CN112214402A - 一种代码验证算法的选择方法、装置及存储介质 - Google Patents
一种代码验证算法的选择方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112214402A CN112214402A CN202011008564.1A CN202011008564A CN112214402A CN 112214402 A CN112214402 A CN 112214402A CN 202011008564 A CN202011008564 A CN 202011008564A CN 112214402 A CN112214402 A CN 112214402A
- Authority
- CN
- China
- Prior art keywords
- verified
- code block
- code
- verification algorithm
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012795 verification Methods 0.000 title claims abstract description 287
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 246
- 238000010187 selection method Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000002790 cross-validation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于软件安全技术领域，提供了一种代码验证算法的选择方法、装置及计算机可读存储介质，所述选择方法包括：将待验证代码块输入预先构建的算法选择模型进行处理，得到待验证代码块对应的目标验证算法置信度向量；其中，目标验证算法置信度向量用于描述待验证代码块对应的各个预设验证算法的得分值；根据目标验证算法置信度向量确定待验证代码块对应的目标验证算法；基于目标验证算法对待验证代码块进行验证，得到验证结果。上述选择方法不仅适用范围大，还提高了在实际软件工程中的代码验证效率。
Description
技术领域
本申请属于软件安全技术领域，尤其涉及一种代码验证算法的选择方法、装置及计算机可读存储介质。
背景技术
软件代码验证是保证软件***可信性的重要技术手段，在与安全攸关的软件***(如自动列车控制***、航空飞行控制***等)的设计开发中有重要应用。由于用于对软件代码进行验证的代码验证算法多种多样，且各自有其适用的场景，因此，人们提出将多种代码验证算法进行融合，并根据验证场景选择合适的代码验证算法进行代码验证。
然而，现有的代码验证算法的选择方法，例如：混合模型验证工具(ConfigurableProgram Analyses-Sequential，CPA-Seq)不会考虑待验证代码的特点，使得选择的验证算法并不适合待验证代码；软件验证工具(Predicting Sequential Combinations ofVerifiers，PeSCo)难以处理数量巨大的待验证代码。也就是说，现有的代码验证算法的选择方法存在适用范围小、对代码的验证效率低的问题。
发明内容
本申请实施例提供了一种代码验证算法的选择方法、装置及计算机可读存储介质，可以解决现有的代码验证算法的选择方法存在适用范围小、对代码的验证效率低的问题。
第一方面，本申请实施例提供了一种代码验证算法的选择方法，包括：
将待验证代码块输入预先构建的算法选择模型进行处理，得到所述待验证代码块对应的目标验证算法置信度向量；其中，所述目标验证算法置信度向量用于描述所述待验证代码块对应的各个预设验证算法的得分值；
根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法；
基于所述目标验证算法对所述待验证代码块进行验证，得到验证结果。
进一步的，所述将待验证代码块输入预先构建的算法选择模型进行处理之前，还包括：
获取待验证代码；
基于预设要求对所述待验证代码进行划分，得到多个待验证代码块。
进一步的，所述基于预设要求对所述待验证代码进行划分，得到多个待验证代码块之后，还包括：
基于预设规则对所述多个待验证代码块进行特征提取，得到每个待验证代码块对应的多个特征向量；
将多个所述特征向量进行融合，得到多个所述特征向量对应的目标向量；
基于预设模型对所述目标向量进行标准化处理，得到所述待验证代码块对应的标准向量；
根据多个所述待验证代码块对应的标准向量确定多个所述待验证代码块之间的相似度。
进一步的，所述将待验证代码块输入预先构建的算法选择模型进行处理，得到所述待验证代码块对应的目标验证算法置信度向量之前，还包括：
基于预设样本集和预设策略对所述神经网络模型进行训练，得到所述算法选择模型；其中，所述预设样本集中的每条样本数据均包括样本代码块和所述样本代码块对应的各个预设验证算法的历史得分值。
