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！

龙图腾网获悉哈尔滨师范大学申请的专利融合静态程序分析与机器学习的Android代码异味共存检测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：CN119690395B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411751555.X，技术领域涉及：G06F8/30；该发明授权融合静态程序分析与机器学习的Android代码异味共存检测方法是由边奕心;马偌楠;毕博宇;赵松;陈炜洁;王佳琪设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本融合静态程序分析与机器学习的Android代码异味共存检测方法在说明书摘要公布了：融合静态程序分析与机器学习的Android代码异味共存检测方法，本发明涉及代码异味共存检测方法。本发明的目的是为了解决现有方法对Android代码异味共存的检测准确率低的问题。过程为：一、获取样本集合，作为标签数据集：在开源代码库中下载Android应用程序作为代码语料库；将Android应用程序源代码解析生成代码的抽象语法树；使用静态程序分析方法检测MC异味；基于MC异味检测结果，采用静态程序分析方法检测MIM和MC异味共存；使用两个嵌套的哈希表存储异味检测结果；基于自动生成正负样本生成样本集合；二、得到处理后的数据集；三、得到训练好的深度神经网络分类器；四、检测待测Android代码异味中是否存在代码异味共存。本发明用于代码异味共存检测领域。

本发明授权融合静态程序分析与机器学习的Android代码异味共存检测方法在权利要求书中公布了：1.融合静态程序分析与机器学习的Android代码异味共存检测方法，其特征在于：所述方法具体过程为： 步骤一、获取样本集合，作为标签数据集；具体过程为： 步骤一一、在开源代码库GitHub中下载由Java语言开发的Android应用程序作为代码语料库； 步骤一二、使用JavaParser将Android应用程序源代码解析生成代码的抽象语法树； 步骤一三、使用静态程序分析方法检测MC异味；基于MC异味检测结果，采用静态程序分析方法检测MIM和MC异味共存； 步骤一四、使用两个嵌套的哈希表存储异味检测结果； 步骤一五、基于步骤一四自动生成正负样本，基于正负样本生成样本集合，作为标签数据集； 步骤二、对样本集合进行处理，得到处理后的数据集； 步骤三、构建深度神经网络分类器，基于处理后的数据集得到训练好的深度神经网络分类器； 步骤四、将待测Android代码异味输入训练好的深度神经网络分类器，输出待测Android代码异味中是否存在MIM和MC代码异味共存； 所述步骤三中深度神经网络分类器为朴素贝叶斯、决策树、随机树、随机森林、基于规则的归纳算法、贝叶斯网络、改进卷积神经网络模型、改进循环神经网络模型、改进CNN-LSTM网络模型中任意一个； 所述改进卷积神经网络模型依次包括嵌入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、Dropout层、Flatten层、第一全连接层，第二全连接层、输出层； 所述嵌入层中将mask_zero参数设置为True； 所述Dropout层的脱落率设置为0.5； 所述第一全连接层的激活函数为relu激活函数； 所述第二全连接层的激活函数为sigmoid函数； 损失函数为binary_crossentropy函数，优化器为RMSProp； 将步骤二预处理后的数据集输入改进的卷积神经网络模型，直至损失函数收敛，得到训练好的改进卷积神经网络模型； 所述改进循环神经网络模型依次包括嵌入层、长短时记忆网络LSTM、Flatten层、第一全连接层、第二全连接层、第三全连接层、输出层； 所述第一全连接层神经元个位为64； 所述第二全连接层神经元个位为32； 所述第三全连接层神经元个位为1； 所述第一全连接层、第二全连接层激活函数为relu函数； 所述第三全连接层激活函数为sigmoid函数； 所述长短时记忆网络LSTM的输出维度设置为128； 所述第三全连接层的输出为一维向量； 损失函数为binary_crossentropy函数，优化器为RMSProp； 将步骤二预处理后的数据集输入改进循环神经网络模型，直至损失函数收敛，得到训练好的改进循环神经网络模型； 所述改进CNN-LSTM网络模型依次包括嵌入层、第一卷积层、第一最大池化层、长短时记忆网络LSTM、Dropout层、Flatten层、第一全连接层、输出层； 改进的CNN-LSTM网络模型使用早停法和模型检查点回调； 所述第一卷积层过滤器个数为32，内核大小为3； 所述第一最大池化层窗口大小为2； 所述长短时记忆网络LSTM层的输出维度设置为128； 所述Dropout层的脱落率设置为0.5； 所述第一卷积层、第一最大池化层的激活函数为relu激活函数； 所述长短时记忆网络LSTM层的激活函数为sigmoid激活函数； 所述改进的CNN-LSTM网络模型的损失函数为binary_crossentropy函数，优化器为RMSProp； 将步骤二预处理后的数据集输入改进的CNN-LSTM网络模型，直至损失函数收敛，得到训练好的改进的CNN-LSTM网络模型。

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哈尔滨师范大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区和兴路50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”。