国际化、创新型软件工程特色专业建设——以复旦大学软件工程三个特色专业建设为例

本文介绍了复旦大学软件学院按照国家、社会对软件人才的需求，参照国际先进的课程设置体系，改革教学方法和教学内容，加强教学与科研、教学与产业的联系，强调实践实习教学环节，努力培养具有国际化、创新型、工程化、复合型人才的探索与实践。

基于弱监督语义分割的道路裂缝检测研究

基于弱监督语义分割的道路裂缝检测方法大多基于先分块后检测的流程,分块增加了标注的工作量和误判的分块数量。针对上述问题,提出了基于深度强化学习的道路裂缝分块分类模型,根据道路裂缝图像特点,对智能体的状态、动作和获取的奖励进行了设计,训练智能体自主选择裂缝分块,并将选择结果作为分块标签用于多尺寸分块道路裂缝检测。在cqu-bpdd等数据集上进行的对比实验,证明了所提方法在道路裂缝分割性能、裂缝平均宽度的测量准确度方面优于现有方法。

一种引入核心实体关注度评估的KBQA算法

目前针对复杂语义和复杂句法的知识库问答(Knowledge Base Question Answering,KBQA)研究层出不穷,但它们多以已知问题的主题实体为前提,对问题中多意图和多实体重视不足,而问句中对核心实体的识别是理解自然语言的关键。针对此问题,提出了一种引入核心实体关注度的KBQA模型。该模型基于注意力机制及注意力增强技术,对识别到的实体引用(Mention)进行重要性评估,得到实体引用关注度,去除潜在干扰项,捕获用户提问的核心实体,解决了多实体、多意图问句的语义理解问题。此外,还将评估的结果作为重要权重引入后续的问答推理中。在英文MetaQA数据集、多实体问句MetaQA数据集、多实体问句HotpotQA数据集上,与KVMem,GraftNet,PullNet等模型进行了对比实验。结果表明,针对多实体问句,所提模型在Hits@n、准确率、召回率等评估指标上均取得了更好的实验效果。

基于异构特征融合的多维时间序列分类算法

随着大数据时代的到来和传感器的发展,多维时间序列分类问题成为数据挖掘领域的重要问题。多维时间序列存在维度高、维度间关系复杂、数据形态多变的特点,从而生成巨大的特征空间。现有方法难以选取有区分力的特征,导致方法的准确度普遍较低。另一方面,现有方法的分类结果的可解释性较差。针对上述问题,提出了一种基于异构特征融合的多维时间序列分类算法。该算法融合了时域、频域和区间统计值这3种特征并对特征进行聚类,从而找到最有代表性的特征。首先为每个维度提取不同类型的代表性特征,再通过多维度特征转换的方法融合所有维度的不同类型的特征,形成特征向量,并基于此训练分类模型。为了提高分类结果的可解释性,算法基于树结构生成不同类型的候选特征集合,然后通过聚合消除冗余和相似的特征,最终获得少量代表性特征。为了验证所提算法的有效性,在公开的UEA数据集上进行了大量实验。实验结果显示,所提算法的准确性、特征融合的合理性,以及分类结果的可解释性均优于现有方法。

基于联盟链的公证信息可信存储系统研究与实现

传统公证业务中存在信息流通受限、数据易丢失和易被篡改等问题,为司法取证等工作带来不便。研究和设计的公证信息可信存储系统利用Hyperledger组件将公证处设为联盟节点,将公证过程中的关键数据计算为哈希摘要后上传,并可信存储到联盟链中以供查询,同时支持不同公证处对数据的细粒度访问权限控制。此外,实现公证数据全生命周期管理的功能,将用户对公证数据的全部操作记录在链上,为公证数据在业务流转过程中的操作监管提供支持。实验测试结果与分析表明,系统功能设计合理且性能良好。

比特币区块链全量数据结构化转换系统研究

比特币区块链存储的海量非结构化数据不利于构建高效虚拟货币交易监管系统。其数据结构化转换面临两个技术挑战:一是数据量大,结构化转换效率有待显著提升;二是现有交易模型仅提供交易的单向链接,导致结构化转换过程复杂。为应对上述挑战,创新地提出一种高效的交易重构方案,并设计实现比特币区块链全量数据结构化转换系统,提供结构化数据的复杂查询和下载功能。相较现有平台,系统功能完善、性能高效,能为非法资金追踪等应用场景提供双向溯源、字段丰富的高质量数据,有力地推动了高效虚拟货币交易监管系统的构建。

基于度量的软件项目过程优化控制研究

本文给出一个软件过程度量的过程模型 ,描述并分析了基于度量的软件过程跟踪和控制策略 ,在此基础上 ,结合实施CMM的软件工程实践 ,提出一个软件项目过程控制优化模型 ,并设计一个动态规划的软件项目过程控制优化算法 .当项目的实际过程偏离计划轨道时 ,管理者利用本文给出的软件项目过程优化控制方法 ,基于软件过程数据库中的历史数据 ,迅速做出最佳的控制决策 。

