-
公开(公告)号：CN103617119B
公开(公告)日：2016-05-11
申请号：CN201310643493.6
申请日：2013-12-03
Applicant: 南通大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于语句交互覆盖的回归测试用例选择方法，包括如下步骤：(1)对待测程序进行插桩，在插桩后的程序上执行用于测试被测程序的已有测试用例集中的每个测试用例，记录每个测试用例的语句覆盖信息并构造出测试用例-语句覆盖矩阵，确定需覆盖的语句集R；(2)基于测试用例-语句覆盖矩阵生成可覆盖的语句间交互集I；(3)根据可覆盖的语句间交互集I、需覆盖的语句集R和已有测试用例集，按照选择策略执行测试用例集压缩方法，并最终生成压缩后的测试用例集。该方法具有选择出的测试用例数量较小，同时又不会显著降低原有测试用例集的缺陷检测能力等优点。从而可显著降低回归测试成本，并进一步提高回归测试的效率。
-
公开(公告)号：CN103617119A
公开(公告)日：2014-03-05
申请号：CN201310643493.6
申请日：2013-12-03
Applicant: 南通大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于语句交互覆盖的回归测试用例选择方法，包括如下步骤：(1)对待测程序进行插桩，在插桩后的程序上执行用于测试被测程序的已有测试用例集中的每个测试用例，记录每个测试用例的语句覆盖信息并构造出测试用例-语句覆盖矩阵，确定需覆盖的语句集R；(2)基于测试用例-语句覆盖矩阵生成可覆盖的语句间交互集I；(3)根据可覆盖的语句间交互集I、需覆盖的语句集R和已有测试用例集，按照选择策略执行测试用例集压缩方法，并最终生成压缩后的测试用例集。该方法具有选择出的测试用例数量较小，同时又不会显著降低原有测试用例集的缺陷检测能力等优点。从而可显著降低回归测试成本，并进一步提高回归测试的效率。
-
公开(公告)号：CN118916540A
公开(公告)日：2024-11-08
申请号：CN202410905144.5
申请日：2024-07-08
Applicant: 南通大学
IPC: G06F16/9535 , G06F8/70 , G06F16/33 , G06F40/284 , G06F40/30
Abstract: 本发明提供一种结合上下文增强基于查询的API推荐方法，包括以下步骤：S1、利用StackOverflow网站中收集查询语句、上下文和与之对应的API，构建三元组语料库；S2、利用查询语句训练词向量模型，并构建单词IDF词汇表；S3、利用三元组语料库检索给定用户查询的top‑k个相似元组；S4、将检索到的查询语句、以及相关的上下文和API构建张量；S5、根据非负张量分解完成张量中的缺失值；S6、利用基本局部相似性比对搜索工具算法匹配张量中的上下文，将得到的API推荐列表返回给用户。本发明将代码片段的上下文信息建模为张量，改进基于查询的API推荐，聚焦于更多的上下文信息，提高API推荐的有效性。
-
公开(公告)号：CN117555776A
公开(公告)日：2024-02-13
申请号：CN202311463591.1
申请日：2023-11-06
Applicant: 南通大学
IPC: G06F11/36 , G06F18/241 , G06F18/214
Abstract: 本发明提供了一种基于对偶学习与深度语义挖掘的软件缺陷预测方法，属于智能软件工程技术领域。解决了当前利用词袋模型将源码转换为向量后的语义局限以及二次利用预测后的分类标签扩充原有数据集的技术问题。其技术方案为：包括两个部分：分别采用了CodeT5语言预训练模型从源代码中提取语义和结构信息，结合Bi‑GRU模型与自注意力机制，捕捉源代码中的上下文信息，学习源项目与目标项目的共同特性，来训练可靠的缺陷预测模型；还利用快速梯度法对数据集进行扰动扩充，同时对预测后的分类标签，通过对偶学习的反向分类器与正向分类器进行取反，进行二次预测。本发明的有益效果为：可以提高软件缺陷预测的有效性。
-
公开(公告)号：CN116700780A
公开(公告)日：2023-09-05
申请号：CN202310778652.7
申请日：2023-06-29
Applicant: 南通大学
IPC: G06F8/72 , G06F8/75 , G06F8/33 , G06F40/289
