-
公开(公告)号：CN114936158A
公开(公告)日：2022-08-23
申请号：CN202210595157.8
申请日：2022-05-28
Applicant: 南通大学 , 江苏保润网络科技有限公司
Abstract: 本发明提供了一种基于图卷积神经网络的软件缺陷定位方法，包括以下步骤：(1)使用Louvain算法对抽象语法树进行剪枝，减少冗余节点；(2)结合抽象语法树与控制流图并通过Word2Vec生成对应的词向量，提取代码语义特征以及上下文依赖；(3)通过注意力机制进行关键特征提取和降维，减少模型参数的数量以及降低模型过拟合；(4)基于上述特征，对构建的图卷积神经网络模型进行训练，得到软件缺陷定位预测模型。本发明的有益效果为：结合抽象语法树和控制流图提取特征，通过图卷积神经网络进一步提取特征信息并进行节点分类，实现较高精度的缺陷定位，提高了缺陷定位的效率。
-
公开(公告)号：CN114896163A
公开(公告)日：2022-08-12
申请号：CN202210595165.2
申请日：2022-05-28
Applicant: 南通大学 , 江苏边智科技有限公司
Abstract: 本发明属于计算机应用技术领域，公开了一种基于GraphSAGE和MLP的软件缺陷定位方法。该方法包括以下步骤：1)获取待测程序的代码覆盖信息，统计语句被失败测试用例覆盖的次数；2)构建抽象语法树并进行剪枝处理，以及对每个节点进行词嵌入；3)将语义信息与覆盖次数作为节点属性；4)通过GraphSAGE学习有价值的特征，得到每个节点的节点表示；5)对于一个语句由多个节点组成的情况，对其进行特征融合；6)将每个语句的表示输入到多层感知机中进行训练并排序，生成错误报告。本发明结合静态和动态特征，通过图神经网络进一步提取特征信息，并利用多层感知机来计算可疑度，实现较高精度的缺陷定位。
-
Patent Agency Ranking
公开(公告)号：CN114936158B
公开(公告)日：2024-06-04
申请号：CN202210595157.8
申请日：2022-05-28
Applicant: 南通大学 , 江苏保润网络科技有限公司
IPC: G06F11/36 , G06F8/41 , G06F11/07 , G06N3/042 , G06N3/0464
Abstract: 本发明提供了一种基于图卷积神经网络的软件缺陷定位方法，包括以下步骤：(1)使用Louvain算法对抽象语法树进行剪枝，减少冗余节点；(2)结合抽象语法树与控制流图并通过Word2Vec生成对应的词向量，提取代码语义特征以及上下文依赖；(3)通过注意力机制进行关键特征提取和降维，减少模型参数的数量以及降低模型过拟合；(4)基于上述特征，对构建的图卷积神经网络模型进行训练，得到软件缺陷定位预测模型。本发明的有益效果为：结合抽象语法树和控制流图提取特征，通过图卷积神经网络进一步提取特征信息并进行节点分类，实现较高精度的缺陷定位，提高了缺陷定位的效率。
-
公开(公告)号：CN115269246A
公开(公告)日：2022-11-01
申请号：CN202210895176.2
申请日：2022-07-26
Applicant: 南通大学
Abstract: 本发明提供了一种基于二元相关性和逻辑回归分析的阻塞Bug识别方法，属于计算机应用技术领域，解决了对软件Bug阻塞和被阻塞标签的自动化预测的问题；其技术方案为：包括以下步骤：(1)通过筛选Bug报告中的“Blocks”和“Depends on”字段来构建特殊的数据集；(2)采用Word2Vec方法对Bug报告中的自然语言部分进行编码转换为向量形式；(3)对Bug报告中提取的多个字段进行相关性分析，筛选出相关性高的一部分字段作为模型训练的特征；(4)通过BR‑LR针对两个数据集分别学习到Bug标签的不同预测方法；(5)结合两个预测模型对Bug不同标签的预测结果，生成预测报告。本发明的有益效果为：本发明结合Binary Relevance和逻辑回归分析，通过对训练数据集的筛选和划分，实现对阻塞Bug的双标签的预测。
-
公开(公告)号：CN115269246B
公开(公告)日：2025-05-02
申请号：CN202210895176.2
申请日：2022-07-26
Applicant: 南通大学
IPC: G06F11/07 , G06F17/18 , G06F18/214 , G06F18/2113 , G06F18/2431
Abstract: 本发明提供了一种基于二元相关性和逻辑回归分析的阻塞Bug识别方法，属于计算机应用技术领域，解决了对软件Bug阻塞和被阻塞标签的自动化预测的问题；其技术方案为：包括以下步骤：(1)通过筛选Bug报告中的“Blocks”和“Depends on”字段来构建特殊的数据集；(2)采用Word2Vec方法对Bug报告中的自然语言部分进行编码转换为向量形式；(3)对Bug报告中提取的多个字段进行相关性分析，筛选出相关性高的一部分字段作为模型训练的特征；(4)通过BR‑LR针对两个数据集分别学习到Bug标签的不同预测方法；(5)结合两个预测模型对Bug不同标签的预测结果，生成预测报告。本发明的有益效果为：本发明结合Binary Relevance和逻辑回归分析，通过对训练数据集的筛选和划分，实现对阻塞Bug的双标签的预测。
-
公开(公告)号：CN115185731B
公开(公告)日：2025-05-02
申请号：CN202210849549.2
申请日：2022-07-19
Applicant: 南通大学
IPC: G06F11/07 , G06F8/75 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明提供了一种混合多个深度学习模型以促进阻塞Bug预测的方法，属于计算机应用技术领域，解决了自动化预测多对Bug之间存在阻塞关系的技术问题。其技术方案为：包括以下步骤：(1)从Bug报告中提取“Summary”和“Description”两个字段构成数据集；(2)将自然语言文本进行词干恢复；(3)将这两个字段进行编码转换为词向量形式；(4)构建预测模型；(5)将两个分类器给出的值的加权和相加，得到最终的预测模型。本发明的有益效果为：本发明构建两个深度学习模型，并通过集成学习的方法Boosting将其结合起来，从而得到一个更全面、更稳健的预测模型，实现对阻塞Bug更好的预测。
-
公开(公告)号：CN115185731A
公开(公告)日：2022-10-14
申请号：CN202210849549.2
申请日：2022-07-19
Applicant: 南通大学
Abstract: 本发明提供了一种混合多个深度学习模型以促进阻塞Bug预测的方法，属于计算机应用技术领域，解决了自动化预测多对Bug之间存在阻塞关系的技术问题。其技术方案为：包括以下步骤：(1)从Bug报告中提取“Summary”和“Description”两个字段构成数据集；(2)将自然语言文本进行词干恢复；(3)将这两个字段进行编码转换为词向量形式；(4)构建预测模型；(5)将两个分类器给出的值的加权和相加，得到最终的预测模型。本发明的有益效果为：本发明构建两个深度学习模型，并通过集成学习的方法Boosting将其结合起来，从而得到一个更全面、更稳健的预测模型，实现对阻塞Bug更好的预测。
-
-
-
-
-
-
Search Results
7
records
(took 0.023 seconds)
