-
公开(公告)号：CN108647145A
公开(公告)日：2018-10-12
申请号：CN201810444279.0
申请日：2018-05-10
Applicant: 清华大学
IPC: G06F11/36
Abstract: 本发明实施例提供了一种软件内存安全检测方法及系统，所述方法通过符号执行确定待测试软件的多个预设测试用例文件，并将所述多个预设测试用例文件分别转换为基于导向性变异的模糊测试的初始输入种子；基于所有初始输入种子，对所述待测试软件进行基于导向性变异的模糊测试，所述导向性变异为根据所述待测试软件中程序的覆盖范围进行的变异。本发明实施例提供的软件内存安全检测方法及系统，充分利用了符号执行产生的测试用例文件。同时，对模糊测试中的变异进行改进，得到导向性变异方法。将符号执行与导向性变异结合，对所有初始输入种子中满足条件的种子进行导向性变异，提高了变异的有效性，进而节约了资源。
-
公开(公告)号：CN108595341A
公开(公告)日：2018-09-28
申请号：CN201810451163.X
申请日：2018-05-11
Applicant: 清华大学
IPC: G06F11/36
Abstract: 本发明实施例提供了测试用例自动生成方法及系统，方法包括：基于符号执行生成测试用例种子，并基于启发式搜索对测试用例种子进行变异，得到第一变异测试用例；分别执行测试用例种子与第一变异测试用例，分别获取对应的执行路径信息，并确定变异的影响结果；根据影响结果，对测试用例种子或第一变异测试用例进行下一次变异，重复执行上述过程，直至满足预设条件。不需要人工参与，自动化程度很高。符号执行与启发式搜索进行结合，提高了整个方法的运行效率，而且采用反馈机制，通过变异的影响结果指导测试用例种子或第一变异测试用例进行下一次变异，这种方法不仅有利于短函数序列的测试用例的生成，对于长函数序列的测试用例的生成也同样适用。
-
公开(公告)号：CN106844949A
公开(公告)日：2017-06-13
申请号：CN201710039035.X
申请日：2017-01-18
Applicant: 清华大学
Abstract: 本发明提供了一种用于实现机车节能操作的双向LSTM模型的训练方法。其步骤为:采集司机历史驾驶数据与机车运行监控日志，作为初始训练数据；对初始训练数据进行预处理，得到训练数据集和测试数据集；如果是初次训练，则直接初始化模型的各个参数，否则在上一次双向LSTM模型的基础上继续训练双向LSTM神经网络模型，并保存训练好的模型；应用训练过的模型对测试数据集做仿真测试，得到新的初始训练数据；将新的初始训练数据和上一训练阶段的训练数据一起作为初始训练数据。不断进行该步骤至模型收敛。本发明提出的特征设计方法、模型设计方法以及迭代训练方法能够充分利用数据信息，提升模型的档位预测能力。
-
公开(公告)号：CN106777809A
公开(公告)日：2017-05-31
申请号：CN201710025882.0
申请日：2017-01-13
Applicant: 清华大学 , 中车信息技术有限公司 , 中车大连机车研究所有限公司
IPC: G06F17/50
Abstract: 本发明提供了一种基于实际运行数据的机车牵引计算模型校准方法。本发明基于从机车运行原始数据中离线获得的操纵档位、运行速度等序列，通过反向拟合的方法构建机车牵引计算模型，再通过正向验证的方式验证模型的准确性。在构建机车牵引计算模型中，首先基于机车日志记录得到机车牵引力和制动力，然后根据LKJ基础数据或线路建造数据获得加算阻力，在此基础上再按照推算公式获得速度和力之间的对应序列，再通过拟合的方式构建机车牵引计算模型。本发明基于实际运行数据拟合的机车牵引计算模型能更好的适应现场复杂的线路环境并减少统计误差，并将反向拟合和正向验证结合，能够更好的保证模型的适应性和准确性。
-
公开(公告)号：CN106775992A
公开(公告)日：2017-05-31
申请号：CN201710038009.5
申请日：2017-01-18
Applicant: 清华大学
Abstract: 本发明提供了一种冗余计算机系统任务补偿方法，其中任务根据任务之间资源和时序关系划分为不同的任务类型，系统冗余结构是完全镜像的，具有相同的程序逻辑和数据块，维护系统调度标志，在系统运行过程中，周期性的采集系统任务的已执行数量、已分配的数量，计算系统的负载；根据系统负载调度标志与系统超载阈值判定系统的执行方式；系统按照设计的冗余结构进行表决运行；对系统总任务集进行分配并计算任务集调度补偿代价。该方案充分利用冗余系统的硬件优势。在系统正常运行时，系统利用冗余结构，实现备份恢复、表决等功能，体现出容错计算的特征；在高负载的特殊情况下，经过系统的判定，实现负载分配。
-
Patent Agency Ranking
公开(公告)号：CN106294148A
公开(公告)日：2017-01-04
申请号：CN201610645892.X
申请日：2016-08-08
