基于深度学习的应用缺陷分析方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术，揭露了一种基于深度学习的应用缺陷分析方法，包括：获取预设的应用的用户评价以及应用执行时的日志数据；计算所述日志数据中的关键信息与预设的关键词库内的关键词的相似度，将超过预设相似度阈值的相似度对应的关键信息确定为关键日志；利用预设的文本语义分析模型分析所述用户评价的真实语义；逐个计算所述关键日志与所述真实语义的混合距离值，将小于预设距离值阈值的混合距离值对应的关键日志与真实语义都确定为程序缺陷。此外，本发明专利技术还涉及区块链技术，用户评价及日志数据可存储于区块链的节点。本发明专利技术还提出一种基于深度学习的应用缺陷分析装置、电子设备以及存储介质。本发明专利技术可以提应用缺陷分析精确度。分析精确度。分析精确度。

【技术实现步骤摘要】
基于深度学习的应用缺陷分析方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于深度学习的应用缺陷分析方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]由于现代计算机行业的飞速发展，各种应用程序的生产速度都大大提升，因此经常面临着多个应用程序都需要进行缺陷分析，便于快速修改程序缺陷实现应用版本的迭代更新。
[0003]现有的应用缺陷分析方法大多基于人力分析，在应用运行过程中发现缺陷时，由软件测试人员记录下具体的缺陷。实际生活中，面对大量应用都需要分析缺陷时，需要使用大量人力资源，且人力进行测试容易产生误记、漏记等状况，从而使应用缺陷分析的准确度较低。

