导读:本文包含了软件模型检测论文开题报告文献综述及选题提纲参考文献，主要关键词:二分图模型,软件故障,检测模型,精准度
软件模型检测论文文献综述
江澜[1]（2019）在《基于二分图模型的软件故障检测方法研究》一文中研究指出软件故障检测是故障管理的核心部分,为了降低故障检测成本,提高软件故障检测的可靠性,因此,提出基于二分图模型的软件故障检测方法研究。建立基于二分图模型的软件故障检测模型,再结合故障种类的确定,实现软件故障检测,通过制定软件故障检测精准度对比实验,实验证明本文提出的故障检测方法具有较高的检测精准度,可以用于软件故障检测。(本文来源于《计算机产品与流通》期刊2019年10期）
徐立[2]（2019）在《考虑不完美排错和检测率下降变化的软件可靠性模型》一文中研究指出为评估软件的可靠性,提出一种软件可靠性模型(IDDD模型)。模型考虑了bug检测率随测试时间呈下降变化及修复bug时会引入新的bug等实际情况,在拟合和预测性能方面有较好的表现。在经典bug数据集上使用公认拟合和预测性能评价指标(SSE、Rsquare和AIC)与5个性能优秀的可靠性模型(G-O模型、P-Z模型以及3个考虑不完美排错的模型)进行对比,实验结果表明:所提出模型在拟合和预测性能上表现优于其他模型,能更有效地在实际软件测试中预测软件中剩余bug的数量。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年08期）
但唐朋,柴永磊,姚祉含[3]（2019）在《基于YOLO模型的目标检测软件》一文中研究指出人工智能领域的发展拖动着社会的进步,而作为人工智能领域的重要部分,图像识别近年来受到了学术界与工业界的广泛关注。图像识别中的目标检测技术能够帮助人们实现自动驾驶、无人机导航、图像检索等应用。而YOLO模型的提出极大地提高了目标检测任务的效率,使得我们可以在本地搭建起系统来完成实时目标检测。本文从YOLO模型出发,对比了基于YOLO模型的深度学习方法与传统目标检测算法的差异,并利用YOLO模型进行编程在桌面端实现了目标检测。(本文来源于《科技视界》期刊2019年21期）
冯运发,王新彦,佘银海,叶烨,张权[4]（2019）在《基于HALCON软件与HSV模型的树木检测算法研究》一文中研究指出针对半自动液控变割幅坐骑式割草机在工作时,操作人员不能准确目测前方树木的间距而无法确定当前割草机的割幅的情况,提出了1种基于HALCON软件及HSV[H表示色调(hue),S表示饱和度(saturation),V表示明度(value)]颜色空间的树木检测算法。利用HALCON算子将原RGB[R表示红色(red),G表示绿色(green),B表示蓝色(blue)]图像转换到HSV空间后,分析H和S分量的灰度直方图,对其进行对比度增强处理,并运用动态阈值法分别分割出大体目标区域并求出并集,再依次运用连通域处理、形态学操作、目标区域提取、矩形度过滤等后续处理,提取出树木的完整轮廓。最后运用MER(最小外接矩形)算法生成树木轮廓的最小外接矩形,为后续的树木间距测量等工作奠定基础。(本文来源于《江苏农业科学》期刊2019年06期）
杨宏宇,那玉琢[5]（2019）在《一种Android恶意软件检测模型》一文中研究指出针对传统Android恶意软件检测方法检测精度较低等不足,提出一种基于双通道卷积神经网络的Android恶意软件检测模型。首先,提取应用程序的原始操作码序列并生成指令功能序列;然后,将两种序列分别作为卷积神经网络两个通道的输入迭代训练并调整各层神经元权重;最后,通过已训练的检测模型实现对Android恶意软件的检测。实验结果表明,该检测模型对恶意软件具有较好的检测分类精度和检测准确率。(本文来源于《西安电子科技大学学报》期刊2019年03期）
