算法代码的算法模式识别方法、系统和计算机可读存储介质与流程
本发明涉及工业视觉算法工程化分析,尤其涉及算法代码的算法模式识别方法、系统和计算机可读存储介质。
背景技术:
1、工业视觉算法代码通常涵盖图像处理、模板匹配、三维测量、点云处理、标定与几何计算、缺陷检测与后处理等任务。此类代码在工程实现上呈现出结构复杂和数据依赖强两方面特点:结构上存在多层循环嵌套、多分支逻辑和多阶段流水线;数据上存在中间特征传播、结果筛选与迭代更新、跨函数数据传递等深度依赖关系。更为关键的是,算法模式在代码中往往以隐式方式存在,例如,滑窗循环的本质是模板匹配,fft卷积的本质是频域匹配,误差迭代的本质是最小二乘或优化,代码的实现形式与其算法本质之间存在显著的语义鸿沟。
2、现有技术中,wo2018222852a1公开了将抽象语法树(ast)、控制流图(cfg)和数据流图(dfg)合成代码属性图以进行安全画像和漏洞模式检测的方案;cn110321458a公开了构建保留条件变量的控制流图并进行循环摘要式数据流分析的方案。然而,上述技术的目的和输出集中于漏洞检测或数据流分析,未公开基于条件分支-阈值变量、循环结构-迭代变量、函数调用-数据传递路径和变量-基本块绑定等关联来识别算法本质类别,并输出主算法模式、辅助算法模式、阶段结构、置信度和可解释识别证据链的方案。
3、因此,亟需一种能够从代码结构层面识别算法本质类别、区分算法阶段、跨函数理解算法整体结构的算法模式识别方法来克服上述缺陷。
技术实现思路
1、本发明的目的在于提供算法代码的算法模式识别方法、系统和计算机可读存储介质,以解决现有技术中无法从代码结构层面识别算法本质类别、无法区分算法阶段、无法跨函数理解算法整体结构的技术问题。
2、为达此目的,本发明采用以下技术方案:
3、第一方面,本发明提供了一种算法代码的算法模式识别方法,其包括:
4、s1、获取算法代码;
5、s2、对所述算法代码进行解析,分别构建控制流图和数据流图,所述数据流图包含数据变量节点、运算节点和数据依赖关系;
6、s3、基于所述控制流图和所述数据流图构建联合图,并在所述联合图中建立所述控制流图的控制结构节点与所述数据流图的数据相关节点之间的关联关系;
7、s4、对所述联合图进行特征提取,得到联合图特征;
8、s5、将所述联合图特征与算法模式库进行匹配或识别,确定算法模式;
9、s6、输出识别结果,所述识别结果包含算法模式标签及识别证据。
10、在一些优选实施方式中,所述算法代码为工业视觉算法代码。
11、在一些优选实施方式中,所述控制流图包含基本块、分支结构、循环结构、提前返回路径和并行结构。
12、在一些优选实施方式中,所述数据流图还包含跨函数数据传递路径。
13、在一些优选实施方式中,所述关联关系包括:
14、所述控制流图中的条件分支节点与所述数据流图中的阈值变量节点之间的关联;
15、所述控制流图中的循环结构节点与所述数据流图中的迭代变量节点之间的关联;
16、所述控制流图中的函数调用节点与所述数据流图中的数据传递路径节点之间的关联。
17、在一些优选实施方式中,所述基于所述控制流图和所述数据流图构建联合图,还包括:
18、将所述数据流图中的所述数据变量节点绑定至所述控制流图中对应的基本块。
19、在一些优选实施方式中,所述联合图特征包含控制结构特征,所述控制结构特征包括循环层数、分支数量和提前退出路径。
20、在一些优选实施方式中,所述联合图特征包含数据结构特征,所述数据结构特征包括聚合结构特征、筛选结构特征、排序结构特征和迭代结构特征。
21、具体地,所述聚合结构特征对应所述算法代码中的求和或求均值运算路径,所述筛选结构特征对应阈值比较运算路径,所述排序结构特征对应top-k排序运算路径,所述迭代结构特征对应迭代更新运算路径。
22、在一些优选实施方式中,所述匹配或识别基于联合图结构特征、变量角色特征和运算模式特征三个维度执行。
23、在一些优选实施方式中,所述识别结果中的阶段角色包括前处理阶段、核心计算阶段和后处理阶段。