技术实现思路

[0004]本专利技术提供一种基于深度学习的应用缺陷分析方法、装置及计算机可读存储介质，其主要目的在于解决应用缺陷分析时准确度较低的问题。
[0005]为实现上述目的，本专利技术提供的一种基于深度学习的应用缺陷分析方法，包括：
[0006]获取预设的应用程序的用户评价，并利用预设的数据读取工具获取所述应用程序在程序执行过程中的日志数据；
[0007]利用预设的交叉神经网络模型中的交叉相似度算法计算所述日志数据中的关键信息与预设的关键词库内的关键词的相似度，将超过预设相似度阈值的相似度对应的关键信息确定为关键日志；
[0008]利用预设的文本语义分析模型对所述用户评价进行语义分析，得到所述用户评价的真实语义；
[0009]逐个计算所述关键日志与所述真实语义的混合距离值，将小于预设距离值阈值的混合距离值对应的关键日志与真实语义都确定为程序缺陷。
[0010]可选地，所述利用预设的数据读取工具获取所述应用程序在程序执行过程中的日志数据，包括：
[0011]获取日志数据接口，利用所述数据处理工具对日志接口进行配置，得到数据抓取接口；
[0012]将所述数据抓取接口接入所述应用程序运行时的控制台；
[0013]利用所述数据抓取接口抓取所述控制台的日志数据。
[0014]可选地，所述所述利用预设的交叉神经网络模型对所述日志数据进行核心信息提取，得到关键信息，包括：
[0015]利用预设的交叉神经网络模型对所述日志数据进行交叉卷积、池化处理，得到所述日志数据的低维特征信息；
[0016]将所述低维特征信息映射至预先构建的高维空间，得到高维特征信息；
[0017]利用预设的激活函数对所述高维特征信息进行筛选，得到关键信息。
[0018]可选地，所述利用预设的交叉神经网络模型对所述日志数据进行交叉卷积、池化处理，得到所述日志数据的低维特征信息，包括：
[0019]将所述日志数据转化成日志矩阵；
[0020]预设不同尺寸的卷积核对，将所述卷积核对逐一对日志矩阵进行卷积，得到卷积矩阵；
[0021]根据预设的池化窗口利用最大值或者最小值方法对所述卷积矩阵进行池化，得到所述日志数据的低维特征信息。
[0022]可选地，所述利用预设的文本语义分析模型对所述用户评价进行语义分析，得到所述用户评价的真实语义，包括：
[0023]将所述用户评价转化成向量，得到评价向量，将所述评价向量的位置进行编码，得到所述评价向量的位置编码；
[0024]利用所述文本语义分析模型中的自注意力机模块对所述位置编码数据进行预设次数的分析，得到初步分析结果；
[0025]将所述初步分析结果进行归一化计算，得到归一化计算结果，将所述归一化计算结果确定为所述用户评价的真实语义。
[0026]可选地，所述将所述评价向量的位置进行编码，得到所述评价向量的位置编码，包括：
[0027]利用如下编码函数将所述评价向量的位置进行编码，得到所述评价向量的位置编码：
[0028][0029][0030]其中，PE(pos，2i)表示评价向量中偶数字符位置，PE(pos，2i+1)表示评价向量中奇数字符位置，pos表示评价向量中字符的位置序列，i表示评价向量的第i个维度，d
model
表示字符编码函数
[0031]可选地，所述将所述初步分析结果进行归一化计算，得到归一化计算结果，包括：
[0032]利用如下归一化公式对所述初步分析结果进行归一化计算：
[0033][0034]其中，IN(Z)表示归一化计算结果，Z表示初步分析结果中被归一化对象，μ(Z)表示被归一化对象Z均值函数，N表示归一化对象的个数，x
i
表示归一化对象中其中一个分词向量。
[0035]为了解决上述问题，本专利技术还提供一种基于深度学习的应用缺陷分析装置，所述
装置包括：
[0036]数据获取模块：获取预设的应用程序的用户评价，并利用预设的数据读取工具获取所述应用程序在程序执行过程中的日志数据；
[0037]相似度计算模块：利用预设的交叉神经网络模型中的交叉相似度算法计算所述日志数据中的关键信息与预设的关键词库内的关键词的相似度，将超过预设相似度阈值的相似度对应的关键信息确定为关键日志；
[0038]语义分析模块：利用预设的文本语义分析模型对所述用户评价进行语义分析，得到所述用户评价的真实语义；
[0039]确定缺陷模块：逐个计算所述关键日志与所述真实语义的混合距离值，将小于预设距离值阈值的混合距离值对应的关键日志与真实语义都确定为程序缺陷。
[0040]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0041]至少一个处理器；
[0042]以及，与所述至少一个处理器通信连接的存储器；
[0043]其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于深度学习的应用缺陷分析方法。
[0044]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于深度学习的应用缺陷分析方法。
[0045]本专利技术实施例通过利用交叉相似度算法计算所述日志数据中的关键信息与预设的关键词库内的关键词的相似度，确定所述日志数据中的关键日志，有利于找到应用运行过程中出现的缺陷，进而提高应用缺陷分准确度；获取应用的用户评价，利用预设的文本分析模型提取所述用户评价的真实语义，可以根据用户的反馈信息找到应用执行过程中发现不到的缺陷，以及现有应用的不足，进一步提升应用缺陷分析的完整度、准确度。因此本专利技术提出的基于深度学习的应用缺陷分析方法、装置、电子设备及计算机可读存储介质，可以解决进行进行应用缺陷分析时准确度较低的问题。
附图说明
[0046]图1为本专利技术一实施例提供的基于深度学习的应用缺陷分析方法的流程示意图；
[0047]图2为本专利技术一实施例获取日志数据的流程示意图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的应用缺陷分析方法，其特征在于，所述方法包括：S1、获取预设的应用程序的用户评价，并利用预设的数据读取工具获取所述应用程序在程序执行过程中的日志数据；S2、利用预设的交叉神经网络模型中的交叉相似度算法计算所述日志数据中的关键信息与预设的关键词库内的关键词的相似度，将超过预设相似度阈值的相似度对应的关键信息确定为关键日志，其中，所述利用预设的交叉神经网络模型中的交叉相似度算法计算所述日志数据中的关键信息与预设的关键词库内的关键词的相似度，包括：S11、利用预设的交叉神经网络模型对所述日志数据进行核心信息提取，得到关键信息；S12、利用如下交叉相似度算法计算所述日志数据中的关键信息与预设的关键词库内的关键词的相似度，包括：其中，S为计算出的关键信息与预设的关键词库内的关键词的相似度，x1为关键信息的横坐标，y1为关键信息的纵坐标，x2为关键词库内的关键词的横坐标，y2为关键词库内的关键词的纵坐标；S3、利用预设的文本语义分析模型对所述用户评价进行语义分析，得到所述用户评价的真实语义；S4、逐个计算所述关键日志与所述真实语义的混合距离值，将小于预设距离值阈值的混合距离值对应的关键日志与真实语义都确定为程序缺陷。2.如权利要求1所述的基于深度学习的应用缺陷分析方法，其特征在于，所述利用预设的数据读取工具获取所述应用程序在程序执行过程中的日志数据，包括：获取日志数据接口，利用所述数据处理工具对日志接口进行配置，得到数据抓取接口；将所述数据抓取接口接入所述应用程序运行时的控制台；利用所述数据抓取接口抓取所述控制台的日志数据。3.如权利要求1所述的基于深度学习的应用缺陷分析方法，其特征在于，所述利用预设的交叉神经网络模型对所述日志数据进行核心信息提取，得到关键信息，包括：利用预设的交叉神经网络模型对所述日志数据进行交叉卷积、池化处理，得到所述日志数据的低维特征信息；将所述低维特征信息映射至预先构建的高维空间，得到高维特征信息；利用预设的激活函数对所述高维特征信息进行筛选，得到关键信息。4.如权利要求3所述的基于深度学习的应用缺陷分析方法，其特征在于，所述利用预设的交叉神经网络模型对所述日志数据进行交叉卷积、池化处理，得到所述日志数据的低维特征信息，包括：将所述日志数据转化成日志矩阵；预设不同尺寸的卷积核对，将所述卷积核对逐一对日志矩阵进行卷积，得到卷积矩阵；根据预设的池化窗口利用最大值或者最小值方法对所述卷积矩阵进行池化，得到所述日志数据的低维特征信息。
5.如权利要求1所述的基于深度学习的应用缺陷分析方法，其特征在于，所述利用预设的文本语义分析模型对所述用户评价进行语义分析，得到所述用户评价的真实语义，包括：将所述用...

【专利技术属性】
技术研发人员：刘洋，姜久玉，
申请(专利权)人：刘洋，
类型：发明
国别省市：