江文洁[6]（2018）在《基于模型验证检测软件系统中智能模型的缺陷数据》一文中研究指出智能软件系统能够学习新需求并控制系统调整自身的行为以适应环境变化。该类软件系统通常由传统组件和智能组件两部分组成,传统组件反映了系统的确定性需求,而智能组件负责在动态的环境下做出最优的行为决策。同时智能组件的加入也给软件系统带来了诸多不确定性因素,如何保证其质量具有重要研究意义。目前,研究者在保证智能软件系统质量的工作中,主要考虑了需求不确定、结构不确定等因素,但缺乏对构成智能组件的数据质量不确定的关注。本文主要研究了缺陷数据对智能软件系统质量的影响,数据来源于构成智能组件的神经网络训练集。我们的工作分为两个方面,一是对智能软件系统进行模型验证:首先根据已经确定的需求建立Petri网模型,根据样本数据训练神经网络,整合两部分构建自适应Petri网模型以描述智能软件系统;然后针对模型的智能组件部分即训练得到的神经网络,提取出模糊规则并转化为Petri网,以此得到一个混合的Petri网模型;最后用混合自动机描述该混合Petri网模型,并利用KeYmaera工具验证该系统属性。二是通过模型验证的结果定位到缺陷数据:为了达到这一目的,对整个模型验证过程进行逆向分析。首先从模型验证工具产生的报告中可以获取一些与违反属性相关的信息,然后确定混合自动机中产生这些信息或与之密切相关信息的具体位置;根据混合自动机、可达图、Petri网叁者之间的关系,可以定位到Petri网上相关库所和变迁,进而定位到相应的模糊规则;对此,本文提出了一种由模糊规则定位数据的方法并分析了其有效性,通过这一系列过程从关键信息点追踪模型直到找到缺陷的部分。最后,本文引入了一个简单的制造系统的例子,实验结果证明该方法是有效的。本文主要的贡献点如下:(1)提出了一种针对智能软件系统的模型验证技术,重点考虑了数据质量不确定的因素,其数据是指智能组件中用于训练神经网络的样本数据;(2)提出了一种定位缺陷数据的方法,它通过模型验证的结果逆向追踪整个系统找到了用于训练神经网络的样本数据中的缺陷部分;(3)通过模型验证技术以及定位缺陷数据的方法在一定程度上说明了样本数据的质量将会影响整个智能软件系统的质量,为保证系统的质量提供了另一条途径。(本文来源于《浙江理工大学》期刊2018-12-15）
张颖,张嘉琦,王真,江建慧[7]（2018）在《基于有界模型检测的门级软件自测试方法》一文中研究指出提出了基于有界模型检测的门级软件自测试方法.将处理器中的模块简化成约束模块,缓解状态爆炸问题.将难测故障的触发条件逐个转化成性质并且采用有界模型检测技术,搜索触发这些性质的违例.最后,将违例映射成测试指令序列,并为测试指令序列添加观测指令序列,构成自测试程序.实验结果表明:该方法在不引起状态爆炸问题的情况下,有效地测试控制器中难以测试的故障,提高了在线测试的测试质量.(本文来源于《同济大学学报(自然科学版)》期刊2018年11期）
邹劲松[8]（2018）在《基于免疫危险理论的手机恶意软件检测模型》一文中研究指出为了提高智能手机恶意软件检测的自适应性和有效性,该文提出了基于免疫危险理论的手机恶意软件检测模型,该模型由4个部分组成:数据采集、危险信号生成、共刺激信号生成和预警部分,针对不同的恶意软件,采用微分方法表达危险信号,由自适应抗原提呈细胞产生相应的共刺激信号,最后对恶意软件产生预警.通过实验验证了该文模型的自适应性和有效性.(本文来源于《西南师范大学学报(自然科学版)》期刊2018年11期）
任海芬[9]（2018）在《基于LTL的并行软件系统CPN模型启发式模型检测方法研究》一文中研究指出目前,并行软件系统广泛应用于生产生活各种领域。并行软件执行过程复杂、状态空间庞大,导致并行软件的正确性确认十分困难。着色Petri网(Colored Petri Net,CPN)适合于对并行软件系统进行描述,基于CPN模型的并行软件测试技术在测试序列生成和覆盖性分析等方面具有优势,这些方法的前提是模型的正确性,而模型检测技术对保障模型的正确性具有重要作用。传统的CPN模型检测方法依赖于模型状态空间穷尽搜索。然而,在并行软件系统模型中,由于并行行为执行顺序的不确定性,导致模型状态空间过大甚至无法全部生成。此时传统模型检测方法无法取得理想的检测效果。本文针对并行软件系统CPN模型提出一种启发式仿真检测方法,在仿真过程中通过路径评估等启发式方法完成对属性公式的验证,能够在不预先生成状态空间的前提下高效地完成模型检测工作。本文的主要研究内容如下:(1)本文提出CPN模型反例验证方法,使用线性时序逻辑(Linear Temporal Logic,LTL)公式描述属性,进行公式取反操作,在仿真验证的过程中查找满足取反后属性公式的执行路径。(2)本文提出针对CPN模型检测的仿真方法,不预先生成状态空间,而是在仿真过程中完成属性验证,仿真方法主要包含获取可激活变迁和状态推演两部分。(3)本文提出启发式模型检测方法,在仿真验证中针对路径所满足的属性子公式进行标记,并完成路径评估,根据评估结果选择仿真路径,直到找到反例或不存在需要仿真的路径。本方法通过启发式仿真动态完成并行软件系统CPN模型的模型检测,避免了状态爆炸时无法预先生成状态空间对模型检测的阻碍。实验结果表明,本方法的启发式评估具有良好的效果,能够高效地完成模型检测。(本文来源于《内蒙古大学》期刊2018-10-24）
