基于离散小波变换的深度树时空模型

交通流量预测是智能交通领域的研究热点,有利于提高交通资源分配的合理性和出行政策制定的有效性。新型冠状病毒的爆发,严重影响了交通出行的正常秩序。许多国家为了减少疫情的传播速度均颁布了限制居民出行的政策,导致交通流量数据出现了较高的离散性和不规则性。为了克服数据离散性对交通流量预测的影响,本文采用离散小波变换(DWT)将交通流量数据拆分为离散量、变化趋势和离散基线。为了提升模型对高离散性交通数据预测的准确率,本文设计了两种不同的模型来分别预测变化趋势和离散量。由于出行区域的限定,疫情期间的交通状况变化呈现出小规模聚集性。图卷积神经网络的节点邻接计算方法适用于节点随机均匀分布的图结构,对于节点小规模聚集分布的图结构的计算效果较差。本文提出了一种树卷积网络(TreeCN)来分析交通网络的空间相关性,并采用时序卷积网络来分析交通数据的时间相关性。为了解决交通流量数据的高离散性问题,本文提出了一个离散预测模块(DPM),用于将离散小波变换分离出的离散量转换为高维离散特征。最后,使用离散小波变换对预测的交通数据进行分割,然后将新分割的交通趋势和离散基线与离散预测模块预测的离散模型进行逆离散小波变换,得到最终的交通流预测结果。在对比实验中,将这项工作与现有的高级基线进行了比较,本文模型要优于现有基线模型。

基于抽象语法树压缩编码的漏洞检测方法

针对基于抽象语法树的源代码漏洞检测方法难以从大规模语法树中充分提取语法和结构特征,导致漏洞表征能力不足、检测准确率低的问题,提出了一种基于抽象语法树压缩编码(abstract syntax tree compressed coding,ASTCC)的源代码漏洞检测方法.该方法首先将程序抽象语法树以代码语句为单元分割成1组子树;然后通过递归神经网络对子树进行编码以提取代码语句内语法信息;再将原始语法树中的子树替换为其编码节点,从而在保留结构特征的同时减小原始语法树的深度并减少了叶子节点数量;最后,通过带注意力机制的树卷积神经网络实现源代码漏洞检测.在NVD和SARD公开数据集上的实验结果表明,ASTCC方法能够降低抽象语法树的规模,增强模型对源代码漏洞的表征能力,有效提升漏洞检测的准确率.

基于程序结构与语义特征融合的软件缺陷预测

随着软件系统的规模越来越庞大,如何快速高效地预测软件中的程序缺陷成为一个研究热点。最近的研究引入了深度学习模型,使用神经网络提取代码特征构建分类器进行缺陷预测。针对现有的神经网络只在单层面、单粒度上提取代码特征,导致特征不够丰富,造成预测精度不高的问题,提出了一种基于特征融合的软件缺陷预测框架。通过将程序解析为抽象语法树(abstract syntax tree,AST)以及Token序列两种不同的程序表示方式,利用树卷积神经网络以及文本卷积神经网络分别提取代码的结构和语义特征进行特征融合,从而提取到更丰富的代码特征用于缺陷预测。同时改进了AST和Token序列提取方法,降低模型复杂度。选择使用公共存储库PROMISE中的公开数据集作为实验数据集,采用softmax分类器预测得到最终的预测结果。实验结果表明,该框架在实验数据集上可以获得比已有方法更高的F1-score。