进一步的，所述基于所述预设样本集和预设策略对神经网络模型进行训练，得到所述算法选择模型之前，还包括：
获取各个所述样本代码块相对于各个所述预设验证算法的历史验证成功率和历史验证时长；
基于所述历史验证成功率和历史验证时长确定各个所述样本代码块相对于各个所述预设验证算法的历史得分值；
将每个样本代码块与所述每个样本代码块相对于各个所述预设验证算法的历史得分值进行关联作为一条样本数据，并将所有所述样本数据构成的数据集确定为所述预设样本集。
进一步的，所述根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法，包括：
将所述目标验证算法置信度向量中得分值最高的预设验证算法确定为所述目标验证算法。
进一步的，所述根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法之后，还包括：
基于各个所述待验证代码块对应的目标验证算法，对各个所述待验证代码块进行并行验证。
第二方面，本申请实施例提供了一种代码验证算法的选择装置，包括：
输入单元，用于将待验证代码块输入预先构建的算法选择模型进行处理，得到所述待验证代码块对应的目标验证算法置信度向量；其中，所述目标验证算法置信度向量用于描述所述待验证代码块对应的各个预设验证算法的得分值；
第一确定单元，用于根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法；
验证单元，用于基于所述目标验证算法对所述待验证代码块进行验证，得到验证结果。
第三方面，本申请实施例提供了一种代码验证算法的选择装置，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的选择方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的选择方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在代码验证算法的选择装置上运行时，使得代码验证算法的选择装置执行上述第一方面中任一项所述的选择方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例提供的一种代码验证算法的选择方法，通过将待验证代码块输入预先构建的算法选择模型进行处理，得到待验证代码块对应的目标验证算法置信度向量；其中，目标验证算法置信度向量用于描述待验证代码块对应的各个预设验证算法的得分值；根据目标验证算法置信度向量确定待验证代码块对应的目标验证算法；基于目标验证算法对待验证代码块进行验证，得到验证结果。上述代码验证算法的选择方法只需将待验证代码块输入预先构建的算法选择模型便可得到待验证代码块对应的目标验证算法置信度向量，进而可以根据目标验证算法置信度向量中各个预设验证算法的得分值确定待验证代码块的目标验证算法，与现有技术相比，本申请提供的代码验证算法的选择方法不仅适用范围广，还提高了代码验证的验证效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种代码验证算法的选择方法的实现流程图；
图2是本申请另一实施例提供的一种代码验证算法的选择方法的实现流程图；
图3是本申请再一实施例提供的一种代码验证算法的选择方法的实现流程图；
图4是本申请又一实施例提供的一种代码验证算法的选择方法的实现流程图；
图5是本申请实施例提供的代码验证算法的选择装置的结构示意图；
图6是本申请另一实施例提供的代码验证算法的选择装置的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
请参阅图1，图1是本申请实施例提供的一种代码验证算法的选择方法的实现流程图。本申请实施例中，该选择方法的执行主体为代码验证算法的选择装置。该选择装置可以包括终端或服务器，还可以是终端内的芯片或者服务器内的处理器。这里，终端与服务器可以是智能手机、平板电脑或台式电脑等。如图1所示，本申请实施例提供的一种代码验证算法的选择方法可以包括S101～S103，详述如下：
在S101中，将待验证代码块输入预先构建的算法选择模型进行处理，得到所述待验证代码块对应的目标验证算法置信度向量；其中，所述目标验证算法置信度向量用于描述所述待验证代码块对应的各个预设验证算法的得分值。
本申请实施例中，当选择装置需要对代码进行验证时，可以获取待验证代码。
在本申请实施例的一种实现方式中，选择装置可以从其他设备中获取待验证代码块。
在本申请实施例的另一种实现方式中，选择装置可以预先获取待验证代码块并进行存储。当选择装置想进行代码验证时，直接从选择装置中获取待验证代码块。
具体的，在本申请的一个实施例中，选择装置可以通过如图2所示的步骤S201～S202获取待验证代码块，详述如下：
在S201中，获取待验证代码。
在本申请实施例的一种实现方式中，选择装置可以从其他设备中获取待验证代码。
在本申请实施例的另一种实现方式中，选择装置可以预先获取待验证代码并进行存储。当选择装置想进行代码验证时，直接从选择装置中获取待验证代码。
在S202中，基于预设要求对所述待验证代码进行划分，得到多个待验证代码块。
