-
公开(公告)号：CN113742205B
公开(公告)日：2024-04-23
申请号：CN202010487203.3
申请日：2020-05-27
Applicant: 南京大学
IPC: G06F11/36 , G06F21/57 , G06F40/253 , G06F40/30 , G06N3/0464
Abstract: 一种基于人机协同的代码漏洞智能检测方法，其特征是结合已有的代码漏洞检测工具集和收集到的漏洞数据集进行正报和误报漏洞标记以及控制流图和抽象语法树的特征提取，构建一个代码漏洞误报检测模型；然后根据代码漏洞程序切片后的结果生成漏洞评审任务；随后利用采样策略选取部分漏洞评审任务随机分配给众包安全评审专家；最后，结合并分析代码漏洞误报检测模型结果与众包安全评审专家结果，并将其持续反馈到代码漏洞检测模型中，进而有效地识别代码漏洞。
-
公开(公告)号：CN117234587A
公开(公告)日：2023-12-15
申请号：CN202210715645.8
申请日：2022-06-02
Applicant: 南京大学
IPC: G06F8/74 , G06F8/75 , G06F11/36 , G06V20/62 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048
Abstract: 一种基于图像理解与代码分析结合的移动测试脚本意图识别的方法，包括图像理解模块和代码识别模块。图像理解模块生成Appium测试脚本中通过Xpath定位控件的语句的意图描述信息，在自动化运行脚本过程中转储必要的媒体信息后，通过OCR技术和深度学习模型针对不同类型的图片生成其语义信息。代码识别模块通过模版匹配的方法将Id类定位的控件映射到其源代码所在的响应函数，将响应函数输入改进的code2seq模型中生成其意图信息。最后将这两个模块生成的意图信息进行整合，生成最后完整的测试脚本的意图报告。
-
公开(公告)号：CN117194213A
公开(公告)日：2023-12-08
申请号：CN202210700870.4
申请日：2022-05-27
Applicant: 南京大学
IPC: G06F11/36 , G06F16/36 , G06F16/33 , G06F16/901 , G06F40/242 , G06F40/247 , G06N5/022 , G06N5/02 , G06V20/62 , G06V10/44 , G06V10/82
Abstract: 一种基于知识图谱的移动应用功能点测试知识库搭建的方法，包括知识图谱特征提取模块、知识图谱关系提取模块、知识图谱共指消解模块和知识图谱智能查询模块。知识图谱特征提取模块主要负责将大量带有复现步骤的移动应用众包测试报告进行有效的信息提取和拆解，来帮助构建知识图谱。知识图谱关系提取模块是为了将知识图谱特征提取模块中分析出来的数据进行整合。知识图谱共指消解模块是为了将知识图谱特征提取模块与知识图谱关系提取模块整理好的数据上传到指定的Neo4j图数据库中。知识图谱智能查询模块是为了帮助使用者快速了解知识图谱，并帮助移动应用自动化测试人员提供自动化功能点测试下一步该做什么的指引帮助。
-
公开(公告)号：CN117194212A
公开(公告)日：2023-12-08
申请号：CN202210700869.1
申请日：2022-05-27
Applicant: 南京大学
IPC: G06F11/36 , G06F18/22 , G06F18/23213 , G06V10/764 , G06V10/82 , G06V10/74 , G06V20/70 , G06F40/289 , G06F40/247 , G06F40/268 , G06F40/194
Abstract: 一种基于深度图像语义挖掘的移动应用众包测试报告聚类的方法，包括特征提取模块、距离计算模块、约束规则构建模块和半监督聚类模块。在特征提取模块，提取结构特征、内容特征、缺陷行为和复现步骤四个特征来表示由屏幕截图和文本描述组成的众包测试报告。在距离计算模块，利用提取的特征，采用不同的距离算法分别计算每一对测试报告四个特征相应的半监督聚类距离，并利用加权算法得出每一对测试报告之间总体的半监督聚类距离。在约束规则构建模块，构建语义约束规则，包括Must‑Link和Cannot‑Link。在半监督聚类模块，在语义约束规则的引导下，采用K‑Medoids算法对测试报告进行半监督聚类。
-
公开(公告)号：CN117171006A
公开(公告)日：2023-12-05
申请号：CN202210701026.3
申请日：2022-05-27
Applicant: 南京大学
IPC: G06F11/36 , G06F40/194 , G06F16/35 , G06F40/58 , G06F40/289 , G06F40/30 , G06V20/70 , G06V20/62 , G06V10/82 , G06V10/764 , G06V10/44
