基于双指标分组学习粒子群算法的动态敏捷软件项目调度

针对敏捷软件开发中的用户故事选择和任务分配2个紧耦合子问题,考虑用户故事的新增和开发者工作时长的不确定性,构建敏捷软件项目的动态周期性调度模型,提出一种基于目标值和潜力值双指标进行分组学习的粒子群优化算法。该算法依据不同分组特征选用相异的学习对象,以提高搜索的多样性;基于投资回报率和时间利用率设计初始化和局部搜索策略,以应对环境变化并增强挖掘能力。与7种已有算法相比,所提算法能够规划出一套产出价值更大和时间利用率更高的调度方案。

基于视觉技术和深度学习的纸张缺陷识别系统及软件设计

为解决人工视觉不能识别纸张小尺寸缺陷,无法保障缺陷识别精确度与稳定性,且难以适应大面积、高速生产要求等一系列问题,以机器视觉技术与深度学习算法为载体进行了纸张缺陷识别系统硬件与软件设计,并提出了基于BP神经网络的纸张缺陷识别算法。其中系统硬件由工业摄像机、荧光灯、FPGA、DSP等构成,系统软件以MFC框架与C++编程语言为辅助开发设计。纸张缺陷识别算法则经过纸张缺陷图像预处理、特征提取与选择、识别分类实现缺陷识别。此系统识别方法简单、识别精准且实时性强,可在很大程度上取代传统人工视觉识别方法。

基于分组学习粒子群算法的众包软件项目调度

为解决众包软件项目调度问题中的开发者选择、任务分配和投入度确定3个强耦合子问题,引入开发者信誉度,考虑技能、工作时长、开发团队规模等约束,以项目完成质量和工期为目标建立数学模型。提出一种采用三段式混合编码的分组学习粒子群算法求解所建模型。所提算法根据适应度排序将种群划分为3组,不同分组的粒子数量随进化代数自适应变化,且各组根据不同的适应度采用不同的更新策略。将所提算法与10种具有代表性的算法在12个不同规模的众包软件项目调度算例中进行对比,结果表明,所提算法能够获得精度更高的调度方案。

软件类专业学生自主学习能力评价体系构建

数字经济与软件技术的融合发展,对软件人才的专业能力和综合素养提出新的要求。自主学习能力对学生综合素质和专业能力发展至关重要。为规范培养与评价软件类专业学生自主学习能力,提高软件人才培养质量,该文从学习认知、自主实践能力、自我评价与总结三个维度选取指标,运用层次分析法构建评价体系。通过分析各级指标重要性,科学赋予指标权重,为高校评价该专业学生自主学习能力提供参考。该评价体系不仅可丰富自主学习理论研究,还有助于提升学生自主学习能力水平。

基于集成学习技术的恶意软件检测方法

近年来,低级别微结构特征已被广泛应用于恶意软件检测。但是,微结构特征数据通常包含大量的冗余信息,且目前的检测方法并没有对输入微结构数据进行有效地预处理,这就造成恶意软件检测需要依赖于复杂的深度学习模型才能获得较高的检测性能。然而,深度学习检测模型参数量较大,难以在计算机底层得到实际应用。为了解决上述问题,本文提出了一种新颖的动态分析方法来检测恶意软件。首先,该方法创建了一个自动微结构特征收集系统,并从收集的通用寄存器(General-Purpose Registers,GPRs)数据中随机抽取子样本作为分类特征矩阵。相比于其他微结构特征,GPRs特征具有更丰富的行为特征信息,但也包含更多的噪声信息。因此,需要对GPRs数据进行特征区间分割,以降低数据复杂度并抑制噪声。本文随后采用词频-逆文档频率(Term Frequency-Inverse Document Frequency,TF-IDF)技术从抽取的特征矩阵中选择最具区分性的信息来进行恶意软件检测。TF-IDF技术可以有效降低特征矩阵的维度,从而提高检测效率。为了降低模型复杂度,并保证检测方法的性能,本文利用集成学习模型来识别恶意软件。实验表明,该集成学习模型具有99.3%的检测准确率,3.7%的误报率,优于其他现有方法且模型复杂度低。此外,该方法还可以用于检测真实数据中的恶意行为。