在实际应用中，选择装置可以根据待验证代码中针对其加减乘除不同的计算函数对待验证代码进行划分，从而可以得到多个待验证代码块。其中，待验证代码块可以是加法模块、减法模块、乘法模块或除法模块等。
基于此，预设要求可以是：不同待验证代码块分别对应不同的函数模块。
本申请实施例中，选择装置在获取到待验证代码块后，可以将待验证代码块输入预先构建的算法选择模型进行处理，得到该待验证代码对应的目标验证算法置信度向量。其中，目标验证算法置信度向量用于描述待验证代码块对应的各个预设验证算法的得分值，也就是说，目标验证算法置信度向量中的每个元素的值用于表示待验证代码块相对于该元素对应的预设验证算法的得分值。预设验证算法可以根据实际需要确定，此处不作限制。
示例性的，若目标验证算法置信度向量为[A,B,C,D]，元素A、元素B、元素C及元素D分别对应预设验证算法1、预设验证算法2、预设验证算法3及预设验证算法4，那么，元素A的取值用于表征待验证代码块相对于预设验证算法1的得分值，元素B的取值用于表征待验证代码块相对于预设验证算法2的得分值，元素C的取值用于表征待验证代码块相对于预设验证算法3的得分值，元素D的取值用于表征待验证代码块相对于预设验证算法4的得分值。
需要说明的是，算法选择模型用于确定各个预设验证算法相对于待验证代码块的得分值。
在本申请的一个实施例中，算法选择模型可以是基于预设样本集和预设策略对预先构建的神经网络模型进行训练所得。其中，预设样本集中的每条样本数据均包括样本代码块和该样本代码块对应的各个预设验证算法的历史得分值。预设策略可以根据实际需要设置，此处不作限制，示例性的，预设策略可以是交叉验证策略(Cross Validation，CV)。
在实际应用中，交叉验证策略是一种用来验证分类器的性能的统计分析方法，它的基本思想是将样本数据进行分组，一部分作为训练集，另一部分作为验证集，首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以此来做为评价分类器的性能指标。交叉验证策略包括但不限于K折交叉验证(K-fold Cross Validation，K-CV)和留一验证(Leave-One-Out Cross Validation，LOO-CV)等。
选择装置在对预先构建的神经网络模型进行训练时，可以将每条样本数据中的样本代码块作为神经网络模型的输入，将每条样本数据中的由该样本代码块对应的各个预设验证算法的历史得分值作为神经网络模型的输出，通过训练，神经网络模型可以学习到所有可能的样本代码块与各个预设验证算法的历史得分值之间的对应关系，将训练好的神经网络模型作为算法选择模型。
在S102中，根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法。
本申请实施例中，选择装置在得到待验证代码块对应的目标验证算法置信度向量后，可以根据目标验证算法置信度向量中的每个元素对应的预设验证算法的得分值确定待验证代码块对应的目标验证算法。
目标验证算法可以为预设验证算法中的一个或多个。
在本申请的一个实施例中，选择装置可以将目标验证算法置信度向量中取值最高的元素对应的预设验证算法确定为目标验证算法。
在本申请的另一个实施例中，选择装置可以将目标验证算法置信度向量中取值大于预设得分值阈值的元素对应的预设验证算法确定为目标验证算法。其中，预设得分值阈值可以根据实际需求设置。
在S103中，基于所述目标验证算法对所述待验证代码块进行验证，得到验证结果。
本申请实施例中，验证结果包括第一验证结果和第二验证结果。若待验证代码的验证结果为第一验证结果，则表示该待验证代码块正确；若待验证代码的验证结果为第二验证结果，则表示该待验证代码块错误。
在本申请的一个实施例中，结合S102，由于目标验证算法有多个，因此，选择装置可以将目标验证算法按照其各自对应的元素的取值由大到小的顺序对待验证代码块进行验证，从而能够提高待验证代码块的验证准确率。
示例性的，若目标验证算法置信度向量[A,B,C,D]的取值为[10,50,70,80]，预设得分值阈值为60，由于元素C和元素D的值大于60，因此，将元素C和元素D分别对应的预设验证算法3和预设验证算法4确定为目标验证算法，由于目标验证算法D的得分值大于目标验证算法C的得分值，因此，选择装置可以先根据目标验证算法D对待验证代码块进行验证，再根据目标验证算法C对待验证代码块进行验证。
在本申请的另一实施例中，由于待验证代码包括多个待验证代码块，因此，选择装置可以基于各个待验证代码块对应的目标验证算法，对各个待验证代码块进行并行验证，从而提高了选择装置的验证效率。
在本申请的再一个实施例中，选择装置在得到验证结果后，可以根据各个待验证代码块对应的验证结果对待验证代码进行分析，从而为对待验证代码进行缺陷修复和性能优化提供参考。
