-
公开(公告)号：CN115629760B
公开(公告)日：2025-05-09
申请号：CN202211190016.4
申请日：2022-09-28
Applicant: 扬州大学
IPC: G06F8/41 , G06F16/36 , G06F16/901 , G06F40/295 , G06N3/04
Abstract: 本发明公开了一种基于代码知识图谱的缺陷定位方法及系统，从Git版本控制系统中提取源代码，对源代码进行解析生成抽象语法树，基于抽象语法树构建代码知识图谱，同时对Bugzilla缺陷跟踪系统中爬取的缺陷报告的摘要和描述预处理后，进行命名实体识别，以识别出和缺陷相关的实体序列，再将代码知识图谱与缺陷实体序列通过嵌入算法转换为向量化表示，计算两者之间的余弦相似度，按相似度得分降序，生成可疑方法列表，过滤了源代码中陈宇信息的同时，明确缺陷报告中和缺陷相关的实体元素，保留缺陷相关信息，提升缺陷定位的准确性，减少维护人员定位软件缺陷所耗费的时间和精力，提高软件维护的效率。
-
公开(公告)号：CN115562673B
公开(公告)日：2025-05-09
申请号：CN202211190008.X
申请日：2022-09-28
Applicant: 扬州大学
IPC: G06F8/41 , G06F16/36 , G06F16/901 , G06F40/295
Abstract: 本发明公开了一种基于代码知识图谱的缺陷搜索方法及系统，从文本和代码角度将Mozilla@Bugzilla，Eclipse@Bugzilla，Github以及Stack overflow网站的缺陷修复前后的代码进行整合，爬取不同的主题，并构建主题集，同事提取帖子中缺陷代码和正确代码，建立以缺陷代码、正确代码、缺陷报告中的标题信息、帖子标题信息和问题描述信息、主题为实体的代码知识图谱，借助可视化工具将代码知识图谱可视化。从多平台的爬取，使得缺陷代码知识图谱的覆盖内容更多，范围更广，同时，通过融合代码文本及代码信息，普及了代码知识，使得开发人员能够直观的对缺陷代码拥有一定了解，开发人员检索时能够快速查询到修复后的代码信息。
-
公开(公告)号：CN114547621B
公开(公告)日：2024-11-05
申请号：CN202210065372.7
申请日：2022-01-20
Applicant: 扬州大学
IPC: G06F21/57 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于迁移学习的智能合约漏洞检测方法，该方法首先收集java源代码和智能合约源代码数据，并进行预处理建立标签，构建机器学习的样本集；然后将java样本集输入到模型中训练，学习java代码表示的特征及java漏洞的检测，针对检测智能合约代码的下游任务，重用java的预训练模型并进行微调，使其能够胜任智能合约漏洞的检测。本发明可以更加快速、自动地检测出Solidity智能合约是否存在漏洞。
-
公开(公告)号：CN118041827B
公开(公告)日：2024-08-09
申请号：CN202410318136.0
申请日：2024-03-20
Applicant: 扬州大学
IPC: H04L43/0823 , H04L43/50 , H04L41/14 , H04L41/142
Abstract: 本发明公开了一种基于Petri‑Net的信息物理系统中数据丢失错误检测方法及系统，该方法首先将信息物理系统映射为带数据的佩特里网并生成合并过程，根据删除规则优化合并过程中的事件和条件得到优化合并过程，在所述优化合并过程中判断每一个事件是否为丢失事件，输出数据丢失错误的事件集合；本发明通过删除规则对合并过程进行优化，降低了模型的复杂度；设计了数据丢失错误的检测算法，可以检测出信息物理系统数据流中的数据丢失错误，以验证信息物理系统的设计正确性。
-
公开(公告)号：CN118396701A
公开(公告)日：2024-07-26
申请号：CN202410342091.0
申请日：2024-03-25
Applicant: 扬州大学 , 扬州叮当科技有限公司
IPC: G06Q30/0601 , G06Q30/0202 , G06Q30/0203 , G06F16/9537 , G06F18/27 , G06F123/02
Abstract: 本发明公开了一种自动售货机商品融合推荐方法及系统，本发明包括：基于消费者ID或付款方ID获取消费者信息和历史消费记录信息，采用个性化推荐模型进行商品推荐，得到第一商品推荐列表；获取自动售货机的销售数据，采用基于时间序列的预测模型进行销售额预测并转化为商品推荐，得到第二商品推荐列表；对于第一商品推荐列表和第二商品推荐列表中的每个商品，根据其在列表中的位置计算加权综合分数，得到商品融合推荐结果。本发明融合了个性化推荐和时序预测销售的推荐效果，克服了单维度推荐的不足，提升了推荐效果和用户购物体验。
-
Patent Agency Ranking
公开(公告)号：CN117972691A
公开(公告)日：2024-05-03
申请号：CN202311767173.1
