专利交易市场

本发明公开了一种基于代码属性图和大模型的代码缺陷自动修复方法，包括：采集代码样本，解析源码，生成融合抽象语法树、控制流图和数据流图的代码属性图，然后根据基于节点度数、PageRank和数据传播依赖度计算的节点重要性，进行动态剪枝，保留关键节点以提升图学习效率；通过GAT提取优化图的特征，引入多尺度编码，生成图嵌入向量；结合节点重要性，筛选高价值Token，进行结构感知的语义嵌入，得到更精准的文本表示；融合图与文本向量生成综合特征，然后在弱依赖或风险大的位置插入掩码；对掩码位置进行微调优化；将综合特征与掩码源码输入预训练语言模型中生成补丁，进行多任务评估重排序，选最优补丁完成修复。

本发明公开了一种基于特征提取和Stacking集成学习的软件缺陷预测方法，包括：(1)利用核主成分分析对原始数据集进行特征提取，得到降维后的缺陷数据集DS′；(2)利用本发明提出的协同过滤算法为新的软件缺陷数据推荐适用的抽样方法，使用推荐的抽样算法在缺陷数据集DS′上进行不平衡处理，得到不平衡处理后的缺陷数据集DS″；(3)使用K‑Means算法对缺陷数据集DS″进行聚类，对于偏离主流类别的异常值进行剔除，得到缺陷数据集DS″′；(4)构建基于Stacking集成学习的软件缺陷预测模型，为第一层的基学习器和第二层的元学习器选择合适的分类器，构建出性能良好的软件缺陷预测模型；(5)在处理后的缺陷数据集DS″′上使用集成后的模型与基模型和主流集成模型进行对比，以此验证本发明提出的集成预测模型的性能优劣。研究结果表明，本发明提出的KSSDP集成预测模型比基模型和主流集成模型的性能更好。