-
公开(公告)号：CN115525543A
公开(公告)日：2022-12-27
申请号：CN202211120182.7
申请日：2022-09-15
Applicant: 大连理工大学
IPC: G06F11/36
Abstract: 一种基于使用状态机的安卓应用程序测试方法，该测试方法利用模型驱动测试用例生成，通过将非形式化的软件代码及规格说明建模为有限状态自动机，再转成正则表达式模型，然后根据预定义的测试覆盖准则自动生成测试用例，能够以最少的测试用例得到最佳测试覆盖效果；包含：①对软件进行确定性有限状态自动机建模；②依据建模结果，生成正则表达式；③依据自定义测试覆盖准则产生测试用例，包括测试输入和预期输出；④将抽象测试输入实例化为可执行测试用例，再在被测试系统中输入测试用例，观察被测试系统运行是否与预期输出一致。本发明能够以最少的测试用例得到最佳测试覆盖效果；可以进一步降低测试成本，提高测试效率。
-
公开(公告)号：CN110969206A
公开(公告)日：2020-04-07
申请号：CN201911201994.2
申请日：2019-11-29
Applicant: 大连理工大学
Abstract: 本发明公开了基于层次划分的电路故障实时诊断与自修复方法，包括如下具体步骤：Step1：将电路系统按照功能进行模块划分并依据调用关系分层，利用故障树分析方法赋予各个模块不同的影响因子；Step2：选取Step1中需要监控与修复的模块获得电路相应CGP编码，模拟单粒子翻转效应对CGP编码进行故障注入获得大量故障样本数据，利用获得故障样本数据离线训练神经网络；Step3：当故障发生时结合Step2发送来的故障模块编号与Step1中不同模块编号对应的影响因子来决定故障模块的修复顺序，并利用补偿机制保证修复期间系统的正常运行。该方法解决了限制故障智能检测发展的数据集问题，同时提供一种基于电路故障模块影响度的修复方法。
-
公开(公告)号：CN116820937A
公开(公告)日：2023-09-29
申请号：CN202310669402.X
申请日：2023-06-07
Applicant: 大连理工大学
IPC: G06F11/36 , G06V10/764 , G06N3/08 , G06V10/82
Abstract: 本发明公开了面向目标识别的深度神经网络黑盒脆弱性测试方法，涉及人工智能领域。技术方案：通过使用尺度不变特征变换的方法对测试图片进行关键点提取，通过将对抗样本搜索树生成过程设计为双人博弈的启发式搜索过程，并使用UCB公式对启发式搜索过程进行修正，通过对平均攻击次数、平均扰动距离和平均分类精度等多个维度的数据统计，实现对目标识别模型在大量黑盒对抗攻击下可靠服务能力的定量分析。有益效果：有效定位目标识别模型的决策边界，降低对抗样本搜索树的构造复杂度，提高对抗样本的生成效率；避免在对抗样本搜索过程中陷入局部最优而不能得到更接近于实际的全局最优解；从多个数据维度对目标识别深度神经网络进行脆弱性测试与评价。
-
公开(公告)号：CN110969206B
公开(公告)日：2023-06-06
申请号：CN201911201994.2
申请日：2019-11-29
Applicant: 大连理工大学
IPC: G06F18/2433 , G06N3/0464 , G06N3/08 , G06F18/2411
Abstract: 本发明公开了基于层次划分的电路故障实时诊断与自修复方法，包括如下具体步骤：Step1：将电路系统按照功能进行模块划分并依据调用关系分层，利用故障树分析方法赋予各个模块不同的影响因子；Step2：选取Step1中需要监控与修复的模块获得电路相应CGP编码，模拟单粒子翻转效应对CGP编码进行故障注入获得大量故障样本数据，利用获得故障样本数据离线训练神经网络；Step3：当故障发生时结合Step2发送来的故障模块编号与Step1中不同模块编号对应的影响因子来决定故障模块的修复顺序，并利用补偿机制保证修复期间系统的正常运行。该方法解决了限制故障智能检测发展的数据集问题，同时提供一种基于电路故障模块影响度的修复方法。
-
公开(公告)号：CN113783721A
公开(公告)日：2021-12-10
申请号：CN202110961434.8
申请日：2021-08-20
Applicant: 大连理工大学
Abstract: 本发明公开了面向工业控制网络协议的可信性建模与验证方法，包括：步骤1：获取工控网络协议的详细描述；步骤2：按照表格状态机的方法构建出协议的表格化模型；步骤3：检查所述表格化模型的基本错误与异常；步骤4：提取所述事件、协议状态与变量属性，生成可验证属性表；步骤5：将所述协议需要满足的可信性属性使用线性时态逻辑LTL描述，得到属性验证公式；步骤6：对属性验证公式进行语法检查，确定所述属性验证公式是否正确；步骤7：用所述属性验证公式对所述表格化模型进行验证，若模型中存在不符合属性验证公式的情况，则将该情况作为反例路径输出，所述反例路径逐步反馈在表格状态机中，通过分析反例路径，全面发现协议设计缺陷。
-
Patent Agency Ranking