申请日：2023-12-20
Applicant: 扬州大学
Abstract: 本发明公开了一种基于遗忘学习的可解释图推荐系统后门防御方法及系统，通过触发器还原算法还原潜在的图触发器，并通过遗忘学习遗忘后门触发器特征，从而将后门模型净化为正常模型。本发明首先利用一定比例的干净数据集，通过可解释的图后门还原算法，恢复后门模型中的后门触发器子图。随后，将后门触发器子图添加至正常样本，通过基于知识蒸馏的遗忘学习算法，遗忘后门触发器特征并保持模型在正常任务上的精度，以此来净化后门模型。本发明能够有效解决攻击者通过修改用户之间的关系，改变用户信息操作得到中毒子图，用户使用中毒数据训练的后门模型时，遭受如恶意广告侵扰等问题，有助于提升服务质量和用户体验。
-
公开(公告)号：CN114547619B
公开(公告)日：2024-04-19
申请号：CN202210027014.7
申请日：2022-01-11
Applicant: 扬州大学
IPC: G06F21/57
Abstract: 本发明公开了一种基于树的漏洞修复系统及修复方法，包括：构建漏洞数据集；将漏洞数据集中的代码生成语法树AST，对语法树AST进行差异操作，在进行差异操作后的语法树AST上添加数据依赖和控制依赖并形成新的语法树AST；对新的语法树AST进行抽象化和规范化处理得到token序列；将漏洞数据集分为训练集与测试集，将token序列和训练集输入至seq2seq模型中进行训练得到训练好的seq2seq模型；将测试集转换为输入序列并输入至训练好的seq2seq模型中，得到修复的测试集的代码。本发明使用语法树表征代码并结合漏洞引入的启发式规则，对最终生成的修复代码进行优化，使得修复代码能够更好的使用，并且自动化的漏洞修复使得漏洞修复的成本降低，提高了修复速度。
-
公开(公告)号：CN111309865B
公开(公告)日：2024-03-22
申请号：CN202010087760.6
申请日：2020-02-12
Applicant: 扬州大学
IPC: G06F16/33 , G06F16/36 , G06F16/901 , G06F16/903
Abstract: 本发明公开了一种相似缺陷报告推荐方法、系统、计算机设备和存储介质，方法包括：对新缺陷报告进行预处理，构建该缺陷报告的第一实体集合S1；计算集合S1中每个实体的TF‑IDF值，并按照TF‑IDF值对实体进行降序排列，构建第二实体集合S2；针对集合S2中的每个实体S，结合缺陷知识图谱，查询与新缺陷报告通过实体S相关联的缺陷报告，构建第一缺陷报告集合Buglist1；针对集合Buglist1中的每个关联缺陷报告b，求取其与新缺陷报告的余弦相似度，构建第二缺陷报告集合Buglist2；求取集合Buglist1与Buglist2对应位置元素的相似度值，构建第三缺陷报告集合Buglist3；结合集合Buglist3和缺陷知识图谱，返回新缺陷报告的相似缺陷报告列表。本发明能显著提高相似缺陷报告推荐的准确度。
-
公开(公告)号：CN111597347B
公开(公告)日：2023-11-10
申请号：CN202010330518.7
申请日：2020-04-24
Applicant: 扬州大学
IPC: G06F16/36 , G06F40/295 , G06F16/33 , G06F16/215
Abstract: 本发明公开了一种知识嵌入的缺陷报告重构方法及装置，属于软件缺陷领域。本发明将信息检索和信息抽取技术相结合，首先将异构的历史缺陷数据转化为统一的知识表示，进行系统化的组织管理便于复用。在此基础上，从原始查询中学习词嵌入，从缺陷知识图谱中获取实体嵌入和实体上下文嵌入，并采用深度学习技术，将上述三种不同级别嵌入进行融合，生成一个统一的缺陷表示。该重构方法从细粒度的实体级别充分挖掘原始查询内部语义信息，扩展外部背景知识，并保留了查询原始结构，显著提高了缺陷检索的准确率。同时重构后的缺陷嵌入向量可直接作为匹配模型输入，广泛适于多种基于信息检索的缺陷分析任务。
-
公开(公告)号：CN110442527B
公开(公告)日：2023-07-18
申请号：CN201910757075.7
申请日：2019-08-16
Applicant: 扬州大学
Abstract: 本发明提出了一种面向bug报告的自动化修复方法，属于软件维护领域。该方法首先在bug报告中使用缺陷定位技术，定位得到可疑bug语句块，根据其所在的函数提取函数关键信息，并使用DSL（领域特定语言）构造函数特征规约；接着抽取bug报告关键信息，使用DSL构造报告规约；然后构造一个“草案”，“草案”内包括可疑bug语句块所在的函数、函数特征规约以及报告规约；再基于“草案”搜索补丁数据库，返回相似度高的候选函数，抽取候选函数内代码片段作为候选补丁，将候选补丁替换可疑bug语句块并统一“草案”内函数变量的命名；最后基于报告规约中的输入输出测试集，单元测试“草案”中的函数，根据输出结果验证修复正确性。
-
-
-
-
-
-
-
-
-
Search Results
238
records
(took 0.026 seconds)
