-
公开(公告)号：CN115080924B
公开(公告)日：2022-11-15
申请号：CN202210875400.1
申请日：2022-07-25
Applicant: 南开大学
IPC: G06F21/10 , G06F40/211 , G06F40/253 , G06F40/284 , G06F40/30
Abstract: 本发明公开了一种基于自然语言理解的软件许可证条款抽取方法，首先构建许可证文本数据集并对其中的许可证条款中权利条款和义务条款涉及到的单词、词组或句子进行标注，使用已标注的许可证文本数据集，训练一个许可证条款提取模型，实现对许可证文本中的许可证条款自动提取功能；然后，对于给定开源软件，抽取其中的所有许可证文本数据，经去噪处理后使用建立的条款提取模型，提取许可证文本数据中所涉及的许可证条款；最后对于提取出的许可证条款，基于语法分析来得到每个条款对应的态度极性。本发明可以辅助软件开发人员快速理解许可证和选择许可证，帮助软件开发项目规避因不恰当使用许可证引起的法律风险和经济风险。
-
公开(公告)号：CN113705737A
公开(公告)日：2021-11-26
申请号：CN202111260522.1
申请日：2021-10-28
Applicant: 南开大学
Abstract: 本发明公开了一种基于搜索的可扩展的最优测试图像集生成方法，在测试池中随机选取多个测试图像组成测试图像集，再由多个测试图像集组成初始的当前种群；对当前种群中的每个测试图像集，计算其覆盖率和规模，选择最优测试图像集作为下一轮迭代的种群；以筛选出来的下一轮迭代的种群作为父代，利用交叉算子进行运算，得到新种群；对得到的新种群进行图像层和图像集层的变异，得到变异后的后代个体；选取得到的后代个体中覆盖率高于父代个体或覆盖率相同但规模更小的作为下一轮迭代的当前种群，然后重复以上步骤。本发明能够生成规模小、覆盖率高、可扩展性强的最优测试图像集。
-
Patent Agency Ranking
公开(公告)号：CN113627543A
公开(公告)日：2021-11-09
申请号：CN202110931933.2
申请日：2021-08-13
Applicant: 南开大学
Abstract: 本发明公开了一种对抗攻击检测方法，包括以下步骤：步骤S1，通过多种对抗攻击算法生成对于目标深度神经网络的对抗样本，并与自然输入样本混合作为输入样本；步骤S2，将输入样本输入到目标深度神经网络中提取全局特征和隐含层特征；步骤S3，将输入样本的全局特征和隐含层特征进行特征融合，得到输入样本的最终特征表示；步骤S4，使用输入样本的最终特征表示训练分类器，得到对抗样本检测模型；步骤S5，利用步骤4得到的对抗样本检测模型检测输入数据中是否含有对抗样本。本发明可以为被攻击目标系统的不同隐藏层动态分配不同的权重，不仅能发现单攻击模式下的对抗样本，而且能够不受混合攻击模式影响地检测出每种攻击方法所产生的对抗样本。
-
公开(公告)号：CN115080924A
公开(公告)日：2022-09-20
申请号：CN202210875400.1
申请日：2022-07-25
Applicant: 南开大学
IPC: G06F21/10 , G06F40/211 , G06F40/253 , G06F40/284 , G06F40/30
Abstract: 本发明公开了一种基于自然语言理解的软件许可证条款抽取方法，首先构建许可证文本数据集并对其中的许可证条款中权利条款和义务条款涉及到的单词、词组或句子进行标注，使用已标注的许可证文本数据集，训练一个许可证条款提取模型，实现对许可证文本中的许可证条款自动提取功能；然后，对于给定开源软件，抽取其中的所有许可证文本数据，经去噪处理后使用建立的条款提取模型，提取许可证文本数据中所涉及的许可证条款；最后对于提取出的许可证条款，基于语法分析来得到每个条款对应的态度极性。本发明可以辅助软件开发人员快速理解许可证和选择许可证，帮助软件开发项目规避因不恰当使用许可证引起的法律风险和经济风险。
-
公开(公告)号：CN113705737B
公开(公告)日：2021-12-24
申请号：CN202111260522.1
申请日：2021-10-28
Applicant: 南开大学
Abstract: 本发明公开了一种基于搜索的可扩展的最优测试图像集生成方法，在测试池中随机选取多个测试图像组成测试图像集，再由多个测试图像集组成初始的当前种群；对当前种群中的每个测试图像集，计算其覆盖率和规模，选择最优测试图像集作为下一轮迭代的种群；以筛选出来的下一轮迭代的种群作为父代，利用交叉算子进行运算，得到新种群；对得到的新种群进行图像层和图像集层的变异，得到变异后的后代个体；选取得到的后代个体中覆盖率高于父代个体或覆盖率相同但规模更小的作为下一轮迭代的当前种群，然后重复以上步骤。本发明能够生成规模小、覆盖率高、可扩展性强的最优测试图像集。
-
公开(公告)号：CN113688061A
公开(公告)日：2021-11-23
申请号：CN202111251195.3
申请日：2021-10-27
Applicant: 南开大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于特征选择的程序缺陷定位方法，该方法包括：执行测试样例，得到分支覆盖特征谱；根据分支覆盖特征谱和样本数据集计算缺陷相关统计量；根据缺陷相关统计量得到程序各个元素的可疑度；根据程序元素的可疑度将其排序,按序排查代码。本发明提出了基于相关统计量的缺陷定位方法，从数据的角度分析测试用例的覆盖信息，利用特征选择中特征对分类结果重要性的概念，选择对测试用例执行结果影响较大的分支。计算复杂度低。相比较传统启发式的基于覆盖分析的缺陷定位方法在准确性上具有一定的提升，并通过提高缺陷查找效率缩短了纠错性维护的时间和人力成本。
-
公开(公告)号：CN113627543B
公开(公告)日：2023-08-22
申请号：CN202110931933.2
申请日：2021-08-13
Applicant: 南开大学
IPC: G06F21/55 , G06F18/2415 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/094 , G06N3/0475
Abstract: 本发明公开了一种对抗攻击检测方法，包括以下步骤：步骤S1，通过多种对抗攻击算法生成对于目标深度神经网络的对抗样本，并与自然输入样本混合作为输入样本；步骤S2，将输入样本输入到目标深度神经网络中提取全局特征和隐含层特征；步骤S3，将输入样本的全局特征和隐含层特征进行特征融合，得到输入样本的最终特征表示；步骤S4，使用输入样本的最终特征表示训练分类器，得到对抗样本检测模型；步骤S5，利用步骤4得到的对抗样本检测模型检测输入数据中是否含有对抗样本。本发明可以为被攻击目标系统的不同隐藏层动态分配不同的权重，不仅能发现单攻击模式下的对抗样本，而且能够不受混合攻击模式影响地检测出每种攻击方法所产生的对抗样本。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
