Deep_FGDL:一种基于深度神经网络的细粒度缺陷定位方法

传统静态缺陷定位技术仅能实现函数级或语句级的粗粒度定位,且过度依赖于缺陷报告等标注信息,限制了其在实际应用中的有效性。针对以上问题,本文提出一种基于深度神经网络(Deep Neural Networks,DNN)技术挖掘代码抽象语法树(Abstract Syntax Tree,AST)细粒度特征信息的缺陷定位方法Deep_FGDL。该方法利用正确代码片段构建模板库突破缺乏标注数据的限制。首先,通过代码语义相似度分析方法匹配正确模板进行初步定位。其次,提出了怀疑度公式,结合代码缺陷检测模型对结果进行加权操作,得到最为可能的细粒度缺陷定位。最后,为增强模型有效性,对于无法匹配合适模板的情况,引入了基于缺陷模式的缺陷定位方法。选用SARD数据集,将本文方法与几种静态缺陷定位方法进行实验对比,实验结果表明,该方法定位准确性在Top-5排名上提升15.0%、精确度提升19.1%。

基于可解释性分析的深度神经网络优化方法

近年来,深度神经网络(deep neural network,DNN)在众多领域取得了广泛应用,甚至在安全关键系统中已经可以代替人类作出决策,如自动驾驶和智慧医疗等,这对DNN的可靠性提出了更高的要求.由于DNN具有复杂的多层非线性网络结构,难以理解其内部预测机制,也很难对其进行调试.现有的DNN调试工作主要通过修改DNN的参数和扩增数据集提升DNN性能,以达到优化的目的.然而直接调整参数难以控制修改的幅度,甚至使模型失去对训练数据的拟合能力;而无指导地扩增训练数据则会大幅增加训练成本.针对此问题,提出了一种基于可解释性分析的DNN优化方法(optimizing DNN based on interpretability analysis,OptDIA).对DNN的训练过程及决策行为进行解释分析,根据解释分析结果,将原始数据中对DNN决策行为产生不同程度影响的部分以不同概率进行数据变换以生成新训练数据,并重训练DNN,以提升模型性能达到优化DNN的目的.在使用3个数据集训练的9个DNN模型上的实验结果表明,OptDIA可以将DNN的准确率提升0.39~2.15个百分点,F1-score提升0.11~2.03个百分点.

一种深度神经网络SAR图像目标识别可视化方法

针对深度神经网络模型判别模型构建依据不清晰的问题,提出一种基于特征缺损的雷达SAR图像目标识别分析方法.该方法移除目标图像的局部特征信息,并将其作为输入样本,获取深度神经网络识别结果的变化关系,根据深度神经网络模型分类输出结果的变化情况,分析深度神经网络实现目标分类的原理.在公开的MSTAR数据集上的实验表明,该方法可以有效展现目标不同区域的信息对深度网络识别的影响,实现深度神经网络识别的可视化分析.