以上可以看出，本申请实施例提供的一种代码验证算法的选择方法，通过将待验证代码块输入预先构建的算法选择模型进行处理，得到待验证代码块对应的目标验证算法置信度向量；其中，目标验证算法置信度向量用于描述待验证代码块对应的各个预设验证算法的得分值；根据目标验证算法置信度向量确定待验证代码块对应的目标验证算法；基于目标验证算法对待验证代码块进行验证，得到验证结果。上述代码验证算法的选择方法只需将待验证代码块输入预先构建的算法选择模型便可得到待验证代码块对应的目标验证算法置信度向量，进而可以根据目标验证算法置信度向量中各个预设验证算法的得分值确定待验证代码块的目标验证算法，与现有技术相比，本申请提供的代码验证算法的选择方法不仅适用范围广，还提高了代码验证的验证效率。
请参阅图3，图3是本申请另一实施例提供的一种代码验证算法的选择方法的实现流程图。相对于图2对应的实施例，本实施例中的一种代码验证算法的选择方法在S202之后，还可以包括S301～S304，详述如下：
在S301中，基于预设规则对所述多个待验证代码块进行特征提取，得到每个待验证代码块对应的多个特征向量。
需要说明的是，本实施例中，由于选择装置预先定义了多种可以描述代码本质的属性信息，包括但不限于：变量角色、循环模式、结构特征、程序图结构等。因此，各个待验证代码块均可以包括不同属性信息的代码。
基于此，预设规则可以是：不同属性信息对应不同的特征提取方法。示例性的，若某待验证代码块中的某段代码对应的属性信息为变量角色，则该段代码对应的特征提取方法可以是独热编码(one-hot)，若某段代码对应的属性信息为结构特征，则该段代码对应的特征提取方法可以是图结构。
在S302中，将多个所述特征向量进行融合，得到多个所述特征向量对应的目标向量。
本实施例中，选择装置在得到待验证代码块对应的多个特征向量后，可以将多个特征向量进行融合，进而得到多个特征向量对应的目标向量。其中，多个特征向量的融合方式可以根据实际需要确定，此处不作限制。
示例性的，多个特征向量可以以拼接的方式进行融合，得到目标向量。因此，目标向量的长度是多个特征向量的长度之和。多个特征向量也可以以权重和的形式进行融合，即每个向量按位乘一个权重然后每个向量再按位相加，得到目标向量。
在S303中，基于预设模型对所述目标向量进行标准化处理，得到所述待验证代码块对应的标准向量。
本实施例中，由于每个待验证代码块中各段代码对应的特征提取方式不同，每段代码对应的特征向量长度不同，从而导致每个待验证代码块对应的目标向量的长度也不同，因此，选择装置可以基于预设模型对目标向量进行标准化处理，从而得到每个待验证代码块对应的长度相同的标准向量。其中，预设模型可以是词袋模型，例如word2vec或doc2vec。
在S304中，根据多个所述待验证代码块对应的标准向量确定多个所述待验证代码块之间的相似度。
在本申请的一个实施例中，选择装置可以根据各个待验证代码块对应的标准向量之间的余弦距离确定各个待验证代码块之间的相似度。
需要说明的是，若两个待验证代码块对应的标准向量之间的余弦距离越接近1，则说明该两个待验证代码块之间的相似度越大，从而说明该两个待验证代码块的功能越相近。
以上可以看出，本实施例提供的一种代码验证算法的选择方法，通过基于预设规则对多个待验证代码块进行特征提取，得到每个待验证代码块对应的多个特征向量；将多个特征向量进行融合，得到多个特征向量对应的目标向量；基于预设模型对目标向量进行标准化处理，得到待验证代码块对应的标准向量；根据多个待验证代码块对应的标准向量确定多个待验证代码块之间的相似度，从而可以根据相似度确定各个待验证代码块是否具有相似的功能，进而对各个待验证代码块的特征提取方法进行改进和完善，确保待验证代码块转换为向量后仍然具有一定的语义可解释性。
请参阅图4，图4是本申请再一实施例提供的一种代码验证算法的选择方法的实现流程图。相对于图1对应的实施例，本实施例中的一种代码验证算法的选择方法还可以包括S401～S403，详述如下：
在S401中，获取各个所述样本代码块相对于各个所述预设验证算法的历史验证成功率和历史验证时长。
本实施例中，选择装置在基于预设样本集和预设策略对神经网络模型进行训练之前，需要先获取预设样本集。
选择装置可以获取每个样本代码块在某个历史时间段相对于各个预设验证算法的历史验证成功率及历史验证时长。其中，某样本代码块在某个历史时间段相对于某个预设验证算法的历史验证成功率指：该预设验证算法在该历史时间段内对该样本代码块进行验证的成功几率。某样本代码块在某个历史时间段相对于某个预设验证算法的历史验证时长指：该预设验证算法在该历史时间段内对该样本代码块进行验证时所耗费的时长。
在S402中，基于所述历史验证成功率和历史验证时长确定各个所述样本代码块相对于各个所述预设验证算法的历史得分值。
本实施例中，选择装置在获取到各个样本代码块相对于各个预设验证算法的历史验证成功率和历史验证时长后，可以基于各个样本代码块相对于各个预设验证算法的历史验证成功率和历史验证时长确定各个样本代码块相对于各个预设验证算法的历史得分值。
在本申请的一个实施例中，选择装置可以通过如下步骤确定各个样本代码块相对于各个预设验证算法的历史得分值：
将各个样本代码块相对于各个预设验证算法的历史验证成功率和历史验证时长导入预设得分值计算公式，计算各个样本代码块相对于各个预设验证算法的历史得分值；该预设得分值计算公式为：
Scorei＝60％*R+40％*T；
其中，Scorei为样本代码块相对于第i个预设媒体资源的历史得分值，R为样本代码块相对于第i个预设验证算法的历史验证成功率，T为样本代码块相对于第i个预设验证算法的历史验证时长。
