一种针对安卓动态加载的隐私泄露检测的方法

    公开(公告)号:CN109522235B

    公开(公告)日:2021-04-27

    申请号:CN201811441526.8

    申请日:2018-11-29

    Applicant: 南京大学

    Abstract: 本发明公开了一种针对安卓动态加载的隐私泄露检测的方法,包括步骤如下:步骤10:输入待检测的安卓应用,将应用逆向成为字节码文件;步骤11:对字节码文件进行静态分析,获取可以到达动态加载的控制流路径;步骤12:对待检测的应用进行插桩,插入获取动态加载文件和用于记录动态加载信息的代码;步骤13:根据控制流路径中的事件及约束,生成动态执行所输入的事件,并让插桩后的应用执行这些事件来触发动态加载;步骤14:动态执行后,得到动态加载的外部文件及动态加载的信息,使用数据流分析方法对敏感数据在路径和动态加载的方法中进行追踪;步骤15:得到最终的针对动态加载隐私泄露检测结果。

    一种针对安卓动态加载的隐私泄露检测的方法

    公开(公告)号:CN109522235A

    公开(公告)日:2019-03-26

    申请号:CN201811441526.8

    申请日:2018-11-29

    Applicant: 南京大学

    Abstract: 本发明公开了一种针对安卓动态加载的隐私泄露检测的方法,包括步骤如下:步骤10:输入待检测的安卓应用,将应用逆向成为字节码文件;步骤11:对字节码文件进行静态分析,获取可以到达动态加载的控制流路径;步骤12:对待检测的应用进行插桩,插入获取动态加载文件和用于记录动态加载信息的代码;步骤13:根据控制流路径中的事件及约束,生成动态执行所输入的事件,并让插桩后的应用执行这些事件来触发动态加载;步骤14:动态执行后,得到动态加载的外部文件及动态加载的信息,使用数据流分析方法对敏感数据在路径和动态加载的方法中进行追踪;步骤15:得到最终的针对动态加载隐私泄露检测结果。

    一种基于词向量的多平台控件对应方法

    公开(公告)号:CN106844339A

    公开(公告)日:2017-06-13

    申请号:CN201710012347.1

    申请日:2017-01-09

    Applicant: 南京大学

    Abstract: 本发明公开了一种基于词向量的多平台控件对应方法,包括如下步骤:寻找与控件、UI设计、页面布局文件相关的英文文档组成词向量的训练集;使用stanford工具对英文文档进行分词得到单词序列;对得到的单词序列使用word2vec进行词向量训练,得到每个单词的向量表示;找到平台网站上的控件描述文本;将这些描述文本分词之后训练得到词向量,进而转化为句向量;计算每两个向量之间的距离,选出相似控件。本发明根据官方的空间描述找到的多平台控件对应关系可以减少同一平台上版本更替所需要修改的代码,并且会在跨平台代码转化中的UI部分起到相当大的推荐作用。还有,本发明的思路会对其他的工程设计尤其是API对应有着借鉴意义。

    一种基于扩展的UML2序列图的中断驱动系统建模方法

    公开(公告)号:CN106648617A

    公开(公告)日:2017-05-10

    申请号:CN201611023955.4

    申请日:2016-11-14

    Applicant: 南京大学

    Abstract: 一种基于扩展的UML2序列图的中断驱动系统建模方法,步骤如下:步骤1:扩展UML2序列图,新增中断交互操作类型用于描述中断的发生和响应处理;步骤2:将中断驱动系统的执行流程划分为一个中断外交互和若干个中断内交互;步骤3:根据UML2序列图规范对中断外的流程进行建模;步骤4:根据步骤1中定义的中断组合片段对中断的发生和响应处理进行建模;步骤5:对中断驱动系统的时间约束进行建模;本发明扩展了UML2序列图,使之能够描述中断驱动系统,为中断驱动系统设计人员提供了直观形象、易于理解的建模方法;有利于中断驱动系统的建模设计、以及相关的模型验证、模型转换以及模型到代码的生成。

    一种基于MARTE建模语言和Theme方法的嵌入式系统建模方法

    公开(公告)号:CN103294520B

    公开(公告)日:2016-12-21

    申请号:CN201210531501.3

    申请日:2012-12-11

    Applicant: 南京大学

    Abstract: 一种基于MARTE建模语言和Theme方法的嵌入式系统建模方法,步骤10:根据嵌入式系统的需求说明书分析实体和采用的Theme;步骤11:确定最终的类和实体;步骤12:确定最终的Theme;步骤13:确定时间相关行为,使用MARTE建模语言对需要的时钟进行建模;步骤14:对基础的面向方面的Base Theme进行建模;步骤15:使用设计好的时钟,将时间相关行为作为Aspect Theme进行建模;步骤16:根据合并、覆盖等Theme整个规则,分析Theme之间关系,对Theme进行整合编织,形成完整的嵌入式系统模型。