公开(公告)号：CN110941932B
公开(公告)日：2021-07-20
申请号：CN201911200553.0
申请日：2019-11-29
Applicant: 大连理工大学
IPC: G06F30/33
Abstract: 本发明公开了一种面向硬件逻辑设计的需求建模与验证方法，包括步骤1：获取需求分析阶段划分的功能模块，并将所述功能模块代码填入对应样式的表格中；步骤2：分析填充的、以多样式描述不同功能Verilog HDL语句的表格，记录同模块间表格的嵌套关系和不同模块间端口的实例化关系；步骤3：对代码进行语法和逻辑审查；步骤4：由模块代码生成保存时序运行逻辑的文档；步骤5：在不同的时钟沿调用时序运行逻辑的文档，使用表格显示对不同时钟沿时刻代码所处的逻辑分支的具体位置；步骤6：对验证逻辑正确后的所述代码进行整合操作，生成表格填充对应的Verilog HDL代码框架。该方法能以简单的填充表格方式，自动对逻辑进行验证，达到事前验证的效果。
-
公开(公告)号：CN106044109A
公开(公告)日：2016-10-26
申请号：CN201610570517.3
申请日：2016-07-18
Applicant: 大连理工大学
IPC: B65G43/02
CPC classification number: B65G43/02
Abstract: 本发明公开了一种输送带防撕裂监测系统，包括单片机、存储单元、电流电压转换单元、继电器、电机供电单元和电机，单片机分别与存储单元、电流电压转换单元和继电器信号连接，电流电压转换单元与电机供电单元电连接，继电器与电机信号连接，电机与输送带动力连接。本发明的有益效果为：不需要对原输送带进行较多物理硬件的改动，成本投入较低；通过监测电机供电单元电流波动情况来预防输送带纵向撕裂并能及时控制电机停止工作以防止输送带纵向撕裂。
-
公开(公告)号：CN119066660A
公开(公告)日：2024-12-03
申请号：CN202411091512.3
申请日：2024-08-09
Applicant: 大连理工大学
Abstract: 本发明提供一种基于模糊突变算子竞争的嵌入式软件模糊测试方法和系统，通过模糊突变算子的竞争与自适应调整增强测试效能。包括：步骤1：将突变调度器内初始突变算子的选择概率分布视作父代并对其进行轻微扰动，产生子代选择概率分布；步骤2：模糊器随机选取初始模糊输入，突变调度器选择出突变算子并将其应用到初始模糊输入上，得到父代与子代的突变模糊输入；步骤3：模糊器将突变模糊输入放入待测程序中测试，并将测试的结果反馈给突变调度器来计算父代与子代的进化适应度，以选出新的父代；步骤4：将突变模糊输入发现的新路径或触发待测程序崩溃的输入的有关信息保存在一个哈希表中，并将该哈希表视为突变调度器内的一个独立的突变算子。
-
公开(公告)号：CN118018237A
公开(公告)日：2024-05-10
申请号：CN202311797115.3
申请日：2023-12-26
Applicant: 大连理工大学
IPC: H04L9/40 , H04L9/00 , H04L41/12 , H04L67/1097
Abstract: 本发明公开了一种基于多模型数据增强的工控流量异常检测方法，包括：获取实际工控场景中来自上位交换机镜像而出的网络层流量即PCAP包；将所述PCAP包输入至数据增强模块，对数据进行清洗降噪、升维，生成平衡数据；所述平衡数据传输至多模型异常检测模块；将多模型异常检测模块识别出的异常结果交给判定规则；通过判定规则得到的判定结果输入至区块链智能合约模块，将判定为异常的信息存储到区块链的分布式数据库中；根据本地物理IP信息进行资产识别，生成网络拓扑图，将异常信息中包含的IP及端口反射在网络拓扑图中；通过异常信息生成访问智能合约、应对策略。本发明对实时的工控流量数据进行快速分析和处理，准确地识别出可能存在的异常流量。
-
公开(公告)号：CN117391173A
公开(公告)日：2024-01-12
申请号：CN202311216939.7
申请日：2023-09-20
Applicant: 大连理工大学
IPC: G06N3/082 , G06N3/0464 , G06N3/06
Abstract: 本发明公开了面向深度神经网络鲁棒性的剪枝和形式化验证方法，包括：S1：选取一个待验证的样本，在规定的扰动范围内，生成大量不重复的随机样本；S2：将每一个随机样本通过待验证的神经网络，在此过程中，统计神经元的覆盖率；S3：计算每一个隐藏层神经元的取值范围；S4：根据隐藏层神经元的取值范围，将处于未激活状态的神经元以及和它关联的边从神经网络中移除；S5：使用混合整数线性规划方法对剪枝后的神经网络进行建模；S6：将建模后的神经网络和待验证的属性输入线性规划求解器进行求解，根据求解结果判断当前样本下神经网络的鲁棒性。本发明的有益效果是：减少神经网络鲁棒性的验证时间，提高可验证的神经网络规模。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.036 seconds)