在S403中，将每个样本代码块与所述每个样本代码块相对于各个所述预设验证算法的历史得分值进行关联作为一条样本数据，并将所有所述样本数据构成的数据集确定为所述预设样本集。
本实施例中，选择装置得到每个样本代码块相对于各个预设验证算法的历史得分值后，将每个样本代码块与每个样本代码块相对于各个预设验证算法的历史得分值进行关联作为一条样本数据，并将所有样本数据构成的数据集确定为预设样本集。
以上可以看出，本实施例提供的一种代码验证算法的选择方法，通过获取各个样本代码块相对于各个预设验证算法的历史验证成功率和历史验证时长；基于历史验证成功率和历史验证时长确定各个样本代码块相对于各个预设验证算法的历史得分值；将每个样本代码块与每个样本代码块相对于各个预设验证算法的历史得分值进行关联作为一条样本数据，并将所有样本数据构成的数据集确定为预设样本集。使得历史得分值能够更加全面地反映各个预设验证算法相对于样本代码块的综合性能，从而能够提高代码验证的验证效率和准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种实时时钟的切换方法，图5示出了本申请实施例提供的一种代码验证算法的选择装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图5，该选择装置500包括：输入单元51、第一确定单元52及验证单元53。其中：
输入单元51用于将待验证代码块输入预先构建的算法选择模型进行处理，得到所述待验证代码块对应的目标验证算法置信度向量；其中，所述目标验证算法置信度向量用于描述所述待验证代码块对应的各个预设验证算法的得分值。
第一确定单元52用于根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法。
验证单元53用于基于所述目标验证算法对所述待验证代码块进行验证，得到验证结果。
在本申请的一个实施例中，所述选择装置500还包括：第一获取单元和划分单元。其中：
第一获取单元用于获取待验证代码。
划分单元用于基于预设要求对所述待验证代码进行划分，得到多个待验证代码块。
基于此，在本申请的一个实施例中，所述选择装置500还包括：特征提取单元、融合单元、处理单元及第二确定单元。其中：
特征提取单元用于基于预设规则对所述多个待验证代码块进行特征提取，得到每个待验证代码块对应的多个特征向量。
融合单元用于将多个所述特征向量进行融合，得到多个所述特征向量对应的目标向量。
处理单元用于基于预设模型对所述目标向量进行标准化处理，得到所述待验证代码块对应的标准向量。
第二确定单元用于根据多个所述待验证代码块对应的标准向量确定多个所述待验证代码块之间的相似度。
在本申请的一个实施例中，所述选择装置还500包括：模型训练单元。
模型训练单元用于基于预设样本集和预设策略对神经网络模型进行训练，得到所述算法选择模型；其中，所述预设样本集中的每条样本数据均包括样本代码块和所述样本代码块对应的各个预设验证算法的历史得分值。
基于此，在本申请的一个实施例中，所述选择装置500还包括：第二获取单元、第三确定单元及关联单元。其中：
第二获取单元用于获取各个所述样本代码块相对于各个所述预设验证算法的历史验证成功率和历史验证时长。
第三确定单元用于基于所述历史验证成功率和历史验证时长确定各个所述样本代码块相对于各个所述预设验证算法的历史得分值。
关联单元用于将每个样本代码块与所述每个样本代码块相对于各个所述预设验证算法的历史得分值进行关联作为一条样本数据，并将所有所述样本数据构成的数据集确定为所述预设样本集。
在本申请的一个实施例中，第一确定单元52具体用于：将所述目标验证算法置信度向量中得分值最高的预设验证算法确定为所述目标验证算法。
在本申请的一个实施例中，所述选择装置500还包括：并行验证单元。
并行验证单元用于基于各个所述待验证代码块对应的目标验证算法，对各个所述待验证代码块进行并行验证。
以上可以看出，本申请提供的一种代码验证算法的选择装置，通过将待验证代码块输入预先构建的算法选择模型进行处理，得到待验证代码块对应的目标验证算法置信度向量；其中，目标验证算法置信度向量用于描述待验证代码块对应的各个预设验证算法的得分值；根据目标验证算法置信度向量确定待验证代码块对应的目标验证算法；基于目标验证算法对待验证代码块进行验证，得到验证结果。上述选择装置只需将待验证代码块输入预先构建的算法选择模型便可得到待验证代码块对应的目标验证算法置信度向量，进而可以根据目标验证算法置信度向量中各个预设验证算法的得分值确定待验证代码块的目标验证算法，与现有技术相比，本申请提供的代码验证算法的选择装置不仅适用范围广，还提高了代码验证的验证效率。
需要说明的是，上述各单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见上述方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6为本申请一实施例提供的代码验证算法的选择装置的结构示意图。如图6所示，该实施例的选择装置6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意一种代码验证算法的选择方法实施例中的步骤。
