基于自注意力机制神经机器翻译的软件缺陷自动修复方法

循环神经网络对于代码序列数据有着良好的处理能力,软件缺陷修复的补丁生成模型大多采用循环神经网络实现.然而,基于循环神经网络的补丁生成模型在处理代码序列中长距离依赖问题时仍然具有局限性,其修复成功率和修复效率较低.针对此问题,提出一种基于自注意力神经机器翻译的软件缺陷自动修复方法(Self-attention Neural machine translation based automatic software Repair,SNRepair).首先,为有效缓解源码中的未登录词问题,对数据集引入子词切分技术进行预处理;其次,为解决源代码中棘手的长距离依赖问题并更充分地利用局部信息,构建融合局部建模的Transformer程序补丁生成模型;然后,采用缺陷自动定位技术定位缺陷语句位置,利用参数优化后的Transformer补丁生成模型生成候选补丁;最后,运行测试用例验证候选补丁.在具有395个真实Java软件缺陷的Defects4J缺陷库上实验评估,结果表明SNRepair方法与对比方法比较,修复成功率和修复效率更高.

基于机器翻译软件的外宣文本翻译质量评估研究

外宣翻译任务日益繁重,在一定程度上需要借助机器翻译软件进行辅助工作。基于深度学习和神经网络翻译模型的机器翻译软件被广泛应用于各个领域,但其质量评估对比的实证研究并不多见。文章借助Python编程语言计算机器翻译质量评估指标,对机器翻译后的外宣文本译文进行质量评估。研究发现,不同机器翻译软件的表现各有差异,但均未达到外宣翻译的要求。主要问题有为用词不当、术语错误和搭配不当,机器翻译质量有待提高。

基于人工智能的深度神经网络优化英语机器翻译

机器翻译是一个持续研究的领域,其主要目的是消除语言障碍。随着技术的不断发展,机器翻译在过去几十年里经历了从早期的目标语言直接替换源语言的方法到如今的数据驱动模型的范式转变,其中包括统计和神经机器翻译方法。文中采用一种基于神经网络的深度学习技术,专注于英语翻译,同时还使用了Bahdanau注意机制。为了支撑研究,使用了约30923个句子的平行语料库,其中包含一些新闻和日常生活中常用的句子。拟议的系统遵循70∶30的标准进行了训练和测试。为评估拟议系统的效率,采用了多个自动评估指标,如BLEU、F-measure、NIST、WER等。研究表明,拟议的模型在BLEU分数上取得了平均45.83的结果,显示了其在英语翻译任务上的优异表现。

神经网络机器翻译问题及对策研究——以有道、DeepL、搜狗、百度翻译为中心

2013年以来,神经网络机器翻译实现了机器翻译质量的大幅提升,短短几年便成为机器翻译系统的主流模式。国内外行业巨头纷纷上线神经网络机器翻译系统,推动机器翻译实用化和商品化发展。但是,神经网络机器翻译仍然面临诸多挑战。如何有效地利用在线翻译系统,方便、快速且准确地提高翻译效率和质量,是当前机器翻译研究的重点。因此,本文以有道、DeepL、百度、搜狗四个神经网络翻译软件为研究对象,概括总结了神经机器翻译译文的特点及存在问题,并据此从机器翻译软件开发、译后编辑、译者发展等不同角度,探讨在人工智能翻译飞速发展背景下的应对策略。

源语和目的语之间的亲疏关系对神经网络机器翻译质量的影响——以一次翻译实验为例

虽然神经网络机器翻译技术是目前最先进的机器翻译技术,但翻译质量仍然会受到源语与目的语之间亲疏关系的影响。文章选取法语为源语,英语和中文为目的语,通过一次翻译实验,证实了这一点,同时也证实了在翻译文学作品时,可以借助机器翻译提高翻译效率,但不能过度依赖机器翻译,优秀的译作离不开优秀的译者。

