一种基于质量保证框架的代码摘要集成方法

    公开(公告)号:CN113282336B

    公开(公告)日:2023-11-10

    申请号:CN202110656618.3

    申请日:2021-06-11

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于质量保证框架的代码摘要集成方法。包括如下步骤:利用现有的代码摘要方法生成I个候选代码;基于协同过滤的组件,针对每一个候选代码摘要,分别计算两个质量分数Precisioni和Recalli,基于检索的组件,计算质量分数REScorei;利用每个候选代码摘要的质量分数Precisioni和Recalli,计算该候选代码摘要的调和平均数F1scorei;通过对各候选代码摘要的调和平均数的比较以及质量分数REScorei值的比较,选择质量最好的一个作为最终的输出结果sumbest。本发明所使用方法能够有效集成不同模型的优点,从而提升代码摘要的有效性。

    一种基于网络数据空间设计的服务质量预测方法

    公开(公告)号:CN114757391A

    公开(公告)日:2022-07-15

    申请号:CN202210264626.8

    申请日:2022-03-17

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于网络数据空间设计的服务质量预测方法,该方法由潜在网络空间学习和QoS预测两部分组成。第一部分旨在学习三个潜在网络空间(即用户潜在网络空间、服务潜在网络空间和交互潜在网络空间)。第二部分首先对三个潜在网络空间中的每个特征进行采样,然后通过三个不同的卷积网络融合不同的特征,实现QoS预测。该方法通过这两个创新组件,LNSL为不同位置的每个用户和业务生成潜在的网络空间,实现高精度的QoS预测。

    一种基于组件感知的日志异常检测方法

    公开(公告)号:CN111949480A

    公开(公告)日:2020-11-17

    申请号:CN202010795863.8

    申请日:2020-08-10

    Applicant: 重庆大学

    Abstract: 本发明涉及基于组件感知的日志异常检测方法,该方法将目标软件的日志消息转换为日志模板序列和组件序列,然后进行模型训练,将两个LSTM模型组合使用,两个LSTM模型训练使用相同的损失函数,采用梯度下降优化算法更行参数值,训练完成得到由日志检测模型和组件检测模型构成的组合模型;将t-h到t-1时刻的所有日志数据的参考日志模板序列和参考组件序列输入组合模型得到可能日志模板集和可能组件模板集;当t时刻日志消息mt的待测日志模板序列在可能日志模板集中,且t时刻日志消息mt的待测组件序列在可能组件模板集Cg中,则认为日志消息mt为正常日志,否则产生系统告。试验结果表明,本发明方法的召回率和F值更高,表现更好。

    一种基于命名模式的方法名称推荐方法

    公开(公告)号:CN115826947B

    公开(公告)日:2025-03-18

    申请号:CN202211547271.X

    申请日:2022-12-05

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于命名模式的方法名称推荐方法,该方法包括如下步骤:首先利用大规模数据集构建检索库,输入目标项目方法,通过代码的令牌级相似度,从检索库中检索出与目标项目方法最相似的方法;然后,使用搜索引擎得到上下文序列,使用最相似的方法的名称作为模式指导器,提供目标方法名称的命名模式;采用NamPat将目标方法的上下文信息与模式指导器相结合,进行方法名称推荐。本方法可以使得对未知的方法进行更准确的名称推荐。

    一种软件质量一体化管理方法及系统

    公开(公告)号:CN119417305A

    公开(公告)日:2025-02-11

    申请号:CN202411543558.4

    申请日:2024-10-31

    Applicant: 重庆大学

    Inventor: 李强 鄢萌 张小洪

    Abstract: 本发明涉及软件开发技术领域,具体涉及一种软件质量一体化管理方法及系统。所述系统包括:需求管理模块,用于确定需求,并制定测试计划;数据处理模块,用于收集软件开发过程中的质量管理数据,并为数据打标签;关联关系模块用于建立数据之间的关联关系;执行记录模块用于记录软件开发、测试、修复流程中的操作,并生成执行日志;质量分析模块,用于构建质量评估模型,根据计算软件质量得分,并判定软件质量等级;测试管理模块,用于根据需求生成并执行测试用例,得到评估数据;质量评估模块,用于对评估数据进行整合分析,对软件质量进行全面评估。该技术方案能够高效全面地实现软件开发过程中的质量管理,实现质量问题的快速追溯和定位。