所述选择装置6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该选择装置6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是选择装置6的举例，并不构成对选择装置6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述选择装置6的内部存储单元，例如选择装置6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述选择装置6的外部存储设备，例如所述选择装置6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述选择装置6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述任意一种代码验证算法的选择方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在代码验证算法的选择装置上运行时，使得代码验证算法的选择装置执行时实现可实现上述任意一种代码验证算法的选择方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到代码验证算法的选择装置的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的代码验证算法的选择装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种代码验证算法的选择方法，其特征在于，所述选择方法包括：
将待验证代码块输入预先构建的算法选择模型进行处理，得到所述待验证代码块对应的目标验证算法置信度向量；其中，所述目标验证算法置信度向量用于描述所述待验证代码块对应的各个预设验证算法的得分值；
根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法；
基于所述目标验证算法对所述待验证代码块进行验证，得到验证结果。
2.如权利要求1所述的选择方法，其特征在于，所述将待验证代码块输入预先构建的算法选择模型进行处理之前，还包括：
获取待验证代码；
基于预设要求对所述待验证代码进行划分，得到多个待验证代码块。
3.如权利要求2所述的选择方法，其特征在于，所述基于预设要求对所述待验证代码进行划分，得到多个待验证代码块之后，还包括：
基于预设规则对所述多个待验证代码块进行特征提取，得到每个待验证代码块对应的多个特征向量；
将多个所述特征向量进行融合，得到多个所述特征向量对应的目标向量；
基于预设模型对所述目标向量进行标准化处理，得到所述待验证代码块对应的标准向量；
根据多个所述待验证代码块对应的标准向量确定多个所述待验证代码块之间的相似度。
4.如权利要求1所述的选择方法，其特征在于，所述将待验证代码块输入预先构建的算法选择模型进行处理之前，还包括：
基于预设样本集和预设策略对神经网络模型进行训练，得到所述算法选择模型；其中，所述预设样本集中的每条样本数据均包括样本代码块和所述样本代码块对应的各个预设验证算法的历史得分值。
5.如权利要求4所述的选择方法，其特征在于，所述基于所述预设样本集和预设策略对神经网络模型进行训练，得到所述算法选择模型之前，还包括：
获取各个所述样本代码块相对于各个所述预设验证算法的历史验证成功率和历史验证时长；
基于所述历史验证成功率和历史验证时长确定各个所述样本代码块相对于各个所述预设验证算法的历史得分值；
将每个样本代码块与所述每个样本代码块相对于各个所述预设验证算法的历史得分值进行关联作为一条样本数据，并将所有所述样本数据构成的数据集确定为所述预设样本集。
6.如权利要求1所述的选择方法，其特征在于，所述根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法，包括：
将所述目标验证算法置信度向量中得分值最高的预设验证算法确定为所述目标验证算法。
7.如权利要求1至6任一项所述的选择方法，其特征在于，所述根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法之后，还包括：
基于各个所述待验证代码块对应的目标验证算法，对各个所述待验证代码块进行并行验证。
8.一种代码验证算法的选择装置，其特征在于，包括：
输入单元，用于将待验证代码块输入预先构建的算法选择模型进行处理，得到所述待验证代码块对应的目标验证算法置信度向量；其中，所述目标验证算法置信度向量用于描述所述待验证代码块对应的各个预设验证算法的得分值；
第一确定单元，用于根据所述目标验证算法置信度向量确定所述待验证代码块对应的目标验证算法；
验证单元，用于基于所述目标验证算法对所述待验证代码块进行验证，得到验证结果。
