【摘 要】
：
在软件技术和规模不断发展的今天,软件开发过程中出现的问题越来越多,代码缺陷检测工具由于其缺陷检测效率高并且自动化程度高被人们所青睐。但随着代码规模越来越大、代码文件变得越来越复杂,代码缺陷检测工具也面临着更多的挑战,如硬件资源达不到需求、检测时间过长等情况。此时传统单机代码缺陷检测系统并不能很好地解决这些问题,需要采用分布式的方法进行调度。如果能在分布式调度之前知道被测模块大致的时间开销与空间开销
论文部分内容阅读
在软件技术和规模不断发展的今天,软件开发过程中出现的问题越来越多,代码缺陷检测工具由于其缺陷检测效率高并且自动化程度高被人们所青睐。但随着代码规模越来越大、代码文件变得越来越复杂,代码缺陷检测工具也面临着更多的挑战,如硬件资源达不到需求、检测时间过长等情况。此时传统单机代码缺陷检测系统并不能很好地解决这些问题,需要采用分布式的方法进行调度。如果能在分布式调度之前知道被测模块大致的时间开销与空间开销,便能更好地进行调度,从而提高缺陷检测效率和硬件资源利用率。本文在对代码缺陷检测过程进行分析的基础上,提出了一种代码缺陷检测中被测模块开销预测方法,并且实现了被测模块开销预测系统。本文根据缺陷检测流程的特点提取出了时间开销特征和空间开销特征,通过被测模块开销预测系统获取到被测模块的抽象语法树序列、时间开销特征和空间开销特征,通过深度记忆网络从抽象语法树序列中提取出语义特征,将时间开销特征与语义特征进行融合得到融合特征,然后使用回归算法对融合特征进行时间开销的预测,使用回归算法对空间开销特征进行空间开销的预测。本文在10个开源C工程上进行了实验评估,试验结果表明,使用被测模块开销预测系统预测时间开销时,其平均绝对误差（Mean Absolute Error,MAE）相较于传统回归模型降低了 0.0136,其均方误差（Mean Square Error,MSE）相较于传统回归模型降低了 0.0085;使用被测模块开销预测系统预测空间开销时,其误差比例小于20%的数据比例为85.1%。总体而言,本文所提出代码缺陷检测中被测模块开销预测方法在开销预测方面有着相对较好的表现。
其他文献
现有OpenMP调度策略通常采用动态策略处理程序中的线性循环结构,存在负载不均衡和调度开销大的问题.提出一种针对线性递增或线性递减循环结构的非线性静态调度策略Nonlinear_static.将线性循环负载均匀变化参数与总负载、负载峰值、线程数相结合构建调度模型,计算循环迭代在线程上的映射,使迭代块大小呈非线性递增或递减趋势.将线性循环的负载平均地分配在每个线程上,并在开源OMPi编译器中进行编码.在Adjoint Convolution、Compute Pots、Matrix Multiplicatio
得益于高频段丰富的频谱资源,基于毫米波的无线通信系统是未来提升业务服务能力重要手段之一。由于毫米波信号的高路径损耗特点,需要利用波束赋形技术形成高增益的窄波束进行通信。在高速移动场景下,由于收发端相对位置的不断变化,需要频繁地进行波束赋形。然而,传统的波束赋形算法需要进行复杂度较高的信道估计,造成较大的系统开销。由于毫米波的短波长特点,收发机之间的通信链路越来越短,趋近于视距连接,可以通过视觉图片
传统的RGB-D视觉同时定位与制图(SLAM)算法在动态场景中识别动态特征时会产生数据错误关联,导致视觉SLAM估计姿态精度退化.提出一种适用于动态场景的RGB-D SLAM算法,利用全新的跨平台神经网络深度学习框架检测场景中的动态语义特征,并分割提取对应的动态语义特征区域.结合深度图像的K均值聚类算法和动态语义特征区域对点特征深度值进行聚类,根据聚类结果剔除动态特征点,同时通过剩余特征点计算RGB-D相机的位姿.实验结果表明,相比ORB-SLAM2、OFD-SLAM、MR-SLAM等算法,该算法能够减小