面向可解释性的软件缺陷预测主动学习方法

针对软件缺陷预测中数据标注代价较高及深度学习模型缺乏可解释性的问题,提出一种面向可解释性的软件缺陷预测主动学习方法。首先,基于主动学习技术,通过样本选择策略从目标项目中筛选出不确定性高的样本进行专家标注,并将这些标注样本放入源项目中以训练预测器。其次,利用领域知识对选定样本进行扰动,构建局部数据集,并通过线性模型在该数据集上模拟数据选择策略的行为,以实现模型的可解释性。实验结果显示:该方法在数据标注方面的指标性能要优于传统的主动学习基准方法;同时,在可解释性方面,该方法的RMSE指标也均低于LIME、全局代理模型以及RuleFit,能较好地解释“黑盒”模型。该方法不仅可以有效提高软件缺陷数据的标注效率,还可以实现模型的可解释性。

Patch-Locator:一种基于排序学习的开源软件漏洞补丁定位方法

日益增多的开源软件漏洞对软件安全带来了巨大的风险,补丁在应对这一风险的过程中扮演了非常重要的角色.不幸的是,尽管大部分漏洞的补丁在被披露前就已经开发完毕,但仅有部分补丁会随漏洞同步公开.现有的研究发现了漏洞与其补丁之间存在一定的相关性,并基于这些相关性特征对提交进行了排序,以定位漏洞的补丁,但仍旧存在漏洞数据部分缺失、定位准确率不佳等问题.本文提出了Patch-Locator,一种新的基于排序学习的补丁定位方法,通过扩展漏洞数据源对漏洞数据进行补充,并根据漏洞与补丁文本的相似性、漏洞产生的原因和导致的结果等更能反映漏洞与补丁间关联的因素提取了更具有针对性的相关性特征,并使用LambdaMart排序学习模型对提交基于其具有的相关性特征进行排序以定位安全补丁.本文用来自10个开源软件项目的1669个漏洞来评估Patch-Locator.实验结果表明,Patch-Locator的Recall@1指标为92.22%,Recall@5指标为95.51%,Manual Effort@5指标为1.2455,均优于现有方法.

一种基于强化学习的软件安全实体关系预测方法

为改善现有基于翻译的软件安全知识图谱实体关系预测方法不具备可解释性,而基于路径推理的方法准确性不高的现状,本研究提出一种基于强化学习的预测方法 .该方法首先分别使用TuckER模型和SBERT模型将软件安全知识图谱的结构信息和描述信息表示为低维度向量,接着将实体关系预测过程建模为强化学习过程,将TuckER模型计算得到的得分引入强化学习的奖励函数,并且使用输入的实体关系向量训练强化学习的策略网络,最后使用波束搜索得到答案实体的排名列表和与之对应的推理路径.实验结果表明,该方法给出了所有预测结果相应的关系路径,在链接预测实验中hit@5为0.426,hit@10为0.797,MRR为0.672,在事实预测实验中准确率为0.802,精确率为0.916,在准确性方面与同类实体关系预测模型相比具有不同程度的提升,并且通过进行可解释性分析实验,验证了该方法所具备的可解释性.

基于深度学习的宣纸缺陷识别软件设计

作为我国优秀文化遗产书法与国画的主要载体,宣纸需始终保持较高质量,最大程度上避免缺陷以影响外观与使用,这就要求造纸企业必须高度重视宣纸缺陷识别与检测,以机器识别软件替代人工识别检测,并引进合适的识别算法。提出了基于深度学习之卷积神经网络的宣纸缺陷识别算法,且由此进行了宣纸缺陷识别软件设计。结果发现,此软件不仅运行速度快,识别率高,而且识别分类准确率可达98.93%,可完全贡献于宣纸质量提高,值得广泛推广与应用。