软件工程专业教育知识体系的分析、重构与求精

针对国内软件工程专业教育问题,全面分析国际软件工程专业教育知识体系SEEK和CBOK,并结合对国内高校教学实际的调查,提出软件工程本科教育知识体系的重构与求精方案。重构后的本科教育知识体系可以灵活适应国内各层次高校软件工程专业的教学诉求,并与国际研究生教育知识体系CBOK有效衔接,共同组成完整的软件工程教育知识体系,为我国软件工程教育设计者提供参考。

组合查询条件下的属性社区搜索

传统的属性社区搜索问题仅研究查询属性在结果社区中存在与否。为应对复杂查询场景的需求,研究了组合查询条件下的属性社区搜索问题:给定多属性集合,各属性至少需满足的数量以及社区大小的上限约束,搜索所有节点的最小度数最大化的社区。提出通用算法解决框架,并以此为基础,提出两个优化方法,分别是:基于属性特征的搜索空间优化,以减小搜索空间;基于结构特征的搜索顺序优化,以通过搜索顺序的调整进一步提升算法效率。实验结果表明,算法可找到符合组合查询条件的属性社区。在大规模数据集上,经过两个优化后的算法效率比原算法提升2~3倍,同时内存开销减少约50%。

软件过程度量的过程模型及其应用研究

软件度量是软件工程中最活跃的一个研究领域。本文给出了一个软件过程度量的过程模型,定义了实施软件过程度量的角色、内容、主要活动及相关的支持环境,重点阐述软件过程度量的数据采集、验证和分析活动的目标、任务和方法。通过一个软件项目的度量过程实例,研究并确认该模型在过程评估和改进方面的作用和意义。本文的研究对于规范和改善组织的软件过程度量,提高组织的过程能力成熟度,具有一定的指导意义和广泛的应用价值。

支持均匀缩放的不等长时间子序列查询方法

作为时序数据分析中的基础技术之一,时间序列的子序列查询旨在寻找与目标序列相似的子序列。现有的子序列查询方法大多仅支持查询与目标序列长度相同的子序列,因而均匀缩放技术常被用于解决子序列查询中的不等长问题。但现有支持均匀缩放的子序列查询技术大多未考虑子序列的Z-标准化,且对查询效率仍有改善的空间。针对该问题,提出一种基于索引技术且支持均匀缩放的子序列查询方法。结合现有索引方法 ULISSE提供的树状数据结构,设计可保证非漏报的下界距离,为索引结构的剪枝提供理论保证,并利用索引中存储的元数据,提出精确K-近邻查询算法。所提方法适用于非归一化和归一化两种场景。实验结果表明,较UCR-US和ULISSE基线方法,该基于索引的不等长子序列查询方法在CAP、GAP两个真实数据集以及随机游走人工合成数据集上均实现了查询效率的显著提升,针对在非归一化和归一化两种场景下的不等长子序列查询,该方法的平均效率提升分别为2.33和2.51倍。

健壮且自适应的学习型近似查询处理方法研究

由于在大规模数据集上执行精确查询耗时较长,因此近似查询处理(AQP)技术常被用于在线分析处理,目的是以较短的交互延迟返回查询结果,并尽可能地降低查询误差。现有的学习型AQP方法与底层数据解耦,将I/O密集型计算转化为CPU密集型计算,但是由于计算资源的限制,该类方法通常基于随机的数据样本进行模型训练,此类训练数据会引起稀有群组缺失问题,导致模型预测准确性不高。针对上述问题,提出一种基于分层样本学习的混合型和积网络模型,并基于该模型设计一种AQP框架。分层样本能够有效避免稀有群组缺失现象,基于该样本训练的模型预测准确性大幅提升。此外,针对数据动态更新的情况,提出一种模型自适应更新策略,使得模型能够及时检测数据偏移现象并自适应地执行更新。实验结果表明,与基于抽样和基于机器学习的AQP方法相比,该模型在真实数据集和合成数据集上的平均相对误差分别约降低18.3%和2.2%,在数据动态更新的场景下,其准确性和查询时延均呈现出良好的稳定性。

社交化软件开发问答中的交互过程研究

在软件开发在线问答网站上,解决问题的过程并非简单的一问一答,而经常包含着一个复杂的交互过程。深刻理解软件开发在线问答网站的问答特点及其交互过程,对于提高问题和回答质量、改进交互效率以及开发相关的自动化辅助工具都有着重要的意义。从Stack Overflow中问题的目的和意图、基本要素以及所包含的交互方式三个角度开展研究,抽样并分析1 001个问题,总结出问题的7种类型、8个要素和10类交互方式。根据研究结果,对软件开发在线问答网站的使用者、开发者以及辅助问答工具的研究者提出了相应的建议。