9.一种代码验证算法的选择装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011008564.1A CN112214402B (zh) | 2020-09-23 | 2020-09-23 | 一种代码验证算法的选择方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011008564.1A CN112214402B (zh) | 2020-09-23 | 2020-09-23 | 一种代码验证算法的选择方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112214402A true CN112214402A (zh) | 2021-01-12 |
| CN112214402B CN112214402B (zh) | 2023-07-18 |
Family
ID=74050972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011008564.1A Active CN112214402B (zh) | 2020-09-23 | 2020-09-23 | 一种代码验证算法的选择方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112214402B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239346A (zh) * | 2021-05-20 | 2021-08-10 | 南京瑞师信息科技有限公司 | 基于信息安全运行维护的方法及*** |
| CN114138790A (zh) * | 2021-12-02 | 2022-03-04 | 中国建设银行股份有限公司 | 界面要素的验证方法、设备、存储介质及程序产品 |
| WO2023236538A1 (zh) * | 2022-06-06 | 2023-12-14 | ***通信集团设计院有限公司 | 风险代码事前检测方法及装置、电子设备、计算机可读存储介质和计算机程序产品 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760206A (zh) * | 2015-01-04 | 2016-07-13 | 国际商业机器公司 | 智能验证代码搜索方法和*** |
| CN108228467A (zh) * | 2018-01-30 | 2018-06-29 | 北京航天长征飞行器研究所 | 一种嵌入式飞控软件算法快速验证方法及*** |
| CN109272016A (zh) * | 2018-08-08 | 2019-01-25 | 广州视源电子科技股份有限公司 | 目标检测方法、装置、终端设备和计算机可读存储介质 |
| CN109710247A (zh) * | 2018-12-29 | 2019-05-03 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于模型的飞控软件快速实现平台 |
| CN110647995A (zh) * | 2019-08-01 | 2020-01-03 | 平安科技（深圳）有限公司 | 规则训练方法、装置、设备及存储介质 |
| CN110750658A (zh) * | 2019-09-18 | 2020-02-04 | 平安科技（深圳）有限公司 | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 |
| CN111209203A (zh) * | 2020-01-06 | 2020-05-29 | 华东师范大学 | 一种基于源代码的模型验证方法 |
-
2020
- 2020-09-23 CN CN202011008564.1A patent/CN112214402B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760206A (zh) * | 2015-01-04 | 2016-07-13 | 国际商业机器公司 | 智能验证代码搜索方法和*** |
| CN108228467A (zh) * | 2018-01-30 | 2018-06-29 | 北京航天长征飞行器研究所 | 一种嵌入式飞控软件算法快速验证方法及*** |
| CN109272016A (zh) * | 2018-08-08 | 2019-01-25 | 广州视源电子科技股份有限公司 | 目标检测方法、装置、终端设备和计算机可读存储介质 |
| CN109710247A (zh) * | 2018-12-29 | 2019-05-03 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于模型的飞控软件快速实现平台 |
| CN110647995A (zh) * | 2019-08-01 | 2020-01-03 | 平安科技（深圳）有限公司 | 规则训练方法、装置、设备及存储介质 |
