[发明专利]基于阈值操作的代价敏感神经网络的警告分类方法

摘要

本发明涉及基于阈值操作的代价敏感神经网络的警告分类方法，包括S1使用FindBugs工具对目标软件一系列版本的jar文件进行分析，得到目标软件的静态警告；S2对S1获得的静态警告进行标注；S3采用代价敏感的BP神经网络，使用样本集中的样本训练分类器，采用该分类器对样本集中的所有样本进行分类，计算得到用于预测有效警告或误报警告的真实类别概率值，采用阈值操作的方式对真实类别概率值进行调整得到新类别概率值，使用该新类别概率值对样本集中的所有样本进行预测分类。本发明方法在有效警告查全率Recall方面平均提高了44.07％，还能快速达到较高而平稳的查全率，同时较传统神经网络方法能达到更低的分类代价。

主权项

1.基于阈值操作的代价敏感神经网络的警告分类方法，其特征在于，包括如下步骤：/nS1：使用FindBugs工具对目标软件一系列版本的jar文件进行分析，得到目标软件的静态警告；/nS2：对步骤S1获得的静态警告进行标注；/nS2a：将目标软件一系列版本中，相邻两个版本中静态警告进行两两对比，如果前一个版本中警告在后一个版本中消失则认为该警告是有效警告；反之，如果前一个版本中的警告在后一个版本中仍然存在则认为该警告是误报警告；/nS2b：将有效警告中重复的有效警告剔除后，剩下的所有的有效警告构成有效警告集，将所有误报警告中重复的误报警告剔除后，剩下的所有误报警告构成误报警告集，有效警告集和误报警告集构成样本集；有效警告集中的有效警告和无效警告集中的无效警告均为样本集中的样本；/nS3：采用BP神经网络，使用样本集中的样本训练分类器，采用该分类器对样本集中的所有样本进行分类，计算得到用于预测有效警告或误报警告的真实类别概率值，采用阈值操作的方式对所述真实类别概率值进行调整得到新类别概率值，然后使用该新类别概率值对样本集中的所有样本进行预测分类，将样本集中的所有样本预测为有效警告或误报警告；/n具体如下：/n采用阈值操作的方式对样本集中的所有样本进行预测分类；/na)令r＝1；/nb)从样本集中选取十分之九的样本构成训练样本集Q_r，剩下十分之一的样本构成测试样本集P_r，且Q_r≠Q_r-1，P_r≠P_r-1；/nc)采用BP神经网络对训练样本集Q_r进行训练得到分类器，然后将测试样本集P_r中的测试样本依次输入该分类器，计算得到用于预测有效警告或误报警告的真实类别概率值为O_i,i∈{Ⅰ,Ⅱ}，则且0≤O_i≤1，其中，O_Ⅰ表示测试样本被预测为误报警告的真实类别概率值，O_Ⅱ表示测试样本被预测为有效警告的真实类别概率值；/nd)对分类器预测输出的真实类别概率值做阈值操作得到新类别概率值，如公式(2)：/n /n其中，表示经过阈值操作后的预测有效警告或误报警告的新类别概率值，η为归一化项，使得且其中，表示经过阈值操作后测试样本被预测为误报警告的新类别概率值，表示经过阈值操作后测试样本被预测为有效警告的新类别概率值；/n限定的取值为[25,50]；/ne)然后根据步骤d)得到的新类别概率对测试样本集P_r中的测试样本进行预测分类，如果则认为测试样本集P_r中的测试样本为误报警告，否则为有效警报，然后将测试样本集中所有经过预测分类的样本输出；/nf)判断样本集中所有样本是否都经过预测分类，如果是则结束，否则执行下一步；/ng)令r＝r+1，并返回步骤b)。/n