基于深度编码注意力的XLNet-Transformer汉-马低资源神经机器翻译优化方法

神经机器翻译(NMT)在多个领域应用中已取得显著成效,在大规模语料库上已充分论证其优越性。然而,在语料库资源不足的情形下,仍存在较大的改进空间。由于汉语-马来语(汉-马)平行语料的匮乏,直接导致了汉-马机器翻译的翻译效果不佳。为解决汉-马低资源机器翻译不理想的问题,提出了一种基于深度编码注意力和渐进式解冻的低资源神经机器翻译方法。首先,利用XLNet预训练模型重构编码器,在编码器中使用了XLNet动态聚合模块替代了传统编码层的输出方式,有效弥补了低资源汉-马语料匮乏的瓶颈;其次,在解码器中使用并行交叉注意力模块对传统编码-解码注意力进行了改进,提升了源词和目标词的潜在关系的捕获能力;最后,对提出模型采用渐进式解冻训练策略,最大化释放了模型的性能。实验结果表明,提出方法在小规模的汉-马数据集上得到了显著的性能提升,验证了方法的有效性,对比其他的低资源NMT方法,所提方法结构更为精简,并改进了编码器和解码器,翻译效果提升更加显著,为应对低资源机器翻译提供了有效的策略与启示。

融合目标端上下文的篇章神经机器翻译

神经机器翻译在句子级翻译任务上取得了令人瞩目的效果,但是句子级翻译的译文会存在一致性、指代等篇章问题,篇章翻译通过利用上下文信息来解决上述问题。不同于以往使用源端上下文建模的方法,该文提出了融合目标端上下文信息的篇章神经机器翻译。具体地,该文借助推敲网络的思想,对篇章源端进行二次翻译,第一次基于句子级翻译,第二次翻译参考了全篇的第一次翻译结果。基于LDC中英篇章数据集和WMT英德篇章数据集的实验结果表明,在引入较少的参数的条件下,该文方法能显著提高翻译性能。同时,随着第一次翻译(即句子级译文)质量的提升,所提方法也更有效。

基于神经机器翻译的模型反混淆方法

模型混淆是指将神经网络等价地转换为另一种形式,是一种高效且低成本的神经网络保护技术.为了发现模型混淆的缺陷,研究人员提出了模型反混淆技术,以期望改进模型混淆方法.然而,现有的模型反混淆技术研究较少,并且适用场景和反混淆效果有限.因此,本文提出一种基于神经机器翻译(neural machine translation,NMT)技术的模型反混淆方法.该方法将模型的反混淆任务建模成一个seq2seq的任务,首先对混淆模型进行更详细的序列表示,然后对权重参数中的混淆信息进行识别并处理,最后再使用基于NMT的模型进行反混淆翻译.实验结果表明,该方法弥补了已有方法的不足,能够有效地捕捉模型的混淆特征并对模型的架构进行恢复,可以作为一种模型反混淆的通用方案.

GEA-NMT:图卷积增强的多任务低资源机器翻译模型

在低资源语种上训练高质量机器翻译系统的主要障碍是平行语料的稀缺,一些低资源语言在语言上与高资源语言相关或相似,相似的语言可能使用相同的字符集或类似的句法结构.本文利用低资源语种上的单语数据及与之相关联的高资源语种和目标语言的平行语料,尝试将翻译知识进行迁移,从而完成低资源语种和目标语言间的翻译模型训练.本文提出一种图卷积增强的多任务训练低资源神经机器翻译模型(GCN Enhanced multi-task Adapting Neural Machine Translation,GEA-NMT),结合降噪自编码器、生成对抗训练、回译和桥接方法,并使用图神经网络学习句法依赖关系以进一步提升低资源语种上的神经机器翻译模型效果.

