基于GoGCN的软件系统类交互关系预测

软件系统是一个复杂的人工制品,类之间的交互关系对软件质量有着潜在影响,如软件缺陷的级联传播效应就是一个典型.如何准确预测软件系统中类之间合理关系,优化设计结构是软件质量保障的一个开放问题.从软件网络观的视角,综合考虑软件系统中类与类之间关系(外部图),以及每个类内部方法之间关系(内部图),将软件系统抽象成一个图中图结构的软件网络,并在此基础上提出一种基于图中图卷积神经网络的类交互关系预测方法.首先对每个类内部图进行卷积得到类节点的初始特征,再通过外部图的卷积更新类节点的表征向量,最后通过计算类节点对的评估值进行交互预测.根据在6个Java开源项目上的实验结果显示,图中图结构有助于提高软件系统结构的表征能力,且所提方法与常规网络嵌入方法相比,AUC值和AP值的平均增长率超过5.5%.与此同时,和两种同行方法相比,AUC值和AP值的平均增长率分别在9.36%和5.22%以上.

一种噪声容忍的网络流量分类方法

针对传统基于机器学习的网络流量分类方法中样本标签的正确性会直接影响结果精度的问题,提出一种噪声容忍的网络流量分类方法。该方法基于深度残差网络的方法,首先,对网络流量数据进行归一化以及数据增强处理后映射成灰度图片,并对其样本标签进行不同程度的加噪;然后,基于Res2Net深度残差神经网络设计适用于网络流量噪声干扰下的维度模块,构造可以适用于流量标签噪声容忍的深度神经网络模型。基于公开数据集的实验结果表明,与传统的噪声容忍分类算法相比,基于改进的深度残差神经网络在不同噪声率下均提升了分类精度,并且在高噪声率下提升更为显著。