买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利一种基于程序静态属性及图神经网络的微服务提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116975634B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310878901.X，技术领域涉及：G06F18/214；该发明授权一种基于程序静态属性及图神经网络的微服务提取方法是由李莹;左一兵;潘晓华;席萌;尹建伟设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本一种基于程序静态属性及图神经网络的微服务提取方法在说明书摘要公布了：本发明公开了一种基于程序静态属性及图神经网络的微服务提取方法，包括：对目标单体应用进行静态分析，获取应用程序的静态属性，包括类间的三种静态关系和每个类的特征表示；针对每种静态关系分别构建基于图注意力网络的图编码器模型，以重构误差作为每个模型的损失函数，通过加权聚合得到联合损失函数；利用程序静态属性和联合损失函数，对各模型进行联合训练，训练结束后将生成的特征嵌入表示进行加权聚合，得到每个类最终特征表示；基于最终特征表示，对单体应用中各个类进行聚类操作，获得一系列候选微服务。本发明基于对单体应用的静态分析，综合考虑并结合了应用中所包含的多个层面的属性信息，从而保证了所得微服务提取结果的合理性。

本发明授权一种基于程序静态属性及图神经网络的微服务提取方法在权利要求书中公布了：1.一种基于程序静态属性及图神经网络的微服务提取方法，其特征在于，包括以下步骤： 1对目标单体应用进行静态分析，获取应用程序的静态属性，包括类间的三种静态关系以及每个类的特征表示；类间的三种静态关系包括继承关系、关联关系和依赖关系； 2针对每种静态关系分别构建基于图注意力网络的图编码器模型，以重构误差作为每个模型的损失函数，并通过加权聚合得到联合损失函数；具体如下： 每种静态关系均对应相同结构的图编码器模型，所使用的基于图注意力网络的图编码器模型描述如下： 模型的输入数据为类的特征矩阵X以及模型所对应的静态关系图G；模型的结构由两层图编码器与两层图解码器组成，其中每一层的输出为h'＝[h1 '，h2 '，…，hn ']，n为节点数量，第i个节点所对应的特征向量hi '的计算方式如下： 其中，K为多头注意力机制中所用注意力的个数，Wk为第k个注意力的权值矩阵，表示第k个注意力下节点j对于节点i的注意力分数，Ni表示第i个节点所对应的邻居节点的集合，hj为当前层的输入h＝[h1，h2，…，hn]中第j个节点所对应的特征向量，σ表示激活函数； 最后一层图编码器的输出对应了节点的特征嵌入表示Z，最后一层图解码器的输出对应了重构后的节点属性模型的损失函数L基于重构误差来设计，具体由属性方面的重构误差与图结构方面的重构误差两部分组成，定义如下： 其中，n为节点个数，Ai为输入图结构所对应的邻接矩阵A的第i行； 通过将每个模型所对应的损失函数进行加权求和，得到联合损失函数Ltotal： minLtotal＝α1L1+α2L2+α3L3 其中，继承关系G1、关联关系G2、依赖关系G3所对应模型的损失函数分别为L1、L2、L3，所对应的权重分别为超参数α1、α2、α3，权重的大小关系应满足α1α2α3； 3利用所获得的程序静态属性以及联合损失函数，对各模型进行联合训练，训练结束后将各模型所生成的特征嵌入表示进行加权聚合，得到每个类最终的特征表示；计算方式如下： Zfinal＝α1Z1+α2Z2+α3Z3 其中，继承关系G1、关联关系G2、依赖关系G3所对应模型所生成的特征嵌入矩阵分别为Z1、Z2、Z3，α1、α2、α3三个权重的取值与联合损失函数Ltotal中的取值相同； 4基于每个类的特征表示，利用聚类算法对单体应用中的各个类进行聚类操作，获得一系列候选微服务。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。