面向用户体验的Web软件系统优化控制方法

在环境动态变化和系统状态无法预知的情况下,如何同时满足功能性和非功能性需求是一个极具挑战的问题。传统的方法是利用请求调度策略对Web服务请求进行优化,以解决应用的超负荷问题,但这种方法并不能完全满足Qo S复杂性和灵活性的需要。基于系统管理员设置的自适应方法在很大程度上依赖于管理员的主观判断和实践经验,很多情况下人为的预估结果与实际效果存在较大差距。针对上述问题,提出了一个基于用户体验的动态Qo S优化方法。该方法使用一个用户体验计算模块动态计算系统响应时间的期望值,一个外层反馈控制器动态调整虚拟资源的个数,并结合一个内层反馈控制器来动态调整各个虚拟资源处理的负载比例关系,从而实现了系统的动态Qo S优化。通过与简单规则调节动态Qo S的方法进行对比实验,验证了所提方法的有效性。

一种面向事件事实性预测的平行语料库构建方法研究

事件事实性预测(Event Factuality Prediction,EFP)是将事实性评价(Factuality Assessment)问题建模为句子级别回归任务,判定句子中事件提及(event mention)的事实程度.EFP是自然语言处理中重要且具有挑战性的任务.与英文事件事实性语料库的资源丰富不同,目前中文领域事件事实性语料库十分缺乏,这明显阻碍了对中文事实性评价问题的进一步研究.针对此问题,本文探索并提出了基于机器翻译的半自动事件事实性平行语料库构建方法.实验结果表明,利用本文构建的事件事实性中英平行语料库Parallel FactBank配合DLEF语料库进行多任务学习可以有效提升中文EFP任务中模型的泛化能力,并使模型在各数据集上性能优于单任务学习模型.

面向选择退出权的移动应用隐私合规分析方法

近年来,法律法规中规定了用户享有退出数据共享等特定数据实践的权利,即选择退出权.为保障该权利,应用在进行数据实践时需提供相应的退出选项.然而,现有工作主要关注网页,而忽略了移动应用对选择退出权的遵从情况.本文首次提出应用是否提供了符合其数据实践的选择退出选项这一隐私合规问题.针对该问题,本文设计了一种融合布局结构特征、语义特征以及代码行为特征的隐私合规分析方法.该方法通过布局结构分析和语义分析精准识别应用中的选择退出选项,通过静态程序分析检测应用数据实践行为,最后基于本体检查两者间的一致性来评估应用合规性.实验表明,该方法准确率达91.23%,平均耗时200.98秒,证实了其有效性与可用性.

研究型教学对大学生创新能力的影响

研究型教学是国内外研究型大学教学改革的重要内容，它对学生创新能力的培养有重要的促进作用。本文介绍了研究型教学的内涵及其对大学生创新能力的促进作用，指出了目前研究型教学在学生创新能力的培养方面存在的主要问题。

软件产品线测试中具有优先级的特征配置生成方法

在软件产品线(SPL)中,尽早针对领域工程中核心资产及其组合进行测试是保证软件产品线成功的必要手段.采用特征驱动(feature-driven)方法,可以从业务视角对可变点进行组合及测试,能够尽早发现潜在的由特征交互引起的软件错误.组合交互测试(CIT)是避免组合数量爆炸问题的一种抽样技术.但生成的特征配置应该进一步地基于优先级排序来帮助合理分配有限的时间和经费.提出一种面向产品线集成测试,具有优先级的特征配置生成方法.其核心算法遵循CIT技术,且基于成对组合测试覆盖标准.此外,生成的特征配置还会基于其对SPL测试的重要度排序.该方法作用于一个标记了优先级的特征模型,包含特征模型扁平化、配置模型转化、约束推导和P-AETG算法执行活动.我们通过一个在线考试产品线验证了此方法的有效性;并通过SPLOT网站上提供的特征模型对此方法进行性能和有效性的评估.

基于大语言模型的内生安全异构体生成方法

为应对软件系统中未知漏洞和后门带来的安全挑战,文章提出了一种基于大语言模型的内生安全异构体生成方法。该方法以内生安全策略为核心,对程序中安全薄弱的代码执行体进行异构,使得程序在受到攻击时能迅速切换至健康的异构体,保证系统稳定运行。再利用大语言模型生成多样化的异构体,并结合基于种子距离的方法优化现有的模糊测试技术,提高测试用例的生成质量和代码覆盖率,确保这些异构体在功能上的等价性。实验结果表明,该方法能有效修复代码漏洞,并生成功能等价的异构体;此外,相较于现有的AFL算法,优化后的模糊测试方法在达到相同代码覆盖率的情况下,所耗时间更少。因此,文章所提出的方法能够显著提高软件系统的安全性和鲁棒性,为未知威胁的防御提供了新的策略。

PosiGPT:基于预训练的中文积极情感评论模型

近年来,越来越多的人因为工作和生活的压力处于抑郁状态,许多人没有得到足够的鼓励和正确的指导。基于这个背景,提出中文评论模型PosiGPT。基于生成式预训练模型,使用中文微博数据进行训练,可以检测抑郁状态的博文,并产生积极回复。除了该模型外,还发布了PosiChat数据集,其包含源自新浪微博的抑郁文本及其积极评论。在PosiChat数据集上进行评估,结果表明模型生成的文本具有较强的流畅性和合理性,且在情感倾向上属于积极情感状态,初步达到了抑郁检测及积极回复的功能。