Abstract: 本发明提供一种基于抽象语法树代码表征的代码补全方法，包括：S1、收集Github上开源的代码补全数据集DeepCom，选取Java源代码部分并剔除其对应注释，构建代码语料库；S2、将Java源代码转换为其对应的AST抽象语法树，使用切分遍历算法遍历Java代码的AST，获取切分遍历后的序列；S3、利用预训练GPT‑2模型对代码补全任务进行微调操作，并使用BPE算法对输入的文本序列进行分词；S4、在微调过程中使用FGM算法进行对抗训练，为模型在训练过程中添加扰动，增强模型鲁棒性；S5、在推理解码阶段，模型输入代补全代码，逐个词元生成补全代码序列，直到代码补全完整或出现停止符。本发明可以更好地利用源代码丰富的语法结构和语义信息进行完整代码补全，有效提高代码补全的准确性。
-
Patent Agency Ranking
公开(公告)号：CN115269377A
公开(公告)日：2022-11-01
申请号：CN202210717428.2
申请日：2022-06-23
Applicant: 南通大学
Abstract: 本发明提供一种基于优化实例选择的跨项目软件缺陷预测方法，包括如下步骤：S1、构建项目向量集PVS；S2、构建目标实例优化索引IPI；S3、构建预训练集TPRED；S4、构建目标项目的优化索引TPOI；S5、构建基于优化实例选择的训练集BOD；S6、构建基于优化实例选择的跨项目软件缺陷预测方法BOICP。本发明提出一种基于优化实例选择的跨项目软件缺陷预测方法，通过构建目标实例全局特征向量实现源实例选择，然后使用相关性分析进一步优化实例选择，使用该方法构建的训练集有利于选择可靠的实例数据，实现更好的跨项目缺陷预测效果。
-
公开(公告)号：CN114821054A
公开(公告)日：2022-07-29
申请号：CN202210446165.6
申请日：2022-04-26
Applicant: 南通大学
Abstract: 本发明提供一种基于源码可视化的软件缺陷预测方法，包括如下步骤：S1、构建数据集DATASET；S2、构建源码像素节点集Vdata；S3、构建阿尔法合成三原色组合方法Vcode；S4、构建基于VPE方法的深度学习网络；S5、构建基于源码可视化的软件缺陷预测方法。本发明缩短跨项目间数据分布差异，提高深度学习模型输入数据集的有效性，能够大幅辅助软件开发人员使用该预测模型来减少软件开发过程中的缺陷，具有较高的准确率和效率。本发明结合相应的深度学习模型进行软件缺陷预测，提高软件缺陷预测模型的准确性。
-
公开(公告)号：CN110825177B
公开(公告)日：2022-07-05
申请号：CN201810905580.7
申请日：2018-08-10
Applicant: 南通大学
IPC: G06F1/18
Abstract: 本申请提供了一种具有伸缩脚轮的计算机机箱，属于计算机领域。包括箱体，箱体包括底板，计算机机箱还包括位于底板下方的三个以上的脚轮，底板的上方设有层板，层板与底板之间形成有可容纳脚轮的第一腔体，底板上设有可供脚轮进入第一腔体的开口部，脚轮上连接有脚轮竖杆；层板上设有与每个脚轮一一对应的移动机构，移动机构包括：壳体，固定连接于层板的顶面，壳体中具有中空的第二腔体，第二腔体为圆柱形，第二腔体的一端与第一腔体连通设置；连接件，沿第二腔体的轴向可移动地设置于第二腔体内，且底部设有固定套设于脚轮竖杆上的套接部。本申请提供了一种具有伸缩脚轮的计算机机箱，通过脚轮移动机箱，避免人工搬运机箱。
-
公开(公告)号：CN114677129A
公开(公告)日：2022-06-28
申请号：CN202210401092.9
申请日：2022-04-18
Applicant: 南通大学
Abstract: 本发明提供一种基于区块链的艺术品确权流通方法，包括如下步骤：S1、基于ubantu系统，使用go‑ethereum对区块链进行创世区块的初始化和私人网络搭建；S2、基于remix ide平台，使用solidity语言对艺术品上链交易编写智能合约；S3、对智能合约的性能和安全进行测试，用户上链确权，并进行交易流通，成功确权。本发明针对艺术品的数字确权流通，提供一种基于区块链的艺术品确权流通方法，通过上链确权，交易流通达到艺术品确权流通的目的。
-
公开(公告)号：CN114565063A
公开(公告)日：2022-05-31
申请号：CN202210336797.7
申请日：2022-03-31
Applicant: 南通大学
Abstract: 本发明提供一种基于多语义提取器的软件缺陷预测方法，包括如下步骤：S1、构建源项目代码实例向量集VOSPCI；S2、构建目标项目代码实例向量集VOTPCI；S3、构建语义提取器GSEM；S4、组建多种语义列表MS‑list；S5、构建分类方法集SOCM；S6、语义列表分类结果分析；S7、与传统度量元结果比较；S8、构建基于多语义提取器的软件缺陷预测方法DPMSE。本发明提出一种基于多语义提取器的软件缺陷预测方法，可以有效的提取源代码中的语义信息，有助于提高缺陷预测的准确度和达到更好的预测效果。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.023 seconds)