针对现有微表情自动识别方法准确率较低及微表情样本数量不足的问题,提出一种融合迁移学习技术与可分离三维卷积神经网络(S3D CNN)的微表情识别方法.通过光流法提取宏表情和微表情视频样本的光流特征帧序列,利用宏表情样本的光流特征帧序列对S3D CNN进行预训练,并采用微表情样本的光流特征帧序列微调模型参数.S3D CNN网络由二维空域卷积层及添加一维时域卷积层的可分离三维卷积层构成,比传统的三维卷积神经网络具有更好的学习能力,且减少了模型所需的训练参数和计算量.在此基础上,采用迁移学习的方式对模型进行训练,
置信传播(BP)算法作为极化码最常用的软判决输出译码算法之一,具有并行传输、高吞吐量等优点,但其存在收敛较慢、运算复杂度高等缺陷.提出一种基于循环神经网络的偏移最小和近似置信传播译码算法.通过偏移最小和近似算法替代乘法运算,修改迭代过程中的消息更新策略,并运用改进的循环神经网络架构实现参数共享.仿真结果表明,相比传统BP译码算法,该译码算法在提升误码率(BER)性能的前提下,减少约75％的加法运算且收敛速度大幅提升,相比基于深度神经网络的BP译码算法,该算法在确保BER性能无显著下降的前提下,使用加法运算
传统的串行抵消比特翻转(SCF)译码算法仅用对数似然比(LLR)的绝对值去衡量信息比特译码结果的可靠情况,导致误块率(BLER)过高和翻转的尝试次数较多.提出一种串行抵消比特翻转译码算法PLR-SCF,分析SC译码算法发生错误译码的原因,通过仿真观察LLR、极化信道可靠度和信息位所在的位置与SC译码算法发生首个判决错误之间的关系,并利用上述因素设计一个能准确衡量信息位发生译码错误程度的度量公式.仿真结果表明,相对于传统的SCF译码算法,该算法能够有效降低BLER,特别是在高信噪比下获得的最大信噪比增益约为
对违建场地的检测方法主要是通过人工对无人机航拍视频进行检查,存在检测精度低、识别性能差、工作效率低的问题.提出一种结合空间变换网络与Fast RCNN的生成对抗网络ASTN-Fast RCNN,通过深度学习与无人机航拍视频相结合自动识别检测处在建设初期的违建场地.将空间变换网络作为生成器,生成Fast RCNN目标检测器难以识别的旋转形变样本,并通过目标检测器与生成器的对抗式训练,提高检测器的鲁棒性.实验结果表明,该方法能够有效提高对无人机航拍违建场地的识别性能.
鼻腔鼻窦肿瘤为多发性疾病,其CT影像具有形态不规则、分界不均匀等特征,而现有的U-Net分割算法对图片细节不敏感且割裂了图像局部与整体特征的一致性,难以实现精准诊断.提出一种基于D-Unet深度神经网络的改进算法,根据鼻腔鼻窦肿瘤空间形变特点,将可变形卷积融入U-Net网络,并利用可变形卷积能依据目标形态拥有自适应感受野的特点,充分学习图像细节,从而提升算法的特征提取能力.在此基础上,使用损失函数Tversky解决数据集样本失衡问题,从而获得更高的灵敏度和泛化能力.为方便进一步研究,建立鼻腔鼻窦肿瘤分割数
在无人机跟踪过程中,遮挡、光照变化、背景干扰等影响会导致跟踪目标丢失.基于SiamRPN算法提出一种无人机目标跟踪算法.通过在网络中加入空间条带池和全局上下文模块建立远程上下文关系,以适应不同的跟踪场景.同时利用改进交并比的计算方法提取目标特征,并回归精准的预测框.在UAV123数据集上的实验结果表明,相比SiamRPN、SiamFC、SAMF等算法,该算法的跟踪性能较优且具有较强的鲁棒性,尤其在背景干扰环境下,其精确率和成功率较SiamRPN算法分别提升了6.54％和11.63％.
颅骨修复技术是对有缺损的颅骨补全对应的缺损部分,进而实现颅骨形状的完整性.针对高维颅骨数据,采用径向曲线来表示颅骨几何特征,结合最小二乘支持向量回归的方法构建颅骨修复模型.提取完整的三维颅骨模型的径向曲线,将其分为已有径向曲线和缺失径向曲线两部分作为训练样本,采用最小二乘支持向量回归统计模型复原出待修复颅骨的缺失径向曲线,进而合并生成待修复颅骨的完整径向曲线,通过迭代最近点算法将合并的颅骨径向曲线与颅骨统计模型进行匹配生成完整的三维颅骨模型.实验结果表明,该方法的平均误差达到6.834×10?3,比主成分