-
公开(公告)号:CN113672508B
公开(公告)日:2023-09-22
申请号:CN202110944362.6
申请日:2021-08-17
Applicant: 大连海事大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于风险策略和多样性策略的Simulink测试方法,具体步骤包括:收集测试用例;对生成的测试用例进行处理:统计每个测试用例中出现的Simulink模块名以及出现的次数;对关键词向量进行建模:将所有测试用例中出现的Simulink模块名构成一个关键词词典,并记录每个关键词出现的次数,将出现次数低于设定阈值的关键词删除;构建关键词矩阵KV、风险向量RV以及距离矩阵DM;使用基于风险向量RV的风险策略Dan、基于距离矩阵DM的多样性策略Var、以及结合了上述两种策略的多样性风险混合策略VarDan对Simulink测试用例进行优先化排序。
-
公开(公告)号:CN114968251A
公开(公告)日:2022-08-30
申请号:CN202210405164.7
申请日:2022-04-18
Applicant: 大连海事大学
Abstract: 本发明公开了一种优化参数自动配置方法,包括:从Simulink数据库中获取Simulink模型并获得破环模型,对破环模型进行基本参数配置;采用随机森林建立替代模型,基于遗传算法选择替代模型候选优化序列的一个子集,并将该序列加入到初始优化参数种群中,不断迭代得到最佳优化参数配置;建立替代模型:更新替代模型;选择优化序列,随机初始化固定数量的由优化序列构成的种群,替代模型预测运行时间并使用适应度函数计算种群中每一个优化序列的适应度得分,将适应度得分最高的序列作为优化序列,该序列的参数配置为最优参数配置。
-
公开(公告)号:CN113378178B
公开(公告)日:2023-08-22
申请号:CN202110687688.5
申请日:2021-06-21
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于深度学习的图自信学习软件漏洞检测方法,包括:对源代码进行构图:将唯一的单词表示为顶点,将单词之间的协同表示为边来构造代码的图,获取每个图的连接的边的初始特征以及每个节点的初始特征值;构建深度置信网络模型,将转化为图结构的数据集输入至该模型中,找出数据集中是噪音的样本,把噪音样本从数据集中删除;使用门控图神经网络聚集和传递代码图中相邻代码节点的信息,学习代码节点的特征并进行图级预测从而对软件代码漏洞进行检测。该方法通过深度学习的图自信学习软件漏洞检测方法来训练识别软件漏洞模型,在检测软件漏洞方面取得了良好的效果,提高了在软件性能问题。
-
公开(公告)号:CN113672508A
公开(公告)日:2021-11-19
申请号:CN202110944362.6
申请日:2021-08-17
Applicant: 大连海事大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于风险策略和多样性策略的Simulink测试方法,具体步骤包括:收集测试用例;对生成的测试用例进行处理:统计每个测试用例中出现的Simulink模块名以及出现的次数;对关键词向量进行建模:将所有测试用例中出现的Simulink模块名构成一个关键词词典,并记录每个关键词出现的次数,将出现次数低于设定阈值的关键词删除;构建关键词矩阵KV、风险向量RV以及距离矩阵DM;使用基于风险向量RV的风险策略Dan、基于距离矩阵DM的多样性策略Var、以及结合了上述两种策略的多样性风险混合策略VarDan对Simulink测试用例进行优先化排序。
-
公开(公告)号:CN114968251B
公开(公告)日:2024-08-02
申请号:CN202210405164.7
申请日:2022-04-18
Applicant: 大连海事大学
Abstract: 本发明公开了一种优化参数自动配置方法,包括:从Simulink数据库中获取Simulink模型并获得破环模型,对破环模型进行基本参数配置;采用随机森林建立替代模型,基于遗传算法选择替代模型候选优化序列的一个子集,并将该序列加入到初始优化参数种群中,不断迭代得到最佳优化参数配置;建立替代模型:更新替代模型;选择优化序列,随机初始化固定数量的由优化序列构成的种群,替代模型预测运行时间并使用适应度函数计算种群中每一个优化序列的适应度得分,将适应度得分最高的序列作为优化序列,该序列的参数配置为最优参数配置。
-
公开(公告)号:CN113378178A
公开(公告)日:2021-09-10
申请号:CN202110687688.5
申请日:2021-06-21
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于深度学习的图自信学习软件漏洞检测方法,包括:对源代码进行构图:将唯一的单词表示为顶点,将单词之间的协同表示为边来构造代码的图,获取每个图的连接的边的初始特征以及每个节点的初始特征值;构建深度置信网络模型,将转化为图结构的数据集输入至该模型中,找出数据集中是噪音的样本,把噪音样本从数据集中删除;使用门控图神经网络聚集和传递代码图中相邻代码节点的信息,学习代码节点的特征并进行图级预测从而对软件代码漏洞进行检测。该方法通过深度学习的图自信学习软件漏洞检测方法来训练识别软件漏洞模型,在检测软件漏洞方面取得了良好的效果,提高了在软件性能问题。
-
-
-
-
-