Abstract: 一种基于图像文本语意融合分析的移动应用众测报告一致性检测的方法，包括文本增强模块、分类器模块、分解器模块和检测器模板。文本增强器模块对文本描述进行增强，来使得具有不同类型的缺陷的测试报告均匀分布。分类器模块首先为众包测试报告中的缺陷构建了一个分类法。然后基于BERT模型构建了分类器。在分类器将缺陷进行分类后，引入分解器来分析应用程序的屏幕截图和文本描述。通过从文本描述中提取到的特征，以及从应用程序截图中提取包含附加信息的控件，检测器可以根据不同的策略检测到众包测试报告的一致性。
-
Patent Agency Ranking
公开(公告)号：CN110717602B
公开(公告)日：2023-08-29
申请号：CN201910952057.4
申请日：2019-09-29
Applicant: 南京大学
IPC: G06N20/10
Abstract: 本发明提供的是一种基于噪音数据的机器学习模型鲁棒性评估方法，包括原始数据集处理、噪音数据获取、模型训练、模型预测、准确率下降比计算和模型鲁棒性评估。原始数据集处理包括收集百分百标签正确的原始数据集，并采用10次10‑折交叉验证划分原始训练集和原始测试集。噪音数据获取包括在原始训练集的基础上，采用分层抽样方法抽取t′＝|D|·α个数据，并将其标签替换为错误标签，其中α为噪音数据率。模型训练包括基于常见分类算法，并分别输入原始训练集和混有噪音数据的训练集分别构建原始模型和新模型。模型预测包括基于原始测试集，对这原始模型和新模型分别进行准确度评估。准确率下降比计算包括计算新模型较原始模型而言准确率下降的比率。模型鲁棒性评估包括横纵向比较准确率下降的比率的大小，衡量模型鲁棒性强弱，实现了判断模型健壮性的标准。
-
公开(公告)号：CN114280592A
公开(公告)日：2022-04-05
申请号：CN202111471993.7
申请日：2021-11-30
Applicant: 南京大学
Abstract: 基于蜕变方法的雷达波原始数据增强方法，包括数据蜕变模块和数据成像模块。数据蜕变模块包含了对雷达信号发射与接收的方法进行分析，雷达波原始数据存储规则，已经提出的一组有效雷达波数据增强蜕变方法，最后得到多组被标记的雷达波数据。数据成像模块以SAR雷达波原始数据作为实验对象，负责将被标记的SAR雷达波增强数据进行成像，并将合成的图像与其标记的雷达波数据一一对应。
-
公开(公告)号：CN114265765A
公开(公告)日：2022-04-01
申请号：CN202111471856.3
申请日：2021-11-30
Applicant: 南京大学
Abstract: 一种基于强化学习的深度学习算子测试数据生成方法，其特征是基于提前定义的基本变异方法组构造一个基于变异方法及跳转的QTable，进行带关联的强化学习训练，并最终在复杂场景下采用变异方法链生成深度学习算子测试数据。数据变异方法组合可灵活进行增、删、改，本方法提供的基本变异方法包括：字节、多项式和高斯变异。其中，字节变异是对测试数据的浮点数二进制编码进行字节操作的变异，包括二进制编码各字节的增加、删除、取反、移位、随机重置；高斯变异指利用以测试数据为均值的高斯分布采样得到新的测试数据；多项式变异指对测试数据到边界的距离进行不同比例的放缩。上述变异基于不同的基本思想，兼顾有效性与多样性。
-
公开(公告)号：CN114265074A
公开(公告)日：2022-04-01
申请号：CN202111471923.1
申请日：2021-11-30
Applicant: 南京大学
IPC: G01S17/06 , G01S17/931 , G01S17/89
Abstract: 一种基于蜕变算法的三维激光雷达点云数据扩增方法，将三维激光雷达场景点云数据扩增过程处理为通过蜕变算法程序向三维激光雷达场景点云数据中新增其他三维激光雷达物体点云或旋转场景点云数据中带标签的物体点云生成与三维真实激光雷达场景点云数据高度近似的用例的过程。在新增物体方面，程序对真实三维环境采集的真实激光雷达场景点云数据和物体点云数据库中的物体数据进行融合，生成扩增三维激光雷达场景点云数据。在旋转物体方面，程序根据真实激光雷达场景点云数据原始标签对场景中具有标签的物体点云进行提取并旋转，从而在短时间内自动生成大量高度仿真的激光雷达点云数据用例。
-
公开(公告)号：CN114138653A
公开(公告)日：2022-03-04
申请号：CN202111471771.5
申请日：2021-11-30
Applicant: 南京大学
Abstract: 一种基于深度图像理解的移动应用跨平台强化学习遍历测试技术，包括交互模块，深度图像理解模块，强化学习模块。交互模块通过对apk运行中的状态进行截屏捕获，提供给深度图像理解模块，并通过强化学习模块选择动作执行，从而与移动应用进行交互。深度图像理解模块通过截屏编码器对应用当前界面截图并分析，分别生成状态和可执行动作编码后的特征向量。强化学习模块通过DQN模型分析状态、动作对的优劣，选择最佳可执行动作，实现对移动应用状态空间的高效探索。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.019 seconds)