    一种查找不同平台间功能相似UI组件的方法和装置

    公开(公告)号:CN105718441A

    公开(公告)日:2016-06-29

    申请号:CN201610019895.2

    申请日:2016-01-13

    Applicant: 南京大学

    CPC classification number: G06F17/2715

    Abstract: 本发明公开了一种查找不同平台间功能相似UI组件的方法和装置。本发明通过对UI组件文档的文本分析,提取关键词,并记录各个关键词出现的词频数,然后对关键词进行词形还原后进行同义词和近义词合并,得到特征关键词和相应的词频数构建特征向量;然后根据各个UI所对应的特征向量计算两个不同平台UI组件间的相似度。本发明对文档中出现的词语采用词形还原,词干提取技术使得不同形式的词语归结一个关键词,不仅减少了关键词的维数而且能够产生更好的相似比较结果;本发明对文本中同义词的处理更能够增加相似文本的相似度大小。

    基于模型驱动工程的将AADL组件转换到接口自动机模型方法

    公开(公告)号:CN103049602B

    公开(公告)日:2016-05-18

    申请号:CN201210539042.3

    申请日:2012-12-13

    Applicant: 南京大学

    CPC classification number: Y02T10/82

    Abstract: 一种基于模型驱动工程的将AADL组件转换到接口自动机模型方法,包括步骤:步骤10:使用OSATE建立AADL模型;步骤11:使用EMF建立AADL元模型;步骤12:使用EMF建立IA元模型;步骤13:新建一个ATL工程,编写转换文件,将AADL模型以及AADL元模型,接口自动机元模型导入到ATL工程中;步骤14:运行ATL工程转换得到转换结果接口自动机;该方法主要特点为可以有效解决半形式化的AADL构件模型转换到接口自动机的形式化模型,基于模型驱动工程理念而非传统方法,有效利用现有建模框架和模型转换方法等。

    一种基于逆向工程的模型库构造方法

    公开(公告)号:CN104391706A

    公开(公告)日:2015-03-04

    申请号:CN201410720708.4

    申请日:2014-12-02

    Applicant: 南京大学

    Abstract: 本发明公开了一种基于逆向工程的模型库构造方法。该方法包括如下步骤:通过网络爬虫从互联网上抓取开源项目的源代码;清理抓取的源代码获取有效的源代码文件;对有效的源代码文件逆向工程分析构建初始的UML类图;对初始的UML类图进行精化处理得到精简的UML类图;将精简的UML类图保存至图数据库中。本发明可以将互联网上大量的源代码转换成为UML类图模型,并将这些模型精化后存入到非关系数据库,实现了模型库的构造。通过对逆向工程的进一步精化使得本发明产生的类图模型包含有更多的代码结构信息,较其他方法更精确。

    一种基于MongoDB的云端代码查询方法与装置

    公开(公告)号:CN103902651A

    公开(公告)日:2014-07-02

    申请号:CN201410056117.1

    申请日:2014-02-19

    Applicant: 南京大学

    CPC classification number: G06F17/30932

    Abstract: 本发明公开了一种基于MongoDB的云端代码查询方法与装置。本发明的方法包括如下步骤:分析TXL的语法定义文件生成层次结构库;根据层次结构库将查询语句翻译成MongoDB的查询命令;调用MongoDB中的查询函数执行查询命令。通过本发明的方法可以解决云云端代码查询中的大数据量和代码异构问题。此外本发明的方法还支持语义查询。

    一种基于类属性指导的UML模型查询方法

    公开(公告)号:CN103324736A

    公开(公告)日:2013-09-25

    申请号:CN201310268383.6

    申请日:2013-07-01

    Applicant: 南京大学

    Abstract: 本发明公开了一种基于类属性指导的UML模型查询方法,包括如下步骤:步骤1:获取模型定义和目标模型;步骤2:统计模型定义中的类元属性的属性值频次;步骤3:按步骤2获得的类元属性的属性值统计频次对目标模型中的类元进行排序;步骤4:按步骤3的排序结果的顺序对目标模型中的类元分析并与模型定义中的类元结构进行匹配。本发明通过优化目标模型进行匹配的输入序列,可以有效的缩小匹配过程中比较的次数,较原来的基于结构匹配的模型查询技术来说匹配效率更高,可以帮助软件设计人员更方便更灵活的理解软件。

Patent Agency Ranking