一种通用的TMS320C55x处理器指令集虚拟化仿真方法

    公开(公告)号:CN115421861B

    公开(公告)日:2023-10-31

    申请号:CN202211114539.0

    申请日:2022-09-14

    Abstract: 本发明涉及一种通用的TMS320C55x处理器指令集虚拟化仿真方法,属于虚拟仿真领域。本发明针对TMS320C54X系列、TMS320C5509a、TMS320C5515、TMS320VC5535等处理器,解决TMS320C54X系列、TMS320C5509a、TMS320C5515、TMS320VC5535等系列处理器的虚拟化仿真问题。TMS320C55X指令架构共计包含154条指令集,通过对154条指令集的仿真,提供TMS320C55X处理器嵌入式处理器软件的运行环境,为TMS320C55X处理器嵌入式处理器软件的开发提供支撑。本发明提出的方案,能够实现TMS320C55X指令架构处理器的指令集仿真,仿真精度高;本发明采用数组、链表等实现寄存器、内存的仿真,能够完成仿真TMS320C55X指令架构处理器。

    一种通用的SPARC处理器指令集虚拟化仿真方法

    公开(公告)号:CN115421860B

    公开(公告)日:2023-10-20

    申请号:CN202211114538.6

    申请日:2022-09-14

    Abstract: 本发明涉及一种通用的SPARC处理器指令集虚拟化仿真方法,属于虚拟仿真领域。本发明针对SPARCV7、SPARCV8两种指令集版本的处理器,解决SPARC处理器的虚拟化仿真问题。SPARCV7、V8两个版本指令集共计包含130条指令集,通过对130条指令集的仿真,提供SPARC处理器嵌入式处理器软件的运行环境,为SPARC处理器嵌入式处理器软件的开发提供支撑。本发明提出的方案,能够实现SPARC指令架构处理器的指令集仿真,仿真精度高;本发明采用数组、链表等实现寄存器、内存的仿真,能够完成仿真SPARC指令架构处理器。

    一种通用的SPARC处理器指令集虚拟化仿真方法

    公开(公告)号:CN115421860A

    公开(公告)日:2022-12-02

    申请号:CN202211114538.6

    申请日:2022-09-14

    Abstract: 本发明涉及一种通用的SPARC处理器指令集虚拟化仿真方法,属于虚拟仿真领域。本发明针对SPARCV7、SPARCV8两种指令集版本的处理器,解决SPARC处理器的虚拟化仿真问题。SPARCV7、V8两个版本指令集共计包含130条指令集,通过对130条指令集的仿真,提供SPARC处理器嵌入式处理器软件的运行环境,为SPARC处理器嵌入式处理器软件的开发提供支撑。本发明提出的方案,能够实现SPARC指令架构处理器的指令集仿真,仿真精度高;本发明采用数组、链表等实现寄存器、内存的仿真,能够完成仿真SPARC指令架构处理器。

    一种非侵入式MC/DC覆盖率统计分析方法

    公开(公告)号:CN111813670A

    公开(公告)日:2020-10-23

    申请号:CN202010635114.9

    申请日:2020-07-03

    Abstract: 本发明涉及一种非侵入式MC/DC覆盖率统计分析方法,其中,包括:建立嵌入式软件虚拟化仿真运行环境;循环读取源码并通过分析去除源码中的注释部分,并解析源文件分支信息和逻辑表达式信息;获取逻辑表达式的目标码信息;仿真运行,读取指令、翻译指令以及执行当前指令,记录MC/DC覆盖率,并将覆盖率信息以特定的格式写入到指定路径的文件中;进行MC/DC覆盖率执行结果判读及反馈。本发明通过嵌入式软件虚拟化仿真运行环境,分析不同处理器架构下目标文件的类型和调试信息格式的类型并解析源文件分支信息和逻辑表达式信息,在此基础上获取逻辑表达式对应的目标码信息,并在仿真运行过程中获取MC/DC覆盖率信息,能够满足多种场景下MC/DC覆盖率统计分析的需求。

    基于DP-ANN和软件缺陷模式的软件测试能力评估方法

    公开(公告)号:CN119003355A

    公开(公告)日:2024-11-22

    申请号:CN202411088088.7

    申请日:2024-08-09

    Abstract: 本发明涉及一种基于DP‑ANN和软件缺陷模式的软件测试能力评估方法,属于软件测试领域。本发明的方法包括:预处理软件缺陷模型的各种类型的缺陷数据,构建软件缺陷模式;建立基于反向传播的BP神经网络算法的软件缺陷模式的软件测试能力评估DP‑ANN模型,并优化反向传播的梯度计算;根据预处理完成的数据,作为输入,通过建立的DP‑ANN模型,设置每一层的关联关系,每一层的数据量,训练得出评估模型所需的最优的权值和阈值;将最终的训练结果应用于软件缺陷模式的软件测试能力评估。本发明适用于软件缺陷模式的评估系统权重的计算,能够提高大规模复杂软件缺陷评估工作的效率,增加权重的客观性。

    一种基于谱特征分析的目标检测后门攻击数据检测方法

    公开(公告)号:CN118823478A

    公开(公告)日:2024-10-22

    申请号:CN202410992690.7

    申请日:2024-07-23

    Abstract: 本发明涉及一种基于谱特征分析的目标检测后门攻击数据检测方法,属于后门检测领域。本发明首先根据目标检测数据集每张图像的边界框标注信息从原始图像裁剪出每一个单独的目标生成新的目标数据集;然后将目标数据集作为输入,训练一个分类神经网络,获取每个目标样本的特征表示;接着将获取的特征表示按类别进行划分,得到每个类别的特征表示,进而计算得到每个类别的协方差矩阵,随后对协方差矩阵进行奇异值分解来分析协方差矩阵中的谱特征;然后根据奇异值分解得到的谱特征中的奇异向量计算得到每个样本的异常分数;最后设定一个分数阈值作为判断标准,确定有毒样本和有毒图像。本发明能提升目标检测任务中的后门攻击数据检测能力。

Patent Agency Ranking