Applicant: 清华大学
IPC: G06F11/36
Abstract: 本发明提供了一种基于扩展符号变迁系统的C语言程序软件验证方法及装置。该方法包括：对待测对象C语言程序源代码插入验证属性描述；对插入验证属性的C语言程序源代码按照扩展的符号变迁系统ELTS语法构造ELTS程序模型；根据所述ELTS程序模型，生成可满足性求解SMT的模型路径；使用SMT工具对所述ELTS程序模型模型路径进行可达性的分析和验证；根据可达性分析和验证的结果生成ELTS程序模型反例，根据所述ELTS程序模型反例映射生成C语言程序反例。本发明实施例自动化建立ELTS程序模型，结合模型检测和严格的数学推理得到验证结果，相比于其它形式化方法具有准确率更高、程序覆盖率更好的特点，提高了软件验证的效率和准确性。
-
公开(公告)号：CN103066958B
公开(公告)日：2016-03-23
申请号：CN201310005009.7
申请日：2013-01-07
Applicant: 清华大学
Abstract: 本发明提出一种小型电子侦察设备的信号采集系统，包括：预处理模块，用于将搜索到的信号进行采集并根据所采集到的信号功率动态调整衰减器的衰减量和放大器的放大量；功分处理模块，用于对预处理的信号根据频率功分为两路通过数模转换器进行转换和拼接处理，其中，第一路的信号处理频率低于第二路的信号处理频率；以及重组模块，用于将功分处理的信号重新进行组合。根据本发明实施例的系统，由于采用的微波器件较少，因此可以减小侦察设备的体积，同时所接收的信号瞬时带宽大，并且信号处理流程简单、响应快。
-
公开(公告)号：CN103971521A
公开(公告)日：2014-08-06
申请号：CN201410211575.8
申请日：2014-05-19
Applicant: 清华大学 , 河南中原高速公路股份有限公司
Abstract: 本发明提出一种道路交通异常事件实时检测方法及装置。其中方法包括：对道路进行监控，获取连续多帧监控图像；从监控图像中提取亮白色线段，并处理得到车道线和车道消失点，建立车道模型；根据车道模型确定车道的双向检测区域，采用高斯混合模型背景差的方法检测双向检测区域中的运动目标，并确定运动目标的位置；根据连续多帧监控图像中运动目标的位置，采用后验概率的分裂合并算法以及特征点匹配跟踪方法，建立运动目标和实际车辆的映射关系，得到实际车辆的行驶轨迹与行驶速度；根据预存的道路交通异常行为的语义模型，对车道模型以及实际车辆的行驶轨迹与行驶速度进行检测，判断是否存在道路交通异常事件。本发明具有智能化、精度高等优点。
-
公开(公告)号：CN103048650A
公开(公告)日：2013-04-17
申请号：CN201210593841.9
申请日：2012-12-31
Applicant: 清华大学
IPC: G01S7/40
Abstract: 本发明提出一种基于步进频雷达的回波模拟方法及系统。其中，方法包括以下步骤：设置目标的相关参数和反射系数并根据反射系数得到一维距离像模型；接收毫米波步进频雷达信号并通过下变频单元对毫米波步进频雷达信号下变频到中频频段；基带信号处理单元对中频频段的中频信号进行处理得到延时后的零中频I/Q信号和I/Q形式的初始相位；根据延时后的零中频I/Q信号、I/Q形式的初始相位和一维距离像模型进行卷积和2倍IQ调制得到中频频段目标回波信号；以及将中频频段目标回波信号进行转换和两级上变频处理得到毫米波波段目标回波信号。根据本发明实施例的方法，通过建立一维距离像模型以及采用正交变频、IQ调制、卷积和两级上下变频，从而提高了实时性，同时扩大了应用范围。
-
公开(公告)号：CN111652290B
公开(公告)日：2024-03-15
申请号：CN202010413738.6
申请日：2020-05-15
Applicant: 深圳前海微众银行股份有限公司 , 清华大学
IPC: G06V10/82 , G06V10/774 , G06V10/764 , G06N3/0455 , G06N3/084 , G06N3/094 , G06Q40/03 , G06Q40/08
Abstract: 本发明公开了一种对抗样本的检测方法及装置，其中方法为：根据待测图片的像素信息，按照预设格式，生成所述待测图片的像素特征数据，作为待测样本；将待测样本输入至特定样本重构模型，获得所述待测样本的重构样本；将所述待测样本的重构样本输入至所述特定预估模型，获得所述待测样本的重构样本的中间层输出值；将所述待测样本的重构样本的中间层输出值输入至特定分类模型，确定所述待测样本是否为对抗样本。上述方法应用于金融科技(Fintech)时，正常样本和对抗样本经特定样本重构模型转换后，正常样本和对抗样本的区分度会更大，确定所述待测样本是否为对抗样本的结果更加明显，更准确地发现所述待测样本是否为对抗样本。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.044 seconds)