    基于结构模式与文本模式融合引导的方法名称推荐方法

    公开(公告)号:CN118585705A

    公开(公告)日:2024-09-03

    申请号:CN202410727292.2

    申请日:2024-06-06

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于结构模式与文本模式融合引导的方法名称推荐方法,该方法利用代码的实现令牌与AST分别检索最相似的方法,并分别提取对应的方法名,构成两种模式指导器,同时结合方法上下文信息完成方法名推荐。为了更好的融合两种模式指导器的信息,该方法引入共注意力机制融合模式信息。此外,为了使模式指导器更好的引导方法上下文信息,该方法使用交叉注意力机制识别模式指导器与上下文信息的语义相关性,提升模式指导器对上下文信息的指导。利用两种模式指导器,引入更好的信息融合机制,提升方法名推荐的质量。

    一种基于距离感知半监督学习的日志异常检测方法

    公开(公告)号:CN118503039A

    公开(公告)日:2024-08-16

    申请号:CN202410579932.X

    申请日:2024-05-11

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于距离感知半监督学习的日志异常检测方法,该方法有效减轻对大量人工标注数据的依赖。该方法包含三个组件:日志表征组件使用Drain+进行日志解析并将日志事件模版转换为语义向量作为方法输入,以缓解日志消息演化对方法性能造成的影响。距离感知标签评估组件利用无标签数据和少量正类标签数据之间的距离自动地评估出高质量的伪标签数据,有效降低对大量人工标注数据的依赖。异常检测组件使用Transformer编码器对正类标签数据和高质量伪标签数据进行编码,捕获日志消息中的复杂模式和长期依赖关系,最终用于异常检测任务。在三个公开数据集上的实验结果表明,该方法的整体性能均优于三个基线方法。

    一种基于代码数据流增强大模型的漏洞检测方法

    公开(公告)号:CN118246029A

    公开(公告)日:2024-06-25

    申请号:CN202410451915.8

    申请日:2024-04-16

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于代码数据流增强大模型的漏洞检测方法,适用于任意代码预训练模型的漏洞检测下游任务。该方法主要由数据流图构建、数据流嵌入和正弦位置嵌入、合并数据流信息三个步骤组成。步骤一从函数粒度的源代码中解析数据流图并使用变量数据类型的词嵌入作为节点特征。步骤二通过图学习技术进行数据流图嵌入,通过正弦位置编码将数据流中的相对位置信息合并到图嵌入中,以保证漏洞数据流信息的完整性。步骤三将步骤二中产生的数据流嵌入与预训练模型产生的源代码句向量拼接,使用多层感知机进行漏洞检测。本发明能够通过与代码预训练模型相结合来增强漏洞检测方法在处理复杂数据流信息方面的能力,从而提高检测的性能和效率。

    基于抽象语法树和迭代的Java程序死代码检测方法

    公开(公告)号:CN117313088A

    公开(公告)日:2023-12-29

    申请号:CN202311248683.8

    申请日:2023-09-26

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于抽象语法树和迭代的Java程序死代码检测方法,该方法是通过抽象语法树分析Java项目代码,确定其中的死方法的过程。具体步骤包括清洗项目、获取抽象语法树、获取方法调用信息和引用信息、确定死方法等。在获取抽象语法树时需要利用Java Parser工具,通过遍历节点获得方法的完整路径名列表和相关信息。然后根据方法之间的调用关系,迭代地确定死方法。最终得到的是一个死方法集合。本发明方法能够解决存在方法重写和重载的项目中死方法的检测、存在多线程编程的项目中死方法的检测和存在跨文件的方法调用的项目中死方法检测。同时具有良好的时效性。

    一种基于知识增强的多粒度政务服务事项推荐方法

    公开(公告)号:CN117112794A

    公开(公告)日:2023-11-24

    申请号:CN202310582574.3

    申请日:2023-05-23

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于知识增强的多粒度政务服务事项推荐方法,该方法包括获取数据,构建和训练KEMG模型,所述KEMG模型包括融合字粒度信息的嵌入层,基于CNN增强的编码层,基于注意力机制的交互层,融合层和多层全连接层得到相似性预测分数。根据获取的数据对KEMG模型进行训练,得到最优KEMG模型。对于新用户,采用S1得到用户向量输入最优KEMG模型,最优KEMG模型计算该新用户与所有服务事项的关联程度,并按照关联程度值的大小降序排列,输出关联程度值所对应的服务事项序列TOP‑k。通过试验证明该方法能在保证检索效率的同时有较高的信息检索准确度。

Patent Agency Ranking