基於語義知識的軟件缺陷分析關鍵技術研究檢視原始碼討論檢視歷史
 |
《基於語義知識的軟件缺陷分析關鍵技術研究》，鄭煒，吳瀟雪，李雲帆 著，出版社： 西安交通大學出版社。
讀書，可以與時俱進，開闊自己，提高自己，充實自己，完善自己，是全球文化[1]科技知識擴容和更新的需要，是知識[2]經濟和社會發展的要求。
內容簡介
本書將命名實體識別技術應用到軟件缺陷領域，對缺陷報告中的缺陷實體進行命名實體分類，以抽取缺陷報告中更多關鍵的信息，並將知識圖譜相關技術應用到軟件缺陷領域，從而刻畫實體之間語義關係的網絡，能夠較為全面的表達出實體之間存在的依賴關係。本書引入命名實體識別，知識圖譜等技術，面向知識圖譜推理的可解釋性，以期解決缺陷報告中的諸多問題和挑戰。本書的工作一定程度上解決了缺陷報告識別的可解釋性問題，缺乏關鍵詞語義的問題，為弱人工智能邁向認知智能踏下了積極的一步。
目錄
第l章 緒論
1.1 引言
1.2 命名實體識別
1.3 知識圖譜
1.4 缺陷報告
1.4.1 軟件缺陷定義
1.4.2 軟件缺陷分類
1.4.3 軟件缺陷報告
1.4.4 重複軟件缺陷報告
1.4.5 安全缺陷報告
1.5 國內外研究現狀
1.5.1 軟件缺陷領域命名實體識別研究現狀
1.5.2 知識圖譜研究現狀
1.5.3 重複軟件缺陷報告檢測方法分類研究
1.5.4 安全缺陷報告預測研究現狀
1.6 本文主要內容
第2章 軟件缺陷領域命名實體識別方法
2.1 引言
2.2 軟件缺陷領域命名實體分類標準
2.3 基於隨機森林上下文的命名實體識別方法
2.3.1 數據預處理
2.3.2 分類器模型算法
2.4 基於多級別特徵融合的命名實體識別方法
2.4.1 多級別詞嵌入層
2.4.2 BiLSTM與Attention層
2.4.3 CRF層
2.4.4 方法參數介紹
2.4.5 實驗設計
2.4.6 實驗結果及分析
2.5 基於BERT-BiLSTM-CRF、模型的軟件缺陷命名實體識別方法
2.5.1 BERT模型
2.5.2 BiLSTM模型
2.5.3 CRF模型
2.5.4 BBC-NER軟件缺陷命名實體識別方法
2.5.5 實驗結果分析
2.5 本章小結
第3章 DB-CNN-NER重複軟件缺陷報告檢測方法
3.1 引言
3.2 卷積神經網絡
3.3 基於CNN的重複軟件缺陷報告檢測方法
3.3.1 CNN提取軟件缺陷報告特徵
3.3.2 不同分類器模型對於重複軟件缺陷報告檢測的影響
3.3.3 文本數據長度對於重複軟件缺陷報告檢測的影響
3.3.4 過濾器大小對於重複軟件缺陷報告檢測的影響
3.3.5 元數據對於重複軟件缺陷報告檢測的影響
3.4 DB-CNN-NER方法
3.4.1 DB-CNN-NER模型構建
3.4.2 實驗結果分析
3.5 本章小結
第4章 基於關鍵詞語義的安全缺陷報告識別方法
4.1 引言
4.2 關鍵詞語義知識圖譜構建
4.2.1 數據獲取與處理
4.2.2 實體抽取
4.2.3 關係抽取
4.2.4 實體統一
4.2.5 語義知識圖譜存儲
4.2.6 語義知識圖譜可視化
4.3 基於知識圖譜的安全缺陷報告識別方法
4.3.1 方法框架
4.3.2 基於規則的關鍵詞提取
4.3.3 語義知識圖譜子圖建立
4.3.4 安全缺陷報告預測的實現
4.4 性能評估
4.4.1 數據集描述
4.4.2 基線方法
4.4.4 實驗設計
4.4.5 實驗結果與分析
4.5 本章小結
第5章 基於知識圖譜的跨項目安全缺陷報告預測方法
5.1 引言
5.2 方法框架
5.3 數據集預處理
5.4 數據源準備
5.5 知識圖譜的構建
5.5.1 實體語料庫的生成
5.5.2 實體關係建立
5.5.3 知識存儲
5.6 性能評估
5.6.1 評測對象
5.6.2 基線方法
5.6.3 檢測方法
5.6.4 實驗設計
5.6.5 實驗結果
5.6.6 實驗結果分析討論
5.7 本章小結
第6章 總結與展望
6.1 總結
6.2 未來工作與展望
參考文獻