自学习和回译的双向增强藏汉机器翻译方法

近年来在神经机器翻译框架内利用源端或目标端单语文本数据的工作机制引起了广泛关注和研究。在提出的众多方案中,回译被视为提高低资源神经机器翻译性能最有前景的方法之一。虽然该方法具有低廉的可操作性,但是其有效性在很大程度上依赖于利用现有双语平行数据训练的初始回译模型本身的性能。为改善藏汉对齐数据在规模上受限条件下的机器翻译性能,利用目标端单语数据,通过逐步接替式采用自学习和回译方法以改进反向和正向模型,使用20M句子规模的汉语单语数据,在藏汉神经机器翻译任务上,利用双向增强方法的正向和反向模型在测试集上的性能比只使用平行数据训练的Transformer模型分别增长了3.1和8.2个BLEU分值,证实了该方法的有效性。

基于神经机器翻译的测试用例协同演化方法研究

软件测试在软件安全保障和质量保证流程中扮演着关键角色,为了降低软件的维护成本,提高软件的安全性,需要尽早地发现和修复漏洞和问题。因此在软件版本迭代的过程中,测试代码需要在生产代码修改后及时更新。然而,测试代码往往难以和生产代码同步更新,导致测试效果不佳。协同演化方法被用于解决这一问题,但维持这一模式的成本较高。本文分析了现有研究,利用关联规则挖掘技术,研究了生产代码和测试代码之间的协同演化关系,提出了一种基于神经机器翻译(Neural Machine Translation,NMT)的测试用例协同演化方法(NMT-based Test Case Co-evolution,NTCC)。通过分析生产代码和测试代码的历史提交来提取测试用例的特征,在历史提交的生产代码和测试上进行训练,然后在一个较小的生产代码数据集上进行调整,最后通过集束搜索的方法产生测试代码。实验结果表明,NTCC方法可以有效地识别生产-测试代码协同演化,准确率达到了78.33%,在正类和负类上的F1-分数分别为80.10%和76.22%,优于基线方法。

基于深度神经网络的软件机器人语义识别方法

由于软件机器人语义识别中存在噪音,易产生表述不清等问题,增加了数据分析难度,影响了语义识别效果,为此,设计一种基于深度神经网络的软件机器人语义识别方法。通过Python语言中的urllib模块和NPL模块抓取二分类语料中的正负语料,搭建软件语料库。利用输出模块、解码器模块、编码器模块以及数据输入模块构建深度卷积神经网络模型,对融合后的张量进行处理后,获取语义分割结果。设计联合语义智能机器人识别模型,通过合并意图识别与实体识别,实现软件机器人语义识别。测试结果表明,设计方法的平均F1值高于0.82,最高错误率低于0.592%,语义分割标准度量值高于0.83,对大量数据进行语义识别时花费时间较短,证明了设计方法具有较好的语义识别效果。

针对音变问题改进的维汉神经网络机器翻译鲁棒性方法研究

由于维吾尔语具有音变差异,在记录时容易混淆,这对机器翻译的容错能力提出了挑战。从词粒度研究的角度出发,针对维吾尔语中具有明显语音特性的音变词的翻译问题,采用字符级神经网络机器翻译(Character level Neural Network Machine Translation,CharNMT)结构,并结合覆盖率机制进行优化,这一方法不仅提高了音变词的翻译质量,还展现出较好的容错能力。在基础模型取得了1.25 Blue分的提升,并在训练和解码速度方面也具有优势。

网络协议软件漏洞挖掘技术综述

网络协议软件部署和应用非常广泛,在网络空间提供了诸如通信、传输、控制、管理等多样化的功能.近年来,其安全性逐渐受到学术界和工业界的重视,及时发现和修补网络协议软件漏洞,成为一项重要的课题.网络协议软件由于部署形态多样、协议交互过程复杂、相同协议规范的多个协议实现存在功能差异等特点,使得其漏洞挖掘技术面临诸多挑战.首先对网络协议软件漏洞挖掘技术进行分类,对已有关键技术的内涵进行界定.其次,进一步综述网络协议软件漏洞挖掘4个方面的技术进展,包括网络协议描述方法、挖掘对象适配技术、模糊测试技术和基于程序分析的漏洞挖掘方法,通过对比分析归纳不同方法的技术优势及评价维度.最后,总结网络协议软件漏洞挖掘的技术现状和挑战,并提炼5个潜在研究方向.

