；
12)对步骤11)构造新的抽象语法树节点所包含的信息(例如注释、局部变量声明、类型、名称、大小等)，仅保留部分能体现节点特性的关键信息(例如针对方法调用节点仅保留其方法名，对于For语句节点、If语句节点、Try语句节点等控制语句节点将其记录为其节点类型)，供后续转换为图结构。
进一步地，所述步骤2)具体包括：
21)对步骤1)得到的抽象语法树，父节点与子节点之间构建一条有向边，并对所有的叶节点从左向右进行连接，将调整后的抽象语法树构造成图结构；
22)将步骤21)中得到的图结构信息通过稀疏矩阵进行保存；
23)对所有代码文件解析得到的图节点信息，通过one-hot词嵌入方式将每个节点信息都表示成向量形式；
24)利用过采样技术处理类不平衡问题，过采样技术通过复制多份少数类样本，以得到均衡的数据集。
进一步地，所述步骤3)在步骤2)构建训练集的基础上，训练图卷积神经网络，提取代码的特征信息；通过步骤2)得到的图结构稀疏矩阵和节点的关键信息的向量表示，并利用过采样技术得到均衡的数据集，然后在此基础上训练图卷积神经网络的权重和偏差；具体的，图卷积神经网络包括一个输入层、三个卷积层、三个最大池化层和三层全连接层，均使用Relu作为激活函数；其中，图卷积神经网络的实现利用的是PyTorch工具，通过PyTorch快速构建图卷积神经网络，实现对代码进行特征提取。
进一步地，所述步骤4)具体包括：
41)将步骤3)中图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练支持向量机第一预测模型，然后将需要进行预测的数据输入训练好的第一预测模型得到第一缺陷倾向性结果；
42)利用同缺陷相关的静态代码特征，训练支持向量机第二预测模型，然后将需要进行预测的数据输入训练好的第二预测模型得到第二缺陷倾向性结果；
43)对第一缺陷倾向性结果和第二缺陷倾向性结果的值取平均，作为最终的缺陷预测结果。
本发明还提供一种基于图卷积神经网络的缺陷预测终端，包括：处理器和存储器，所述存储器用于存储支持缺陷预测终端执行上述预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述缺陷预测终端还可以包括通信接口，用于缺陷预测终端与其他设备或通信网络通信。
本发明还提供了一种计算机可读存储介质，用于存储缺陷预测终端所用的计算机软件指令，其包括用于执行上述基于图卷积神经网络的软件缺陷预测方法为缺陷预测终端所涉及的程序。
本发明的有益效果：
本发明利用了抽象语法树，解析源代码文件，以树状的形式表现源代码的语法结构，利用图卷积神经网络提取源代码的语义和结构信息，并结合传统度量元训练缺陷预测分类模型，提高软件开发的效率；具有以下优点：
(1)本发明利用抽象语法树和图结构克服了传统缺陷预测模型仅考虑代码的复杂性，为考虑代码本身所包含的丰富信息，包括：代码上下文信息、程序语义信息、结构信息，当不同语义软件模块具有相似或相同的传统代码度量指标时，缺陷预测模型也能够加以区分。
(2)本发明在将源代码文件解析成抽象语法树的基础上，对其删除冗余节点，保留节点的关键信息作为节点的内容，然后将化简后的抽象语法树转换成图结构形式，作为图卷积神经网络的输入，若使用深度置信网络(DBN)只是利用了源代码部分的语义和结构信息，因此本发明选择将整个图形作为输出进行特征提取，充分挖掘代码文件的语义和结构信息。
附图说明
图1为本发明的方法构架图。
图2为本发明中抽象语法树化简后的结构图。
图3为抽象语法树转化为图结构。
图4为基于图卷积神经网络的缺陷预测示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种基于图卷积神经网络的缺陷预测方法，包括步骤如下：
步骤1)：对由代码文件构成的数据集进行统一处理，将其解析成抽象语法树，过滤其中的冗余节点，然后调整抽象语法树的结构和保留节点的关键信息。其中，
11)使用一个名为Javalang的开源python库，将源代码文件解析成抽象语法树，过滤抽象语法树中的冗余节点，主要保留三种类型的节点：1)方法调用和类实例创建节点；2)声明节点，包括类型声明、方法声明等；3)控制流节点，其中包括If语句、While语句、For语句、Throw语句等；表1所示为抽象语法树中保留的主要节点，然后将被删除节点的子节点拼接到其父节点上，构成新的抽象语法树，示例如图2所示；
表1
12)对步骤11)构造新的抽象语法树节点所包含的信息(例如注释、局部变量声明、类型、名称、大小等)，仅保留部分能体现节点特性的关键信息(对于第一个类型的节点保留它们的方法名或者类名；对于第二和第四个类型的节点则保留它们的方法名或者类名，对于第三个类型的节点则简单记录它们的节点类型)，后续再转换为图结构。
