買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉哈爾濱師范大學申請的專利融合靜態程序分析與機器學習的Android代碼異味共存檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119690395B 。

龍圖騰網通過國家知識產權局官網在2025-09-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411751555.X，技術領域涉及：G06F8/30；該發明授權融合靜態程序分析與機器學習的Android代碼異味共存檢測方法是由邊奕心;馬偌楠;畢博宇;趙松;陳煒潔;王佳琪設計研發完成，并于2024-12-02向國家知識產權局提交的專利申請。

本融合靜態程序分析與機器學習的Android代碼異味共存檢測方法在說明書摘要公布了：融合靜態程序分析與機器學習的Android代碼異味共存檢測方法，本發明涉及代碼異味共存檢測方法。本發明的目的是為了解決現有方法對Android代碼異味共存的檢測準確率低的問題。過程為：一、獲取樣本集合，作為標簽數據集：在開源代碼庫中下載Android應用程序作為代碼語料庫；將Android應用程序源代碼解析生成代碼的抽象語法樹；使用靜態程序分析方法檢測MC異味；基于MC異味檢測結果，采用靜態程序分析方法檢測MIM和MC異味共存；使用兩個嵌套的哈希表存儲異味檢測結果；基于自動生成正負樣本生成樣本集合；二、得到處理后的數據集；三、得到訓練好的深度神經網絡分類器；四、檢測待測Android代碼異味中是否存在代碼異味共存。本發明用于代碼異味共存檢測領域。

本發明授權融合靜態程序分析與機器學習的Android代碼異味共存檢測方法在權利要求書中公布了：1.融合靜態程序分析與機器學習的Android代碼異味共存檢測方法，其特征在于：所述方法具體過程為： 步驟一、獲取樣本集合，作為標簽數據集；具體過程為： 步驟一一、在開源代碼庫GitHub中下載由Java語言開發的Android應用程序作為代碼語料庫； 步驟一二、使用JavaParser將Android應用程序源代碼解析生成代碼的抽象語法樹； 步驟一三、使用靜態程序分析方法檢測MC異味；基于MC異味檢測結果，采用靜態程序分析方法檢測MIM和MC異味共存； 步驟一四、使用兩個嵌套的哈希表存儲異味檢測結果； 步驟一五、基于步驟一四自動生成正負樣本，基于正負樣本生成樣本集合，作為標簽數據集； 步驟二、對樣本集合進行處理，得到處理后的數據集； 步驟三、構建深度神經網絡分類器，基于處理后的數據集得到訓練好的深度神經網絡分類器； 步驟四、將待測Android代碼異味輸入訓練好的深度神經網絡分類器，輸出待測Android代碼異味中是否存在MIM和MC代碼異味共存； 所述步驟三中深度神經網絡分類器為樸素貝葉斯、決策樹、隨機樹、隨機森林、基于規則的歸納算法、貝葉斯網絡、改進卷積神經網絡模型、改進循環神經網絡模型、改進CNN-LSTM網絡模型中任意一個； 所述改進卷積神經網絡模型依次包括嵌入層、第一卷積層、第一最大池化層、第二卷積層、第二最大池化層、第三卷積層、第三最大池化層、Dropout層、Flatten層、第一全連接層，第二全連接層、輸出層； 所述嵌入層中將mask_zero參數設置為True； 所述Dropout層的脫落率設置為0.5； 所述第一全連接層的激活函數為relu激活函數； 所述第二全連接層的激活函數為sigmoid函數； 損失函數為binary_crossentropy函數，優化器為RMSProp； 將步驟二預處理后的數據集輸入改進的卷積神經網絡模型，直至損失函數收斂，得到訓練好的改進卷積神經網絡模型； 所述改進循環神經網絡模型依次包括嵌入層、長短時記憶網絡LSTM、Flatten層、第一全連接層、第二全連接層、第三全連接層、輸出層； 所述第一全連接層神經元個位為64； 所述第二全連接層神經元個位為32； 所述第三全連接層神經元個位為1； 所述第一全連接層、第二全連接層激活函數為relu函數； 所述第三全連接層激活函數為sigmoid函數； 所述長短時記憶網絡LSTM的輸出維度設置為128； 所述第三全連接層的輸出為一維向量； 損失函數為binary_crossentropy函數，優化器為RMSProp； 將步驟二預處理后的數據集輸入改進循環神經網絡模型，直至損失函數收斂，得到訓練好的改進循環神經網絡模型； 所述改進CNN-LSTM網絡模型依次包括嵌入層、第一卷積層、第一最大池化層、長短時記憶網絡LSTM、Dropout層、Flatten層、第一全連接層、輸出層； 改進的CNN-LSTM網絡模型使用早停法和模型檢查點回調； 所述第一卷積層過濾器個數為32，內核大小為3； 所述第一最大池化層窗口大小為2； 所述長短時記憶網絡LSTM層的輸出維度設置為128； 所述Dropout層的脫落率設置為0.5； 所述第一卷積層、第一最大池化層的激活函數為relu激活函數； 所述長短時記憶網絡LSTM層的激活函數為sigmoid激活函數； 所述改進的CNN-LSTM網絡模型的損失函數為binary_crossentropy函數，優化器為RMSProp； 將步驟二預處理后的數據集輸入改進的CNN-LSTM網絡模型，直至損失函數收斂，得到訓練好的改進的CNN-LSTM網絡模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人哈爾濱師范大學，其通訊地址為：150080 黑龍江省哈爾濱市南崗區和興路50號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。