-
公开(公告)号：CN114820651A
公开(公告)日：2022-07-29
申请号：CN202210363172.X
申请日：2022-04-07
Applicant: 扬州大学
Abstract: 本发明公开了一种基于多尺度的鞍区病变医学图像分割方法，属于图像识别与医学领域。本技术方案的主要要点包括：将患者的MRI图像从DICOM文件转换成PNG图像，并且用IKT‑SNAP标注图像的鞍区病变区域。将处理后的图像输入到检测模中进行训练，训练完毕可以直接对DICOM文件进行预测，输出为模型预测的患者脑部鞍区病变区域。检测模型通过将多路径视觉转换成U型结构，修改上采样部分，构建阶段的特征层次结构，用于生成不同比例的特征图，使用包含因子化自我注意的Transformer编码器作为模型中的Transformer主干，并且用不同大小的补丁生成相同序列长度的各种大小的视觉标记，通过该方法进行下采样，最终实现基于多尺度的对脑部鞍区病变区域的分割方法。
-
公开(公告)号：CN114581086A
公开(公告)日：2022-06-03
申请号：CN202210174263.9
申请日：2022-02-24
Applicant: 扬州大学
Abstract: 本发明公开了一种基于动态时序网络的钓鱼账户检测方法及系统，包括：钓鱼账户和以太坊账户数据采集；构建动态时序交易网络图TTGN；将图中节点嵌入向量，利用SMOTE解决钓鱼账户类不平衡的问题，训练钓鱼账户检测模型；用测试集的数据进行钓鱼账户检测，对测试集采用相同方法构建动态时序交易网络图并将节点嵌入向量，输入训练得到的最优模型中进行检测，得到检测结果。本发明可以一定程度上解决静态交易网络方法中无法体现时序性、精度不高的问题；相较于基于统计特征的钓鱼账户检测方法，本发明可以通过动态时序图对收集得到的网络钓鱼账户进行验证，使得更加符合实际情况、精度更高。
-
公开(公告)号：CN114547621A
公开(公告)日：2022-05-27
申请号：CN202210065372.7
申请日：2022-01-20
Applicant: 扬州大学
Abstract: 本发明公开了一种基于迁移学习的智能合约漏洞检测方法，该方法首先收集java源代码和智能合约源代码数据，并进行预处理建立标签，构建机器学习的样本集；然后将java样本集输入到模型中训练，学习java代码表示的特征及java漏洞的检测，针对检测智能合约代码的下游任务，重用java的预训练模型并进行微调，使其能够胜任智能合约漏洞的检测。本发明可以更加快速、自动地检测出Solidity智能合约是否存在漏洞。
-
公开(公告)号：CN108121829B
公开(公告)日：2022-05-24
申请号：CN201810047681.5
申请日：2018-01-12
Applicant: 扬州大学
IPC: G06F16/36 , G06F40/279
Abstract: 本发明涉及面向软件缺陷的领域知识图谱自动化构建方法。本发明对bug缺陷关系三元组的抽取，再对bug缺陷领域的分类，即将bug缺陷库中bug相关信息进行收集并处理bug描述信息，通过自然语言处理得到描述句子中动词短语和名词短语，再根据bug信息相关的词与词之间依存关系，得出bug关系三元组，提取bug缺陷领域特征，采用半监督分类器进行训练、学习，使得分类器自动分类之前未被标记的三元组，将所有分类过的关系三元组存放在图形数据库中，构造出面向软件缺陷的领域知识图谱。本发明克服了在bug缺陷领域无有效处理方法的缺陷。本发明从自然语言处理角度，分析bug缺陷描述，帮助软件开发者和维护者更直观、快速、准确理解bug缺陷信息及其领域知识，提高效率，实现软件缺陷领域知识图谱，建立bug之间的关联关系。
-
公开(公告)号：CN109376247B
公开(公告)日：2022-05-13
申请号：CN201811346154.0
申请日：2018-11-13
Applicant: 扬州大学
Abstract: 本发明公开了一种基于关联规则的软件缺陷自动分类方法，包括以下步骤：首先提取缺陷报告中的文本内容，并对其进行预处理；之后随机采样状态为VERIFIED FIXED的缺陷，构建待分类缺陷集；再根据缺陷表象、缺陷发生原因对待分类缺陷集中的每一个缺陷进行缺陷表象类别和缺陷发生原因类别标注，获得缺陷表象类别分类集、缺陷发生原因类别分类集；然后挖掘不同缺陷表象类别、缺陷发生原因类别之间的关联规则，从中筛选出强关联规则并将其转化为关系矩阵；最后利用深度学习方法对缺陷表象类别分类集进行训练，获取缺陷自动分类器。本发明同时从缺陷表象和产生原因两个维度对缺陷进行细粒度的自动分类，解决了现有技术中因缺陷信息量少而无法准确原因分类的短板。
-
Patent Agency Ranking
公开(公告)号：CN111916215B