24、在一些优选实施方式中,所述算法模式库中包含选自模板匹配、滑动窗口搜索、fft卷积、相似度计算、最小二乘、随机采样一致性、非极大值抑制、点云处理和迭代优化中的至少一种算法模式。
25、具体地,所述算法模式库中的每种算法模式包含对应的联合图结构模板和特征向量。
26、以模板匹配算法模式为例,所述联合图结构模板可包括外层滑窗循环节点l1、嵌套于l1的内层窗口遍历循环节点l2、相似度累加运算节点op_sim、最大响应更新节点op_max以及可选的退化检查分支b1;其中,l1→l2表示嵌套关系,l2→op_sim表示循环体包含关系,op_sim→op_max表示数据依赖关系,b1与方差变量之间表示条件分支-阈值变量关联,窗口变量与l2之间表示循环结构-迭代变量关联。相应的特征向量可包括{loop_depth:2,branch_count:1,early_exit:1,has_aggregation:1,has_filtering:1,has_topk:1,has_iterative_update:1,sim_path:1,norm_path:1}。匹配时,可将待识别联合图与所述联合图结构模板进行子图匹配,在双重嵌套循环、循环体内相似度累加节点及其结果参与最大值更新同时命中时,判定结构命中。
27、在一些优选实施方式中,所述识别结果还包括主算法模式、辅助算法模式、阶段角色和置信度。
28、在一些优选实施方式中,所述识别证据包含所述算法代码中与所确定的算法模式相对应的循环结构信息、数据流路径信息及两者与所述算法模式之间的对应关系。
29、在一些优选实施方式中,所述确定算法模式,具体包括:
30、确定主算法模式和与所述主算法模式相关联的至少一种辅助算法模式。
31、在一些优选实施方式中,所述算法代码的算法模式识别方法还包括:
32、基于所述识别结果重建算法阶段结构,并输出表征所述算法阶段结构及各算法阶段执行顺序的流程描述。
33、所述流程描述可以为以文本或结构化形式输出的、按执行顺序排列的算法阶段名称链,并可附各阶段对应的代码位置区间。
34、第二方面,本发明提供了一种算法代码的算法模式识别系统,其包括:
35、代码获取模块,用于获取算法代码;
36、控制流图构建模块,用于对所述算法代码进行解析,构建控制流图;
37、数据流图构建模块,用于对所述算法代码进行解析,构建数据流图,所述数据流图包含数据变量节点、运算节点和数据依赖关系;
38、联合图构建模块,用于基于所述控制流图和所述数据流图构建联合图,并在所述联合图中建立所述控制流图的控制结构节点与所述数据流图的数据相关节点之间的关联关系;
39、特征提取模块,用于对所述联合图进行特征提取,得到联合图特征;
40、模式识别模块,用于将所述联合图特征与算法模式库进行匹配或识别,确定算法模式;
41、输出模块,用于输出识别结果,所述识别结果包含算法模式标签及识别证据。
42、第三方面,本发明提供了一种计算机可读存储介质,所述存储介质中存储有指令,所述指令被处理器执行时,实现如上所述的算法代码的算法模式识别方法。
43、与现有技术相比,本发明具有以下有益效果:
44、本发明一方面通过将控制流图的控制结构节点与数据流图的数据相关节点建立关联关系来构建联合图,同时从控制结构与数据依赖两个维度对算法代码语义进行联合表征,在不依赖函数名、变量名等命名信息的前提下识别算法模式,有助于解决现有技术难以判断算法类别的问题;另一方面,通过从联合图中提取控制结构特征与数据结构特征并与算法模式库进行匹配或识别,支持对复合算法场景中主算法模式与辅助算法模式的分层识别,可有效处理工业视觉代码中多阶段、多模式并存的复杂结构;再一方面,识别结果中包含由循环结构信息、数据流路径信息及其与算法模式之间对应关系构成的识别证据,建立了端到端可解释的识别链路,显著提升了识别结果的可验证性与工程实用价值。
45、本发明具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com