应用ArcGIS软件开展高中地理研究性学习的实践研究——以“云龙县生态脆弱区的可持续发展”为例

加强研究性学习,深化地理信息技术应用,是提升学生地理学科核心素养、促进学生学以致用的重要途径。ArcGIS软件具有强大的图层叠加功能和空间分析功能,可以呈现真实复杂的问题情境,为学生进行研究性学习提供有力支撑。本研究从区域可持续发展的视角,为教师指导学生运用ArcGIS软件评价生态脆弱性、绘制生态脆弱性空间分布图、针对不同区域的生态脆弱性特征提出可持续发展建议,提供了可供参考的基本思路、教学方法与评价方式。

基于有意义学习理论的PBL教学模式设计与实践——以中等职业教育“常用工具软件”课程为例

以“有意义学习理论”为导向,针对当前中等职业教育传统课堂教学模式的特点与不足,运用PBL(Problem-Based Learning)教学模式,以“常用工具软件”课程为例进行教学设计和实践;通过设计七步教学模式:创设问题、分析问题、解决问题、成果展示、多元评价、反思交流、扩展应用,促进学生的知识建构和有意义学习,为专业课程提供更多的改革思路和方法,以此拓展PBL教学模式与有意义学习理论的适用范围。

新工科背景下软件工程专业大学生的契约式学习

新工科背景下,软件工程专业教学中技术发展迅速,对学生提出更高的实践能力要求,需要学生具有较强的自主学习能力。立足于大学生所具有的阶段属性和专业属性,本文提出以学生为中心的契约式学习模型,并进一步明确契约式学习的实施步骤与实施要点。

面向计算机软件工程的机器学习技术

在计算机技术不断发展的背景下,机器学习技术在软件工程领域应用得越来越广泛,其可以帮助软件开发人员更快、更高效地开发软件,提升软件质量及运行的稳定性,增强软件的适应性。近年来,机器学习技术水平不断提升,促进了软件工程领域的变革,在应用机器学习技术的过程中,可以通过数据学习的方式进行优化,制定最优模型,并结合机器学习帮助工作人员更有效地解决问题,提升软件运行效果。但在实际应用过程中,需结合模型建立及技术运行常见问题进行分析。基于此,文中通过对比分析,对面向计算机软件工程的机器学习技术进行了论述,并提出了计算机软件工程机器学习的改进措施,以机器学习中双层规划模型与计算应用为基础,充分展现了机器学习技术的应用优势。

基于后门攻击的联邦学习恶意软件检测系统脆弱性分析

深度学习技术已成为恶意软件检测的核心技术之一,然而其依赖于集中式训练,需要定期更新数据库并进行重训练以应对恶意软件的不断演进。联邦学习作为一种新兴的分布式学习技术,通过在多个客户端本地训练分类模型并共享学习成果以构建全局模型,能有效保护数据隐私并适应恶意软件的多样化;但联邦学习由于其分布式的特性,易受到恶意客户端后门攻击的影响。针对上述问题,探讨了联邦学习在恶意软件检测中的脆弱性,分析了潜在的恶意攻击如标签反转攻击和模型投毒攻击,并在此基础上提出一种新型隐蔽的联邦自适应后门攻击(federated adaptive backdoor attack,FABA)策略。该攻击策略充分利用联邦学习的特性,通过在客户端与中心服务器的交互过程中不断调整触发器,确保攻击效益最大化与隐蔽性。在Virus-MNIST和Malimg数据集上的测试结果显示,所提出的方法在保持隐蔽性的同时实现了100%的攻击成功率,对干净样本的预测精度几乎无影响。此外,即使面对最新的防御机制,所提出的策略依然能保持高攻击成功率和隐蔽性。所使用的微小触发器(仅9个像素)和极低比例(3%)的恶意客户端展示了联邦学习在安全性方面的潜在风险,为未来的防御策略提供了重要参考。

探究使用自主学习软件及其依赖对学习效率的影响——以昆明市大学生为例

在疫情时代,视频网课在这三年内迅速发展。自2022年末取消出行政策的限制后,线下课堂逐步恢复,但是学生们依旧将视频网课作为自身学习的重要途径之一。同时,当他们使用这些自主学习软件时,可能由于各种外部与内部因素,与教师的交流减少,导致学习效果不佳。当学生们发现视频网课的好处之后,会使他们形成依赖,于是便一直使用视频网课学习的方法。通过调查了解这一情况,来让学生们掌握更加高效的学习方法。通过本次调查发现,学生们自主学习意识较高,但仍有被动学习的情况;学生对于自主学习软件的依赖程度越大,使用频率越高;同时线下课堂效率降低。学生们应该找到适合自己的学习方法,来提高学习效率。

基于极限学习机的软件缺陷预测分析研究

软件测试是软件开发生命周期中最主要的阶段,它可以最大限度地减少软件的缺陷,软件缺陷预测是近几年来软件研究人员关注的一个领域。为了提高缺陷模型的准确性,本文提出使用极限学习机(extreme learning machine, ELM)算法来预测缺陷。首先,从Eclipse程序库中提取3个版本控制系统用作训练数据并做预处理;其次,使用ELM算法来训练模型;最后,使用一些指标进行性能预测。基于软件包的预测结果证明ELM适合跨版本缺陷预测。

依靠智慧学习软件为学生创建学习平台

随着科技的飞速发展,教育领域也在不断改变。智慧学习软件已经成为教育中不可或缺的一部分,为学生提供了更多的资源和工具,帮助他们更好地掌握知识。数学作为一门重要的学科,也可以受益于智慧学习软件的应用。在本文中,我们深入探讨了智慧学习软件的优势,并从四个不同的策略角度深入研究了如何利用智慧学习软件为小学生创建数学学习平台。这些努力将有助于培养未来的科学家,为他们提供更丰富、更有趣的数学学习体验。

基于深度学习的第三类独立医用软件产品现状分析和展望

目的:根据人工智能医疗器械中的第三类深度学习独立软件及其企业的相关情况,分析二者的特征和内在原因,为产业发展提供参考。方法:根据国家药品监督管理局网站和国家企业信用信息公示系统网站的公开信息,整理第三类深度学习独立软件及企业信息,并做描述性统计分析。结果:2020年以来,我国有53项第三类深度学习独立软件通过了注册审批,审评数量逐年增加,主要集中在肺和心脏等部位。这些产品分别属于26家企业,在成立时间和地域分布上呈现一定的集中趋势。结论:人工智能医疗器械的健康发展,需持续以临床应用为导向,加强配套政策支持,重视技术和人才的创新作用。

基于多字节频率域可视化和深度学习的恶意软件检测

随着恶意软件数量和种类的增长,恶意软件可视化研究在提高检测效率上遇到了瓶颈。为提高准确率,从频率域角度,提出一种基于改进的多阶马尔可夫概率的恶意软件可视化方法。在恶意软件可视化过程中充分考虑相邻字节之间的关联性和不同长度汇编指令的字节分布等问题,根据指令长度计算不同阶的马尔可夫概率,获取多阶马尔可夫图像以扩展样本量。融合深度学习构建IM-CNN(image of muti-order Malkov-CNN)检测框架,进行分类检测,其结果表明,IM-CNN在CNCERT和BIG2015数据集上的准确率最高均可达99%,受恶意软件数据集的平衡性因素影响较小。

基于深度学习的软件错误定位与修复方法研究

针对当前软件自动修复方法无法实现多代码多语句错误的自动修复,本研究提出了基于深度学习的软件错误定位和修复方法,实现多个代码块的错误定位和修复。首先,设计了联合深度学习和频谱的错误定位技术,实现多个代码块的检测。其次,设计了基于树结构的循环神经网络模型,通过学习代码局部区域,生成代码转换规则。最后,使用通用数据集进行实验验证。结果表明,与现有方法相比,本方法生成的补丁个数大幅提升,能实现多语句错误自动修复。