| CN110750658A (zh) * | 2019-09-18 | 2020-02-04 | 平安科技（深圳）有限公司 | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 |
| CN111209203A (zh) * | 2020-01-06 | 2020-05-29 | 华东师范大学 | 一种基于源代码的模型验证方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王凯 等: "软件静态分析工具评析", 指挥控制与仿真, vol. 33, no. 2, pages 109 - 119 * |
| 秦胜潮 等: "基于分离逻辑的程序验证研究综述", 软件学报,, vol. 28, no. 8, pages 2010 - 2022 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239346A (zh) * | 2021-05-20 | 2021-08-10 | 南京瑞师信息科技有限公司 | 基于信息安全运行维护的方法及*** |
| CN113239346B (zh) * | 2021-05-20 | 2021-11-09 | 南京瑞师信息科技有限公司 | 基于信息安全运行维护的方法及*** |
| CN114138790A (zh) * | 2021-12-02 | 2022-03-04 | 中国建设银行股份有限公司 | 界面要素的验证方法、设备、存储介质及程序产品 |
| WO2023236538A1 (zh) * | 2022-06-06 | 2023-12-14 | ***通信集团设计院有限公司 | 风险代码事前检测方法及装置、电子设备、计算机可读存储介质和计算机程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112214402B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275491B (zh) | 一种数据处理方法及装置 | |
| CN112214402A (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
| CN112084383A (zh) | 基于知识图谱的信息推荐方法、装置、设备及存储介质 | |
| CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
| CN112184508A (zh) | 一种用于图像处理的学生模型的训练方法及装置 | |
| CN109685104B (zh) | 一种识别模型的确定方法和装置 | |
| CN111125658B (zh) | 识别欺诈用户的方法、装置、服务器和存储介质 | |
| CN112181835A (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
| CN113516480A (zh) | 一种支付风险识别方法、装置及设备 | |
| CN113468520A (zh) | 应用于区块链业务的数据入侵检测方法及大数据服务器 | |
| CN111414874A (zh) | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 | |
| CN108074024A (zh) | 风险识别方法、装置及*** | |
| CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
| CN104281831A (zh) | 一种笔迹验证的方法和装置 | |
| CN111639360A (zh) | 智能数据脱敏方法、装置、计算机设备及存储介质 | |
| CN113434542B (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
| CN112632254B (zh) | 对话状态确定方法、终端设备及存储介质 | |
| CN111784246B (zh) | 物流路径的估测方法 | |
| CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN117408821A (zh) | 一种保险理赔核责方法、装置、计算机设备及存储介质 | |
| CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
| CN115378806A (zh) | 流量分配方法、装置、计算机设备及存储介质 | |
| CN112328779B (zh) | 训练样本构建方法、装置、终端设备及存储介质 | |
| CN110362981B (zh) | 基于可信设备指纹判断异常行为的方法及*** | |
| CN110348190B (zh) | 基于用户操作行为的用户设备归属判断方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |