摘要：变异测试是一种有效的软件测试技术,通过生成变异体来模拟软件缺陷,帮助提升现有测试套件的缺陷检测能力.变异体的质量对于变异测试的有效性具有显著影响.传统的变异测试方法通常采用人工设计的基于语法规则的变异算子生成变异体,并已取得一定的研究成果.近年来,许多研究开始结合深度学习技术,通过学习开源项目历史代码生成变异体.目前,该新方法在变异体生成方面取得了初步的成果.基于语法规则和基于学习的两种变异技术,其机理不同,但其目标均是通过生成变异体来提高测试套件的缺陷检测能力,因此,全面比较这两种变异技术对于变异测试及其下游任务至关重要.针对这一问题,设计实现了一项针对基于语法规则和基于学习的变异技术的实证研究,旨在了解不同机理的变异技术在变异测试任务上的性能以及生成的变异体在程序语义上的差异性.具体地,以Defect4J v1.2.0数据集为实验对象,比较以MAJOR和PIT为代表的基于语法规则的变异技术和以DeepMutation、μBERT和LEAM为代表的基于深度学习的变异技术.实验结果表明:基于规则与学习的变异技术均可有效支持变异测试实践,但MAJOR的测试效果最优,能够检测85.4%的真实缺陷.在语义表示上,MAJOR具有最强的语义代表能力,基于其构造的测试套件能够杀死其余变异技术生成的超过95%占比的变异体.在缺陷表征上,两类技术均具有独特性.

摘要：为了对Java虚拟机(JVM)进行测试,开发人员通常需要手工设计或利用测试生成工具生成复杂的测试程序,从而检测JVM中潜在的缺陷.然而,复杂的测试程序给开发人员定位及修复缺陷带来了极高的成本.测试程序约简技术旨在保障测试程序缺陷检测能力的同时,尽可能地删减测试程序中与缺陷检测无关的代码.现有研究工作基于Delta调试在C程序和XML输入上可以取得较好的约简效果,但是在JVM测试场景中,具有复杂语法和语义依赖关系的Java测试程序约简仍存在粒度较粗、约简效果较差的问题,导致约简后的程序理解成本依然很高.因此,针对具有复杂程序依赖关系的Java测试程序,提出一种基于程序约束的细粒度测试程序约简方法JavaPruner.首先,在语句块级别设计细粒度的代码度量方法;随后,在Delta调试技术上引入语句块之间的依赖约束关系来对测试程序进行约简.以Java字节码测试程序为实验对象,从现有的针对JVM测试的测试程序生成工具中筛选出具有复杂依赖关系的50个测试程序作为基准数据集,并在这些数据集上验证JavaPruner的有效性.实验结果表明,JavaPruner可以有效删减Java字节码测试程序中的冗余代码.与现有方法相比,在所有基准数据集上,约简能力平均可提升37.7%.同时,JavaPruner可以在保障程序有效性及缺陷检测能力的同时,将Java字节码测试程序最大约简至其原有大小的1.09%,有效降低了测试程序的分析和理解成本.

摘要：空间调制(SM)是一种特殊的多输入多输出(MIMO)技术,在每个符号持续时间内仅激活一个发射天线。最近,二元互相关Z-互补序列对(CZCPs)作为一类新的序列对在频率选择性信道中被广泛应用于SM的导频设计中。CZCPs是指在特定的时延内具有零自相关和和零互相关和的序列对。本文是基于插入法和级联两种方法混合使用构造了一类长度为,宽度为的CZCP,它使得对于CZCP的选取更为灵活,具有一类新的长度。

摘要：部署在网络节点上的网络安全监控系统每天会生成海量网络侧告警,导致安全人员面临巨大压力,并使其对高风险告警不再敏感,无法及时发现网络攻击行为.由于网络攻击行为的复杂多变以及网络侧告警信息的局限性,已有面向IT运维的告警排序/分类方法并不适用于网络侧告警.因此,提出了基于多元数据融合的首个网络侧告警排序方法NAP(network-side alert prioritization).NAP首先设计了一个基于源IP地址与目的IP地址的多策略上下文编码器,用于捕获告警的上下文信息;其次,NAP设计了一个基于注意力机制双向GRU(gatedrecurrent unit)模型与ChineseBERT模型的文本编码器,从告警报文等文本数据中学习网络侧告警的语义信息;最后,NAP构建了排序模型得到告警排序值,并按其降序将攻击性强的高风险告警排在前面,从而优化网络侧告警管理流程.在3组绿盟科技网络攻防数据上的实验表明:NAP能够有效且稳定地排序网络侧告警,并且显著优于对比方法.例如:平均排序指标NDCG@k(k∈[1,10])(即前1-10个排序结果的归一化折损累计增益)均在0.8931-0.9583之间,比最先进的方法提升64.73%以上.另外,通过将NAP应用于天津大学真实的网络侧告警数据,进一步证实了其实用性.

摘要：随着深度学习技术的快速发展,对其质量保障的研究也逐步增多.传感器等技术的迅速发展,使得收集测试数据变得不再困难,但对收集到的数据进行标记却需要花费高昂的代价.已有工作尝试从原始测试集中筛选出一个测试子集以降低标记成本,这些测试子集保证了与原始测试集具有相近的整体准确率(即待测深度学习模型在测试集全体测试输入上的准确率),但却不能保证在其他测试性质上与原始测试集相近.例如,不能充分覆盖原始测试集中各个类别的测试输入.提出了一种基于多目标优化的深度学习测试输入选择方法DMOS(deep multi-objective selection),其首先基于HDBSCAN(hierarchical density-based spatial clustering of application swith noise)聚类方法初步分析原始测试集的数据分布,然后基于聚类结果的特征设计多个优化目标,接着利用多目标优化求解出合适的选择方案.在8组经典的深度学习测试集和模型上进行了大量实验,结果表明,DMOS方法选出的最佳测试子集(性能最好的Pareto最优解对应的测试子集)不仅能够覆盖原始测试集中更多的测试输入类别,而且对各个类别测试输入的准确率估计非常接近原始测试集.同时,它还能保证在整体准确率以及测试充分性上的估计也接近于原始测试集:对整体准确率估计的平均误差仅为1.081%,比最新方法PACE(practical accuracy estimation)减小了0.845%的误差,提升幅度为43.87%;对各个类别测试输入的准确率估计的平均误差仅为5.547%,比最新方法PACE减小了2.926%的误差,提升幅度为34.53%;对5种测试充分性度量的平均估计误差仅为8.739%,比最新方法PACE减小了7.328%的误差,提升幅度为45.61%.

摘要：垃圾分类是垃圾处理中提高资源利用率、实现可持续发展的一种方式。本研究以STM32F103C8T为主控芯片,通过集成3轴陀螺仪、3轴加速度、电机编码器传感器,并结合OpenMV摄像头模块,从而设计出一款基于图像识别的垃圾分类小车系统。该系统通过卷积神经网络算法对可回收垃圾、不可回收垃圾、有害垃圾进行图像识别分类,选取3类垃圾图片共500张,并对系统进行不断的训练,使其识别率能达到一定的准确率。对试验结果进行误差分析,发现训练好的垃圾图像识别系统的平均精度为89%~98%、平均相对误差率在10%以内,试验结果证明该系统在垃圾分类上具有一定的实用性。

摘要：随着深度神经网络技术的快速发展、大数据的涌现和计算能力的显著提升,深度神经网络被越来越多地应用到各个安全攸关领域,例如自动驾驶、人脸识别、飞机碰撞检测等.传统的软件系统通常由开发人员手工编写代码实现其内部的决策逻辑,并依据相应的测试覆盖准则设计测试用例来测试系统代码.与传统的软件系统不同,深度学习定义了一种新的数据驱动的编程范式,开发人员仅编写代码来规定深度学习系统的网络结构,其内部逻辑则由训练过程获得的神经元连接权值所决定.因此,针对传统软件的测试方法及度量指标无法直接被移植到深度神经网络系统上.近年来,越来越多的研究致力于解决深度神经网络的测试问题,例如提出新的测试评估标准、测试用例生成方法等.调研了92篇相关领域的学术论文,从深度神经网络测试度量指标、测试输入生成、测试预言这3个角度对目前已有的研究成果进行了系统梳理.同时,分析了深度神经网络测试在图像处理、语音处理以及自然语言处理上的已有成果,并介绍了深度神经网络测试中应用到的数据集及工具.最后,对深度神经网络测试的未来工作进行了展望,以期为该领域的研究人员提供参考.

摘要：本文基于色彩心理学对近年来的手机配色及其发展趋势进行研究探讨。目的:分析手机配色趋势,对手机外观设计趋势进行分析预测,研究手机外观的变化趋势及其对手机配色的影响,进而结合具体数据对今后手机配色趋势进行合理的预测,为手机CMF设计提供一定的借鉴。方法和内容:结合问卷调查及案例分析,对近年来手机的整体设计和细节以及配色进行具体分析和研究。创新之处:通过语义分析法对手机配色进行分析研究,得出最受用户欢迎的手机CMF设计案例及其配色设计和情感要素。

摘要：为确定设计者通过内饰CMF设计所传递的感性要素与用户获得的感性意象是否一致,本文以感性工学为基础,结合汽车内饰的CMF设计进行研究,通过对汽车内饰“解构”,提取内饰CMF信息和问卷测试得到用户感性评分数据,采用T检验对两个独立样本进行检验来进行研究。研究结果表明,消费者与设计师的感性意象之间存在差异,且该差异可通过基于感性工学的改进设计方法来降低,从而提升内饰感受。

摘要：新《广告法》的施行，对于我们工商、市场监管部门而言具有十分重大的意义，笔者尝试结合工作实际，谈谈新《广告法》施行对广告监管工作的影响。