公开(公告)日：2022-04-29
申请号：CN202010553296.5
申请日：2020-06-17
Applicant: 扬州大学附属医院
Abstract: 本发明公开了公共卫生领域内的一种群集性/慢性疾病早期自动报警、初步特征分析与风险评估系统，其包括病例信息收集模块、活动轨迹追踪模块、自动报警展示模块和风险分析评价模块；通过对医疗机构病历数据库的定时扫描，结合患者个体行动轨迹的自动分析，能够对出现的突发群集性疾病实现自动报警，对单位时间内相同病例的总结与初步风险分析评价，可通过对单位时间内出现病例的分布特征分析，指导该区域慢性病差异性防控措施的制订。
-
公开(公告)号：CN107832781B
公开(公告)日：2021-09-14
申请号：CN201710973976.0
申请日：2017-10-18
Applicant: 扬州大学
Abstract: 本发明涉及一种面向多源数据的软件缺陷表示学习方法。本发明对多源数据处理并形成缺陷数据集，从中选取训练集、测试集，选用word2vec对缺陷数据集进行词向量学习后经过聚类得到相似词及相似度并作为命名实体识别技术的特征输入，经过领域命名实体识别，选择出现最多的为关键命名实体，采用实体共现分析技术对关键命名实体进行共现分析，缺陷描述由词的组合转换为共现实体对和分布实体的集合，实现软件缺陷表示，最终将缺陷描述表示成一个特征向量。本发明克服了没有就软件缺陷本身的结构特征进行分析的缺陷。本发明利用词向量技术处理文本，结合多源数据，提取软件缺陷命名实体，分析共现实体对，从知识的角度对软件缺陷进行表示。
-
公开(公告)号：CN113361279A
公开(公告)日：2021-09-07
申请号：CN202110709149.7
申请日：2021-06-25
Applicant: 扬州大学
IPC: G06F40/295 , G06F40/30 , G06N3/04 , G06N3/08 , G06F16/335 , G06F16/35 , G06F16/36 , G16H50/70
Abstract: 本发明公开了一种基于双邻域图神经网络的医疗实体对齐方法及系统，属于自然语言处理中的知识图谱融合领域。本发明首先抽取医疗实体对及相应的关系和属性，预处理后构建实体对齐数据集；然后通过双邻域特征聚合生成实体邻域和属性邻域的节点特征，并通过串联操作和跳跃连接生成全局感知的实体表示；最后进行实体相似度计算与训练，并用训练完的模型预测源实体的目标实体。本发明提出的方法将医疗知识图谱中的相关属性视为一类特殊的节点，从而将实体和属性建模在统一的网络中，并使用双邻域图神经网络对图中的节点进行嵌入，这样可以同时捕获实体邻域和属性邻域中的结构相似性，最终生成语义丰富的实体表示，达到提高医疗实体对齐准确性的目的。
-
公开(公告)号：CN113360915A
公开(公告)日：2021-09-07
申请号：CN202110643307.3
申请日：2021-06-09
Applicant: 扬州大学
Abstract: 本发明公开了一种基于源代码图表示学习的智能合约多漏洞检测方法及系统，该方法结合智能合约的抽象语法树和语义信息，利用函数粒度代码属性图对智能合约源代码进行表征；并根据智能合约不同类型漏洞的语法特征定义切片准则，使用程序切片技术对智能合约图表示进行降噪并结合门控图神经网络进行特征提取，基于提取的特征进行漏洞预测。本发明的优势在于：结合多种图结构表征智能合约源代码，充分保留了代码的语法、语义信息和上下文结构；利用程序切片技术去除与漏洞检测无关的噪声代码，提升了检测的准确性；基于门控图神经网络自动学习多种漏洞的特征，提高了漏洞检测的适用范围和检测效率，降低了检测成本。
-
公开(公告)号：CN113139192A
公开(公告)日：2021-07-20
申请号：CN202110382640.3
申请日：2021-04-09
Applicant: 扬州大学
Abstract: 本发明公开了一种基于知识图谱的第三方库安全风险分析方法及系统，方法包括以下步骤：采集项目依赖配置文件，迭代获取多层第三方库lib信息及api调用关系；根据lib信息在NVD数据库中索引CVE以搜集第三方库的漏洞信息；根据CVE的相关属性获取含有漏洞的第三方库中受影响的api；将生成的第三方库及漏洞实体、关系信息文件导入知识图谱工具构建知识图谱；通过构建好的知识图谱实现第三方库安全风险分析。本发明构建了一种存储第三方库多个层级之间的调用信息及各层级之间存在精确到api级别的漏洞信息的知识图谱，可对第三方库调用链进行安全漏洞风险分析，使软件开发者全方位考虑到第三方库安全漏洞信息，从而减少安全漏洞对软件开发的隐患。
-
-
-
-
-
-
-
-
-
Search Results
285
records
(took 0.03 seconds)
