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！

申请/专利权人：哈尔滨师范大学

摘要：基于深度学习的忽略成员的方法异味检测策略，本发明涉及Android代码异味中忽略成员的方法检测策略。本发明的目的是为了解决传统检测工具在检测Android特有代码异味时，准确率较低的问题。基于深度学习的忽略成员的方法检测策略具体过程为：步骤一、获取数据集；步骤二、对数据集进行预处理，得到预处理后的数据集；步骤三、构建深度神经网络分类器，并得到训练好的深度神经网络分类器；步骤四、对待测Android特有代码异味输入训练好的深度神经网络分类器，输出待测Android特有代码异味中是否存在成员异味。本发明用于软件工程领域。

主权项：1.基于深度学习的忽略成员的方法异味检测策略，其特征在于：所述策略具体过程为：步骤一、获取数据集；步骤二、对数据集进行预处理，得到预处理后的数据集；步骤三、构建深度神经网络分类器，并得到训练好的深度神经网络分类器；步骤四、对待测Android特有代码异味输入训练好的深度神经网络分类器，输出待测Android特有代码异味中是否存在成员异味；所述步骤一中获取数据集；具体过程为：步骤一一、在开源代码库AndroZooOpen中下载Android应用程序；步骤一二、使用工具RepoReapers去除低质量的Android应用程序，得到最终Android应用程序作为代码语料库，获取数据集；具体过程为：步骤一二一、使用JavaParser将Android应用程序源代码解析生成代码的抽象语法树；步骤一二二、使用工具ASSD对代码的抽象语法树进行MIM异味检测，输出MIM异味检测结果；将MIM异味检测结果中的漏检和误检移除；将移除漏检和误检后的检测结果中存在MIM异味的方法和不存在MIM异味的方法分别提取到单独的文件夹中，存在MIM异味的方法对应的代码语料库中的程序构成正样本集，不存在MIM异味的方法对应的代码语料库中的程序构成负样本集；所述MIM为忽略成员的方法；所述步骤一二二具体过程为：步骤一二二一、使用工具ASSD对代码的抽象语法树进行MIM异味检测，输出MIM异味检测结果；步骤一二二二、将步骤一二二一输出的MIM异味检测结果中的漏检和误检移除；具体过程为：根据工具DAAP中检测规则遍历步骤一二二一输出的MIM异味检测结果中的类中的方法，判断MIM异味检测结果中的类中的方法是否为空方法，静态方法或者子类覆盖父类的方法，如果是，则将MIM异味检测结果中的类中的方法放入不含异味的方法的集合nonsmellySets中；如果不是，根据MIM异味检测结果中的类中的方法是否访问所在类的属性判断是否为MIM异味，如果没有访问所在类的属性，则是MIM异味，放入含异味的方法的集合smellySets中，如果访问所在类的属性，则不是MIM异味，放入不含异味的方法的集合nonsmellySets中；步骤一二二三、将移除漏检和误检后的检测结果中存在MIM异味的方法和不存在MIM异味的方法分别提取到单独的文件夹中，存在MIM异味的方法对应的代码语料库中的程序构成正样本集，不存在MIM异味的方法对应的代码语料库中的程序构成负样本集；所述步骤三中深度神经网络分类器为改进卷积神经网络模型CNN、改进循环神经网络模型RNN、CNN与RNN相结合的模型CNN-LSTM、自编码全连接变体、自编码CNN变体中任意一个；所述CNN与RNN相结合的模型CNN-LSTM依次包括嵌入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、一个长短时记忆网络LSTM层、一个Dropout层、一个Flatten层、第一全连接层、第二全连接层、第三全连接层、输出层；所述第一卷积层过滤器个数为32，内核大小为3；所述第一最大池化层窗口大小为2；所述第二卷积层过滤器个数为64，内核大小为3；所述第二最大池化层窗口大小为2；所述第三卷积层过滤器个数为64，内核大小为3；所述第三最大池化层窗口大小为2；所述LSTM层的输出维度设置为128；所述Dropout层的脱落率设置为0.5；所述第一全连接层神经元个数分别为64；所述第二全连接层神经元个数分别为32；所述第三全连接层神经元个数分别为1；所述第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层和第二全连接层激活函数为relu激活函数；所述第三全连接层激活函数为sigmoid激活函数；所述CNN与RNN相结合的模型CNN-LSTM损失函数为binary_crossentropy函数，优化器为RMSProp；将步骤二预处理后的数据集输入CNN与RNN相结合的模型CNN-LSTM，训练K次，得到训练好的CNN与RNN相结合的模型CNN-LSTM；所述自编码全连接变体包括编码部分和解码部分；编码部分依次包括第一全连接层、第二全连接层、第三全连接层；解码部分依次包括第四全连接层、第五全连接层、第六全连接层；编码部分：所述第一全连接层神经元个位为1024，激活函数为tanh；所述第二全连接层神经元个位为512，激活函数为relu；所述第三全连接层神经元个位为256，激活函数为relu；解码部分：所述第四全连接层神经元个位为512，激活函数为relu；所述第五全连接层神经元个位为1024，激活函数为tanh；所述输出层第六全连接层神经元个位为1024，激活函数为sigmiod；所述自编码全连接变体损失函数为regularizers.L1函数，优化器为RMSProp；将步骤二预处理后的数据集输入自编码全连接变体，训练L次，得到训练好的自编码全连接变体；所述自编码CNN变体包括编码部分和解码部分；编码部分依次包括嵌入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层；解码部分依次包括第三卷积层、第一上采样层、第四卷积层、第二上采样层、Fatten层和全连接层；编码部分：所述第一卷积层过滤器个数为32，内核大小为3；所述第一最大池化层窗口大小为2；所述第二卷积层过滤器个数为64，内核大小为3；所述第二最大池化层窗口大小为2；解码部分：所述第三卷积层过滤器个数为8，内核大小为3；所述第一上采样层窗口大小为2；所述第四卷积层过滤器个数为64，内核大小为3；所述第二上采样层窗口大小为2；所述全连接层神经元个位为1；所述第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第一上采样层、第四卷积层、第二上采样层、Fatten层和全连接层的激活函数为relu激活函数；所述自编码CNN变体损失函数为binary_crossentropy函数，优化器为RMSProp；将步骤二预处理后的数据集分别输入自编码CNN变体，训练Q次，得到训练好的自编码CNN变体。

全文数据：

权利要求：

百度查询： 哈尔滨师范大学 基于深度学习的忽略成员的方法异味检测策略