分布式软件定义网络中多域流量工程的路由优化方法

针对分布式软件定义网络(software-defined networking,SDN)中流量管理调度不均衡的流量工程问题,提出一种基于负载均衡的多控制域流量路由优化的解决方案。首先分析控制消息流量的组成、域内通信及域间通信规则;然后基于4种控制消息定义控制链路流量的构成,明确链路承载流量分为控制消息流量和业务流量,建立平衡控制器负载和最小化最大链路利用率的优化模型;最后基于域内通信和域间通信提出两层路由算法。为提高模型求解精度,进一步提出改进离散萤火虫算法求解最优路由。结合ABILENE网络和GEANT网络,分析控制消息流量、控制器负载和链路负载等评价指标。实验结果表明,优化模型能有效实现控制器和链路负载均衡,控制消息流量是流量工程重要组成部分。相比集中控制模式,扁平分布式控制模式的平均控制器负载降低47.3%,最大链路利用率相差不超过15%。

面向软件定义网络的异常流量检测研究综述

针对软件定义网络(SDN)较传统网络更易遭受网络攻击的现实,从技术原理和架构特点出发,对近年来面向软件定义网络的异常流量检测研究进展进行综述,分析了SDN可能遭受网络攻击的组织形式,讨论了当前SDN异常流量检测、异常流量溯源、异常流量缓解相关技术的特点、优势及不足;对当前研究中常用的数据集进行了对比分析,并梳理出一些通用的数据预处理方法;总结并展望了未来SDN环境下异常流量检测方法的研究方向。调研结果可以指导实际应用需求中适配方法的选取,提出待解决的问题和矛盾可为后续研究提供引导。

面向网络工程创新人才培养的软件定义网络教学案例设计

为了提高软件定义网络(SDN)教学质量,针对SDN技术特点和实际网络工程问题,提出层次化、虚拟化、实用性的课程教学案例内容体系,以一个具体的综合案例(一种轻量级的异常数据流监测和防护系统)为例,介绍教学案例设计及应用过程。

系统与网络软件安全专题前言

近年来,随着移动通信、云计算、人工智能、区块链等技术的快速发展,传统系统软件与网络应用被赋予新特性和新场景,新兴系统软件与网络应用也不断涌现.与此同时,各类系统攻击、网络犯罪等安全问题频繁发生,给社会和国家安全带来了极大的危害.

入侵意图分析下的软件定义网络DDoS攻击检测方法

为在数据样本回溯期内解决因本地信息熵值增大而造成的服务攻击问题,维护软件定义网络的运行安全性,提出入侵意图分析下的软件定义网络分布式拒绝服务(DDoS)攻击检测方法。按照软件定义网络场景重构原则,确定因果网转换标准,实现对识别参数的更新处理,完成攻击性行为的入侵意图分析,再定义DDoS数据集,根据攻击行为的时空特性,求解模型参数的取值范围,完成入侵意图分析下软件定义网络DDoS攻击检测方法的设计。实验结果表明,在该算法控制下数据样本回溯期为10 min,低于传统算法,能够较好维护软件定义网络的运行安全性。

软件定义卫星网络中基于业务调度的混合路由算法

为了解决低轨卫星网络高动态拓扑、大数据传输量、多信令开销的问题,满足全球覆盖和海量移动用户日益增长的需求,在研究不同业务性能指标体系的基础上,构建了高低轨卫星协同的软件定义卫星网络架构及虚拟拓扑模型;设计了综合考虑业务到达率和等待时长的优先级赋值函数,并提出一种基于业务感知与调度的联合星间路由算法,该算法包括针对高QoS需求业务的低复杂度轨道内优先转发路由算法和针对低QoS需求业务的链路加权路由算法.仿真结果表明,所提算法在平均端到端时延、丢包率和吞吐量等方面比传统算法均有显著的改善.