欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024114161977
申请人: 成都理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.增量式代码异味检测与重构推荐系统,其特征在于,该系统包括:代码抽取和静态分析模块,用于从目标项目中抽取待分析的代码片段并进行预处理,形成待分析文件;

运行时信息采集和动态分析模块,用于在沙盒环境中运行所述待分析文件,采集并汇总运行时信息,形成动态分析报告;

学习模块,用于接收所述静态分析结果和所述动态分析报告,综合考虑静态信息和增量模型更新报告,构建代码潜在特征的向量表示,并对增量学习模型进行更新;

重构推荐模块,用于基于所述代码特征向量和所述增量学习模型,对每个代码片段进行评分,并推荐相应的重构规则。

2.根据权利要求1所述的系统,其特征在于,所述代码抽取和静态分析模块包括:代码提取单元,用于从所述目标项目中抽取待分析的代码片段;

语法分析单元,用于保留与项目中的方法相对应的基本语法单元;

预处理单元,用于对所述代码片段进行预处理,生成待分析文件;

其中,所述预处理单元通过遍历文件,剔除注释,并用空语句补全每个函数体来完成预处理。

3.根据权利要求1所述的系统,其特征在于,所述运行时信息采集和动态分析模块包括:沙盒环境单元,用于提供一个虚拟的代码执行环境;

代码插桩单元,采用JVMTI作为代码插桩工具,用于在程序执行过程中动态获取数据并执行方法调用;

信息采集单元,用于收集运行时信息,包括类负载时间、方法的执行次数、发生抛出或引发的异常、对象实例化数量;

分析报告生成单元,用于将所述运行时信息与代码的语义信息关联,生成动态分析报告。

4.根据权利要求1所述的系统,其特征在于,所述学习模块包括:静态特征提取单元,用于从所述待分析文件中提取静态特征;

动态特征提取单元,用于从所述动态分析报告中提取动态特征;

特征融合单元,用于将所述静态特征和所述动态特征融合,生成代码潜在特征的向量表示,其融合过程采用以下公式:Vnew=α*Vstatic+(1-α)*Vdynamuc其中,Vnew为更新后的特征向量,Vstatic为静态特征向量,Vdynamic为动态特征向量,α为静态分析权重系数,取值范围为[0,1];

增量学习单元,用于基于所述代码潜在特征的向量表示,对增量学习模型进行更新。

5.根据权利要求4所述的系统,其特征在于,所述增量学习单元采用神经网络模型,包括输入层、隐藏层和输出层,其中:所述输入层接收基于抽象语法树和token的序列数据;

所述隐藏层由多层神经元组成,每一层具有一个激活函数;

所述输出层输出代码潜在特征的向量表示;

所述神经网络的前向传播过程可表示为:

Hl=σ(Wl*H(l-1)+bl)

其中,Hl为第l层的输出,σ为激活函数,Wl为第l层的权重矩阵,bl为第l层的偏置向量,H(l-1)为上一层的输出。

6.根据权利要求1所述的系统,其特征在于,所述重构推荐模块包括:评分单元,用于基于所述代码特征向量对每个代码片段进行评分;

规则匹配单元,用于根据所述评分结果匹配重构规则数据库中的规则;

推荐生成单元,用于基于所述匹配结果生成重构推荐;

其中,所述评分单元采用以下公式进行评分:Score=∑(wi*fi(V,R))其中,Score为代码片段的评分,wi为第i个评分因子的权重,fi为第i个评分函数,V为代码特征向量,R为重构规则集合。

7.基于权利要求1-6任一项所述系统的增量式代码异味检测与重构推荐方法,其特征在于,该方法包括以下步骤:从目标项目中抽取待分析的代码片段,并对其进行预处理,形成待分析文件;

在沙盒环境中运行所述待分析文件,采集并汇总运行时信息,形成动态分析报告;

基于所述待分析文件和所述动态分析报告,构建代码潜在特征的向量表示,并对增量学习模型进行更新;

利用所述代码潜在特征的向量表示和所述增量学习模型,对每个代码片段进行评分,并推荐相应的重构规则。

8.根据权利要求7所述的方法,其特征在于,所述构建代码潜在特征的向量表示的步骤包括:使用三元组作为输入,所述三元组由代码的向量表示、代码的潜在问题、以及代码所处的项目进度组成;

使用现有模型对目标向量进行预测,生成现有模型的预测结果;

对新增目标向量进行预测,生成增量模型的预测结果;

比较新增目标向量的真实结果与增量模型预测的结果,若不一致,则对增量模型进行调整;

其中,所述比较步骤使用余弦相似度计算真实向量与预测向量的相似度:其中,cos_sim(a,b)为两个向量的余弦相似度,||a||是向量a的模,||b||是向量b的模。

9.根据权利要求8所述的方法,其特征在于,当所述余弦相似度低于预设阈值时,使用梯度下降算法对模型进行优化,其优化目标为:L=-cos_sin(ypred,ytrue)其中,L为目标函数,ypred为预测向量,ytrue为真实向量,为对模型参数的更新方向,θ为模型参数。

10.根据权利要求7所述的方法,其特征在于,所述对每个代码片段进行评分的步骤包括:使用特征向量、项目及语言类型匹配重构规则数据库中的规则记录:R=Match(Q,DB)

其中,Q为输入的待分析文件,R为该文件匹配到的规则,DB为重构规则数据库;

计算每个规则记录的得分:

Score=∑(wi*SQi)

其中,SQi是第i个评价指标的分值,wi是第i个评价指标的权重系数;

根据所述得分对重构规则进行排序,选择得分最高的若干个规则作为重构推荐结果。