检索结果

Select

1. 基于混合代码表示的源代码脆弱性检测

张琨, 杨丰玉, 钟发, 曾广东, 周世健

《计算机应用》唯一官方网站 2023, 43 (8): 2517-2526. DOI: 10.11772/j.issn.1001-9081.2022071135

摘要（393）

HTML （12）

PDF （1958KB）（207）

软件脆弱性对网络与信息安全产生了极大的威胁，而脆弱性的根源在于软件源代码。因为现有的传统静态检测工具和基于深度学习的检测方法没有完整地表示代码特征，并且简单地使用词嵌入方法转换代码表示，所以检测结果准确率低，误报率高或漏报率高。因此，提出了一种基于混合代码表示的源代码脆弱性检测方法来解决代码表示不完整的问题，并提升检测性能。首先将源代码编译为中间表示（IR），并提取程序依赖图；然后基于数据流和控制流分析进行程序切片来得到结构化的特征，同时使用doc2vec嵌入节点语句得到非结构化的特征；接着使用图神经网络（GNN）对混合特征进行学习；最后使用训练好的GNN进行预测和分类。为了验证所提方法的有效性，在软件保证参考数据集（SARD）和真实世界数据集上进行了实验评估，检测结果的F1值分别达到了95.3%和89.6%。实验结果表明，所提方法有较好的脆弱性检测能力。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于蚁群算法优化反向传播神经网络的软件质量预测

朱嘉豪, 郑巍, 杨丰玉, 樊鑫, 肖鹏

《计算机应用》唯一官方网站 2023, 43 (11): 3568-3573. DOI: 10.11772/j.issn.1001-9081.2022101600

摘要（128）

HTML （3）

PDF （1715KB）（67）

针对基于反向传播神经网络（BPNN）的软件质量预测模型存在收敛慢、模型精度不高的问题，提出一种基于蚁群算法优化BPNN的软件质量预测（SQP-ACO-BPNN）方法。首先，选择软件质量评价指标，确立软件质量评价体系；其次，采用BPNN构建初始软件质量预测模型，并利用蚁群优化（ACO）算法确定若干网络结构、网络初始连接权值和阈值；再次，给出网络结构评价函数，选择神经网络模型的最佳结构、网络初始连接权值和阈值；最后，通过BP算法训练该网络，得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明，优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值，并且模型能够更快收敛，验证了SQP-ACO-BPNN方法的有效性。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

3. 基于网络表征学习的混合缺陷预测模型

刘成斌, 郑巍, 樊鑫, 杨丰玉

计算机应用 2019, 39 (12): 3633-3638. DOI: 10.11772/j.issn.1001-9081.2019061028

摘要（328）

PDF （946KB）（237）

针对软件系统模块间具有依赖关系的问题，通过对软件系统网络结构进行分析，构建了基于网络表征学习的混合缺陷预测模型。首先，将软件系统以模块为单位转换成软件网络；然后，使用网络表征技术来无监督学习软件网络中每个模块的系统结构特征；最后，结合系统结构特征和卷积神经网络学习的语义特征构建一个混合缺陷预测模型。实验结果表明：在Apache三个开源软件poi、lucene和synapse上所提混合缺陷预测模型具有更好的缺陷预测效果，其F1指标比最优模型——基于卷积神经网络（CNN）的缺陷预测模型分别提高了3.8%、1.0%、4.1%。软件网络结构特征分析为缺陷预测模型的构建提供了有效的研究思路。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于蚁群优化反向传播神经网络的软件质量预测

朱嘉豪郑巍杨丰玉樊鑫肖鹏

《计算机应用》唯一官方网站 DOI: 10.11772/j.issn.1001-9081. 2022101600
录用日期: 2022-12-26

Select

5. 基于多尺度频率通道注意力融合的声纹库构建方法研究（BigData2023+P00358）

陈彤杨丰玉熊宇严荭邱福星