步骤2)：将调整后的抽象语法树构造成图结构，构建训练集；
21)对步骤1)得到的抽象语法树，父节点与子节点之间构建一条有向边，并对所有的叶节点从左向右通过有向边进行连接，将调整后的抽象语法树构造成图结构，如图3所示；
22)将步骤21)中得到的图结构信息通过稀疏矩阵进行保存；
23)对所有代码文件解析得到的图节点信息，通过one-hot词嵌入方式将每个节点信息都表示成向量形式；首先记录记录训练集和测试集图中不同的节点，为每个节点建立与整数之间的映射关系，使得每个节点都与唯一的整数标识符关联，然后利用one-hot编码将节点信息与向量相关联；
24)利用过采样技术处理类不平衡问题；在实际软件项目中，缺陷率往往都是不平衡的，这些高度不平衡的训练数据集会影响训练的效果，因此需要在训练之前对不平衡的数据集进行处理，因此本示例中选择使用过采样技术随机复制多份少数类样本，以得到均衡的数据集。
步骤3)：训练图卷积神经网络，将图结构、节点的关键信息作为输入，图卷积神经网络提取的代码特征信息作为输出；
在步骤2)中经过类不均衡问题处理的数据集合的基础上，训练图卷积神经网络，提取代码文件的特征表达。具体的，本示例中的图卷积神经网络主要由一个输入层、三个卷积层、三个池化层和三个全连接层组成，网络中都使用ReLU作为激活函数，如图4显示的具体流程。本示例中图卷积神经网络的实现利用的是PyTorch工具，通过PyTorch快速构建图卷积神经网络，进行特征提取。
步骤4)：将步骤3)中图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练得到SVM-1预测模型，然后将需要进行预测的数据输入训练好的SVM-1预测模型得到第一缺陷倾向性结果；再利用图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练得到SVM-2预测模型，然后将需要进行预测的数据输入训练好的SVM-2预测模型得到第二缺陷倾向性结果；对第一缺陷倾向性结果和第二缺陷倾向性结果的值取平均，作为最终的缺陷预测结果；参照图4所示；
41)将步骤3)中图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练支持向量机SVM-1预测模型，然后将需要进行预测的数据输入训练好的SVM-1预测模型得到第一缺陷倾向性结果；
42)利用同缺陷相关的静态代码特征，训练支持向量机SVM-2预测模型，然后将需要进行预测的数据输入训练好的SVM-2预测模型得到第二缺陷倾向性结果；
43)对第一缺陷倾向性结果和第二缺陷倾向性结果的值取平均，作为最终的缺陷预测结果(若平均值大于0.5则表示预测存在缺陷，否则表示预测无缺陷)。
传统方法使用的静态代码特征主要包括Halstead特征、环路度量McCabe特征、基于面向对象程序的CK度量元，具体如表2所示：
表2
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。
Claims (3)
1.一种基于图卷积神经网络的软件缺陷预测方法，其特征在于，包括步骤如下：
1)对由代码文件构成的数据集进行统一处理，将其解析成抽象语法树，过滤其中的冗余节点，然后调整抽象语法树的结构和保留节点的关键信息；
2)将调整后的抽象语法树构造成图结构，构建训练集；
3)训练图卷积神经网络，将图结构、节点的关键信息作为输入，图卷积神经网络提取的代码特征信息作为输出；
4)将步骤3)中图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练得到第一预测模型，然后将需要进行预测的数据输入训练好的第一预测模型得到第一缺陷倾向性结果；再利用图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练得到第二预测模型，然后将需要进行预测的数据输入训练好的第二预测模型得到第二缺陷倾向性结果；对第一缺陷倾向性结果和第二缺陷倾向性结果的值取平均，作为最终的缺陷预测结果；
所述步骤1)具体包括：
11)将代码文件解析成抽象语法树，过滤抽象语法树中的冗余节点，仅保留部分能体现源代码结构和语义信息的节点，将被删除节点的子节点拼接到其父节点上，构成新的抽象语法树；
12)对步骤11)构造新的抽象语法树节点所包含的信息，仅保留部分能体现节点特性的关键信息，供后续转换为图结构；
所述步骤2)具体包括：
21)对步骤1)得到的抽象语法树，父节点与子节点之间构建一条有向边，并对所有的叶节点从左向右进行连接，将调整后的抽象语法树构造成图结构；
22)将步骤21)中得到的图结构信息通过稀疏矩阵进行保存；
23)对所有代码文件解析得到的图节点信息，通过one-hot词嵌入方式将每个节点信息都表示成向量形式；
24)利用过采样技术处理类不平衡问题，过采样技术通过复制多份少数类样本，以得到均衡的数据集；
所述步骤3)在步骤2)构建训练集的基础上，训练图卷积神经网络，提取代码的特征信息；通过步骤2)得到的图结构稀疏矩阵和节点的关键信息的向量表示，并利用过采样技术得到均衡的数据集，然后在此基础上训练图卷积神经网络的权重和偏差；具体的，图卷积神经网络包括一个输入层、三个卷积层、三个最大池化层和三层全连接层，均使用Relu作为激活函数；其中，图卷积神经网络的实现利用的是PyTorch工具，通过PyTorch快速构建图卷积神经网络，实现对代码进行特征提取；
所述步骤4)具体包括：
41)将步骤3)中图卷积神经网络的输出结果与同缺陷相关的静态代码特征相结合，训练支持向量机第一预测模型，然后将需要进行预测的数据输入训练好的第一预测模型得到第一缺陷倾向性结果；
42)利用同缺陷相关的静态代码特征，训练支持向量机第二预测模型，然后将需要进行预测的数据输入训练好的第二预测模型得到第二缺陷倾向性结果；
43)对第一缺陷倾向性结果和第二缺陷倾向性结果的值取平均，作为最终的缺陷预测结果。
2.一种基于图卷积神经网络的缺陷预测终端，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1所述的方法。
3.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948519.2A CN113608747B (zh) | 2021-08-18 | 2021-08-18 | 一种基于图卷积神经网络的软件缺陷预测方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948519.2A CN113608747B (zh) | 2021-08-18 | 2021-08-18 | 一种基于图卷积神经网络的软件缺陷预测方法及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113608747A CN113608747A (zh) | 2021-11-05 |
| CN113608747B true CN113608747B (zh) | 2024-04-02 |
Family
ID=78308905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110948519.2A Active CN113608747B (zh) | 2021-08-18 | 2021-08-18 | 一种基于图卷积神经网络的软件缺陷预测方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113608747B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896138B (zh) * | 2022-03-31 | 2023-03-24 | 西南民族大学 | 一种基于复杂网络和图神经网络的软件缺陷预测方法 |
| CN116991459B (zh) * | 2023-08-18 | 2024-04-26 | 中南大学 | 一种软件多缺陷信息预测方法与系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829607A (zh) * | 2018-07-09 | 2018-11-16 | 华南理工大学 | 一种基于卷积神经网络的软件缺陷预测方法 |
| CN109214191A (zh) * | 2018-09-18 | 2019-01-15 | 北京理工大学 | 一种利用深度学习预测软件安全漏洞的方法 |
| CN110232280A (zh) * | 2019-06-20 | 2019-09-13 | 北京理工大学 | 一种基于树结构卷积神经网络的软件安全漏洞检测方法 |
| CN110888798A (zh) * | 2019-10-14 | 2020-03-17 | 西安理工大学 | 一种基于图卷积神经网络对软件缺陷预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0911099D0 (en) * | 2009-06-26 | 2009-08-12 | Codeplay Software Ltd | Processing method |
-
2021
- 2021-08-18 CN CN202110948519.2A patent/CN113608747B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829607A (zh) * | 2018-07-09 | 2018-11-16 | 华南理工大学 | 一种基于卷积神经网络的软件缺陷预测方法 |
| CN109214191A (zh) * | 2018-09-18 | 2019-01-15 | 北京理工大学 | 一种利用深度学习预测软件安全漏洞的方法 |
| CN110232280A (zh) * | 2019-06-20 | 2019-09-13 | 北京理工大学 | 一种基于树结构卷积神经网络的软件安全漏洞检测方法 |
| CN110888798A (zh) * | 2019-10-14 | 2020-03-17 | 西安理工大学 | 一种基于图卷积神经网络对软件缺陷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113608747A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639344B (zh) | 一种基于神经网络的漏洞检测方法及装置 | |
| CN113608747B (zh) | 一种基于图卷积神经网络的软件缺陷预测方法及终端 | |
| CN108829607B (zh) | 一种基于卷积神经网络的软件缺陷预测方法 | |
| US20230186030A1 (en) | Adaptive knowledge graph representation learning method for integrating graph structure with text information | |
| WO2022198868A1 (zh) | 开放式实体关系的抽取方法、装置、设备及存储介质 | |
| Huo et al. | Learning semantic features for software defect prediction by code comments embedding | |
| CN110888798B (zh) | 一种基于图卷积神经网络对软件缺陷预测方法 | |
| CN114911820A (zh) | 一种sql语句判别模型构建方法、sql语句判别方法 | |
| CN114489629A (zh) | 一种基于接口文档的快速开发和测试方法 | |
| CN115328782A (zh) | 基于图表示学习和知识蒸馏的半监督软件缺陷预测方法 | |
| CN117421595A (zh) | 一种基于深度学习技术的系统日志异常检测方法及系统 | |
| CN116521560A (zh) | 一种基于图神经网络的多特征融合上帝类检测方法 | |
| CN116627487A (zh) | 基于词级别检索的源代码注释自动化生成方法和系统 | |
| WO2022121146A1 (zh) | 一种代码片段重要性的判断方法和装置 | |
| CN111723194A (zh) | 摘要生成方法、装置和设备 | |
| CN116628707A (zh) | 一种可解释性的基于多任务的源代码漏洞检测的方法 | |
| CN117112582A (zh) | 基于语言模型的早教内容批量生成系统及质量控制方法 | |
| CN117093222A (zh) | 一种基于改进转换器模型的代码参数摘要生成方法和系统 | |
| CN113296784B (zh) | 一种基于配置代码表征的容器基础镜像推荐方法及系统 | |
| CN113568969B (zh) | 信息抽取方法、装置、设备以及计算机可读存储介质 | |
| CN114118058A (zh) | 基于句法特征和注意力机制相融合的情感分析系统及方法 | |
| CN112559750A (zh) | 文本数据的分类方法、装置、非易失性存储介质、处理器 | |
| CN117093196B (zh) | 一种基于知识图谱的编程语言生成方法及系统 | |
| CN116719974B (zh) | 基于依存关系结构增强的事件检测方法及系统 | |
| CN115412335B (zh) | 5g电力物联网边缘设备漏洞检测方法、装置及系统 |
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 |