李爽[10]（2018）在《基于应用分类的Android恶意软件静态检测模型研究》一文中研究指出自Google公司2008年发布Android1.0系统以来,Android系统以其开放性受到各大手机制造商、软件开发商和电信运营商等的追捧。经过10年不断发展,目前Android手机市场份额已接近九成。由于开放性和巨大的市场份额,Android手机已成为黑客攻击的重灾区,各式各样的恶意软件造成了严重的用户信息泄露和巨大的安全威胁。在此背景下,许多研究者都加入Android恶意软件检测研究的行列中。本文总结当前国内外研究的优缺点,针对当前Android恶意软件检测中存在的分类精度和检出率低的问题,提出一种基于应用分类的Android恶意软件静态检测模型。首先,为提高恶意软件的识别率,本文依据应用市场中的软件类别将Android软件样本划分为不同的样本空间,针对单一应用类别下的所有样本,提取Android软件安装时申请的权限信息、意图信息和组件信息作为特征,并对提出的特征进行量化构造实验数据集。其次,为提高后续分类检测效果,本文提出一种IG-Relief F混合特征筛选算法,依据IG和ReliefF算法对所有特征的评分搜索特征子集,采用基于支持向量机的Wrapper算法完成对特征子集的评分,最终筛选评分最高的特征子集;针对Android软件样本数据不平衡的问题,提出一种Bagging-SVM分类检测算法,通过bootstrap抽样构造多个平衡数据集,并运用平衡数据集训练基于Bagging算法的SVM集成分类器,通过该分类器完成Android恶意软件检测。最后,实验结果表明,在阅读类软件样本下,本文模型分类精度和检出率分别为98.6%和97.5%;相较于所有类别软件样本下的分类检测,分类精度提高了1.3%;同时对比采用相同恶意样本集进行实验的Mal Aware方法,本文模型仍具有较高的分类精度和检出率。(本文来源于《中国民航大学》期刊2018-05-19）
软件模型检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为评估软件的可靠性,提出一种软件可靠性模型(IDDD模型)。模型考虑了bug检测率随测试时间呈下降变化及修复bug时会引入新的bug等实际情况,在拟合和预测性能方面有较好的表现。在经典bug数据集上使用公认拟合和预测性能评价指标(SSE、Rsquare和AIC)与5个性能优秀的可靠性模型(G-O模型、P-Z模型以及3个考虑不完美排错的模型)进行对比,实验结果表明:所提出模型在拟合和预测性能上表现优于其他模型,能更有效地在实际软件测试中预测软件中剩余bug的数量。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
软件模型检测论文参考文献
[1].江澜.基于二分图模型的软件故障检测方法研究[J].计算机产品与流通.2019
[2].徐立.考虑不完美排错和检测率下降变化的软件可靠性模型[J].重庆理工大学学报(自然科学).2019
[3].但唐朋,柴永磊,姚祉含.基于YOLO模型的目标检测软件[J].科技视界.2019
[4].冯运发,王新彦,佘银海,叶烨,张权.基于HALCON软件与HSV模型的树木检测算法研究[J].江苏农业科学.2019
[5].杨宏宇,那玉琢.一种Android恶意软件检测模型[J].西安电子科技大学学报.2019
[6].江文洁.基于模型验证检测软件系统中智能模型的缺陷数据[D].浙江理工大学.2018
[7].张颖,张嘉琦,王真,江建慧.基于有界模型检测的门级软件自测试方法[J].同济大学学报(自然科学版).2018
[8].邹劲松.基于免疫危险理论的手机恶意软件检测模型[J].西南师范大学学报(自然科学版).2018
[9].任海芬.基于LTL的并行软件系统CPN模型启发式模型检测方法研究[D].内蒙古大学.2018
[10].李爽.基于应用分类的Android恶意软件静态检测模型研究[D].中国民航大学.2018