买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利基于代码局部特征与长距离依赖关系的软件缺陷预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119783111B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411831537.2，技术领域涉及：G06F21/57；该发明授权基于代码局部特征与长距离依赖关系的软件缺陷预测方法是由魏丹;关广欣;王兴起;陈滨设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本基于代码局部特征与长距离依赖关系的软件缺陷预测方法在说明书摘要公布了：本发明公开了基于代码局部特征与长距离依赖关系的软件缺陷预测方法。该方法首先采用时间卷积神经网络对语义特征进行挑选，以保留潜在的、与缺陷相关的语义特征，从而提高预测的有效性和准确性。再将保留的语义特征与传统特征结合，先输入CNN模型，通过滑动卷积核在输入数据上提取局部特征，有效捕捉代码中的局部模式和语法结构；再输入两个连续的BILSTM层，捕捉软件代码中的长距离依赖关系，如跨多个时间步的复杂逻辑、函数调用关系等，这对于理解代码行为和预测缺陷至关重要。通过上述步骤，构建了一个更加全面、有效的软件缺陷预测模型，显著提升了缺陷预测的准确性，进而为软件质量保障与维护效率提升提供了有效支持。

本发明授权基于代码局部特征与长距离依赖关系的软件缺陷预测方法在权利要求书中公布了：1.基于代码局部特征与长距离依赖关系的软件缺陷预测方法，其特征在于：具体包括以下步骤： 步骤1、从源代码程序和缺陷报告中提取传统特征与语义特征，并标注缺陷标签； 步骤2、利用预训练的时间卷积神经网络对提取的语义特征进行选择； 步骤3、将步骤2选择的语义特征与传统特征进行合并，形成目标维度的特征矩阵； 步骤4、使用一个CNN层对步骤3得到的目标维度的特征矩阵进行局部特征提取，再经过连续的两个BILSTM层，捕获时间序列中的长距离依赖关系；然后使用dense层整合第二个BILSTM层输出的特征，最终通过sigmoid激活函数输出预测的缺陷预测结果；具体过程为： s4.1、通过卷积层对输入的目标维度特征矩阵进行一维卷积操作，提取局部特征； s4.2、通过批量归一化层对卷积层的输出进行标准化，产生标准化特征图； s4.3、通过最大池化层进一步处理批量归一化层输出的特征图，降低特征图维度的同时保留最显著的特征，生成池化特征图； s4.4、将池化特征图输入第一个BILSTM层，捕获序列中的时间依赖关系；第二个BILSTM层基于第一个BILSTM层的输出，进一步强化信息流的传递； s4.5、使用一个dense层整合第二个BILSTM层输出的特征，对第二个BILSTM层输出的信息进行加权汇总，最终通过sigmoid激活函数输出二元分类的结果； 步骤5、比较步骤4预测的缺陷预测结果与缺陷标签，训练步骤4中的模型参数；采用加权二元交叉熵损失函数Loss： 其中，N表示输入模型的样本数量，ytrue,i表示第i个样本的真实标签，ytrue,i＝1表示该样本为正类即缺陷样本，ytrue,i＝0表示该样本为负类即无缺陷样本；ypred,i表示模型输出的第i个样本的预测概率；Pos_weight为正类样本对应的权重值； 步骤6、从待检测的源代码程序及其缺陷报告中提取语义特征和传统特征，通过步骤2中预训练后的时间卷积神经网络对语义特征进行选择，再与传统特征进行合并，然后输入步骤5训练后的模型中，输出缺陷预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。