-
公开(公告)号：CN118312438A
公开(公告)日：2024-07-09
申请号：CN202410569009.8
申请日：2024-05-09
Applicant: 南通大学
Abstract: 本发明提供了一种基于代码结构知识微调的源代码漏洞检测方法，属于计算机技术领域，解决了深度神经网络模型在微调时不能充分的理解源代码的上下文和结构特征的技术问题。其技术方案为：包括以下步骤：S1：对数据集进行预处理和切分；S2：提取代码的抽象语法树；S3：将训练集中的代码片段输入到CodeT5模型中；S4：计算结构距离矩阵和注意力矩阵之间的sinkhorn距离，得到结构损失；S5：在微调阶段，使用多任务学习方法，联合结构损失和漏洞检测的目标函数来优化模型。S6：将测试集输入到已训练好的模型中进行二分类漏洞检测。本发明的有益效果为：提高源代码漏洞检测的准确性和可靠性。
-
公开(公告)号：CN119830306A
公开(公告)日：2025-04-15
申请号：CN202510026747.2
申请日：2025-01-08
Applicant: 南通大学
Abstract: 本发明提供了一种基于多模态数据融合的去中心化漏洞评估方法，属于计算机技术领域，解决了传统漏洞评估方法无法充分结合多模态数据、无法有效保护数据隐私的技术问题。其技术方案包括以下步骤：S1：对漏洞评估数据集进行预处理；S2：提取源代码的结构信息、词法特征和注释信息；S3：将源代码和注释信息输入到CodeT5模型中，并结合Joern处理的图结构信息进行多模态特征融合；S4：通过自适应权重机制进行跨模态信息融合，优化模型性能；S5：在本地进行模型训练；S6：将测试集输入训练好的模型中进行漏洞评估，输出分类结果。提升了漏洞评估的准确性、全面性和隐私保护能力。
-
公开(公告)号：CN118370535A
公开(公告)日：2024-07-23
申请号：CN202410466892.8
申请日：2024-04-17
Applicant: 南通大学
Abstract: 本发明公开了一种无线通讯智能医疗检测设备，属于医疗辅助检测技术领域，一种无线通讯智能医疗检测设备，包括靠背，且靠背外端固定连接有头枕，头枕外端设置有智能处理系统，靠背外端固定连接有颈枕，颈枕内部设置有气囊组件，气囊组件底端设置有一对震动组件，头枕外端设置有心率组件，靠背外端设置有呼吸检测组件，它通过设置有呼吸检测组件，从而可以对睡眠时的呼吸进行监测，呼吸检测组件是通过将腹带缠绕在腹部，通过腹带上的运动传感器对睡眠时腹部的运动进行监测，由于人们在呼吸时会伴随着腹部的起伏运动，因此通过运动传感器的监测就可以达到监测睡眠时的呼吸情况，帮助用户了解自身的睡眠情况。
-
公开(公告)号：CN116189275A
公开(公告)日：2023-05-30
申请号：CN202310103916.9
申请日：2023-02-13
Applicant: 南通大学
IPC: G06V40/18 , G06V40/16 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及机器学习视觉技术领域，尤其涉及一种基于面部地标热图的线上考试监考方法，包括：S1：对眼动数据集进行预处理，将数据集分为训练集和测试集；S2：搭建二元模型中的Face‑net,从面部图像获取粗粒度视线估计；S3：搭建Eye‑net,从眼部图像获取细粒度视线估计；S4：完善二元模型，计算出最终的视线估计方向，并用该模型评估作弊行为。本发明无需针对个人进行校对即可进行精准的视线估计，有助于提高线上监考时辨别作弊行为的准确率。
-
公开(公告)号：CN119473849A
公开(公告)日：2025-02-18
申请号：CN202411489722.8
申请日：2024-10-24
Applicant: 南通大学
IPC: G06F11/3604 , G06F18/22 , G06F18/25 , G06F18/214 , G06F40/30 , G06N20/20
Abstract: 本发明提供了一种基于对比学习和特征融合的及时缺陷预测方法，属于计算机技术领域，解决了预训练模型不能充分区分相似代码和捕捉内容上下文的技术问题。其技术方案为：包括以下步骤：S1：对数据集进行预处理和切分；S2：利用CodeBERT提取代码的语义特征；S3：将对比学习应用到语义特征提取中；S4：计算正样本和负样本的对比损失值，得到总的对比损失；S5：在特征融合阶段，将语义特征和专家特征融合，并调整模型全连接层和激活函数来优化模型架构。S6：使用训练好的模型在测试集上进行及时缺陷预测。本发明的有益效果为：提高及时缺陷预测的准确性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN117555776A
公开(公告)日：2024-02-13
申请号：CN202311463591.1
申请日：2023-11-06
Applicant: 南通大学
IPC: G06F11/36 , G06F18/241 , G06F18/214
Abstract: 本发明提供了一种基于对偶学习与深度语义挖掘的软件缺陷预测方法，属于智能软件工程技术领域。解决了当前利用词袋模型将源码转换为向量后的语义局限以及二次利用预测后的分类标签扩充原有数据集的技术问题。其技术方案为：包括两个部分：分别采用了CodeT5语言预训练模型从源代码中提取语义和结构信息，结合Bi‑GRU模型与自注意力机制，捕捉源代码中的上下文信息，学习源项目与目标项目的共同特性，来训练可靠的缺陷预测模型；还利用快速梯度法对数据集进行扰动扩充，同时对预测后的分类标签，通过对偶学习的反向分类器与正向分类器进行取反，进行二次预测。本发明的有益效果为：可以提高软件缺陷预测的有效性。
-
公开(公告)号：CN116189275B
公开(公告)日：2024-01-30
申请号：CN202310103916.9
申请日：2023-02-13
Applicant: 南通大学
IPC: G06V40/18 , G06V40/16 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及机器学习视觉技术领域，尤其涉及一种基于面部地标热图的线上考试监考方法，包括：S1：对眼动数据集进行预处理，将数据集分为训练集和测试集；S2：搭建二元模型中的Face‑net,从面部图像获取粗粒度视线估计；S3：搭建Eye‑net,从眼部图像获取细粒度视线估计；S4：完善二元模型，计算出最终的视线估计方向，并用该模型评估作弊行为。本发明无需针对个人进行校对即可进行精准的视线估计，有助于提高线上监考时辨别作弊行为的准确率。
-
公开(公告)号：CN115617692A
公开(公告)日：2023-01-17
申请号：CN202211418719.8
申请日：2022-11-14
Applicant: 南通大学
IPC: G06F11/36 , G06F18/2415 , G06N3/045 , G06N3/048
Abstract: 本发明提供了一种基于GAT和GraphSMOTE的缺陷预测方法，属于计算机领域，解决了以往缺陷预测专注于代码语义信息而忽略代码结构信息，并且对代码的类不平衡没有关注的问题；其技术方案为：包括以下步骤：(1)对该数据集进行预处理操作；(2)利用先序遍历对AST的token进行提取，并且提取token之间的关系矩阵；(3)通过Bert对token编码为特征向量；(4)采用GraphSMOTE对向量进行类不平衡处理；(5)将向量输入图注意力神经网络训练，得到每个节点的特征表示；(6)将节点的向量表示输入到mlp分类器中，进行缺陷预测。本发明的有益效果为：提高了缺陷预测可靠性和准确性。
-
公开(公告)号：CN115471005A
公开(公告)日：2022-12-13
申请号：CN202211205164.9
申请日：2022-09-29
Applicant: 南通大学
Abstract: 本发明提供一种基于LS‑SVM‑Leslie组合模型的人口预测方法，属于数学和计算机科学。解决了传统人口预测模型中缺乏性别比例、年龄结构和人口数据变动规律的问题。其技术方案为：包括以下步骤：S1：收集数据并预处理；S2：选取预测指标并估计出生性别比；S3：用LS‑SVM模型预测特定年龄的生育率D1和男/女死亡率D2；S4：将D1、D2输入Leslie模型，输出特定初始年龄数据D3；S5：将D3作为Leslie下一年的输入参数，迭代输出每年的人口数据；S6：建立时间序列预测模型和灰色系统预测模型；S7：基于权重组合步骤S6中的两个模型并输出预测结果。本发明的有益效果为：本发明选取多个预测指标和预测模型，从而提高人口预测的可靠性。
-
公开(公告)号：CN119760728A
公开(公告)日：2025-04-04
申请号：CN202411922007.9
申请日：2024-12-25
Applicant: 南通大学
IPC: G06F21/57 , G06F18/22 , G06F18/214 , G06F8/73 , G06N3/0455 , G06N3/0895
Abstract: 本发明提供了一种基于多模态对比学习和低秩适应的源代码漏洞检测方法，属于计算机技术领域，解决了传统漏洞检测方法中无法充分利用多模态信息并面临计算效率瓶颈的技术问题。其技术方案为：包括以下步骤：S1：对数据集进行预处理和切分；S2：通过预训练模型GraphCodeBERT提取每个模态的初步表示；S3：对每个模态的表示应用低秩适应进行微调；S4：使用对比学习对不同模态的表示进行对齐；S5：在训练过程中，通过优化模型的多模态表示；S6：将测试集输入到已训练好的模型中进行漏洞检测，输出代码是否存在漏洞的分类结果。本发明的有益效果为：提高了模型对代码漏洞的识别能力，降低了计算成本。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.018 seconds)
