一种基于多智能体协同的代码缺陷自动定位方法与流程

摘要: 本发明涉及代码缺陷分析,尤其涉及一种基于多智能体协同的代码缺陷自动定位方法。背景技术:1、随着软件规模不断扩大以及微服务、分布式架构的广泛应用,代码之间的调用关...
一种基于多智能体协同的代码缺陷自动定位方法与流程

本发明涉及代码缺陷分析,尤其涉及一种基于多智能体协同的代码缺陷自动定位方法。

背景技术:

1、随着软件规模不断扩大以及微服务、分布式架构的广泛应用,代码之间的调用关系、数据依赖关系和状态交互关系日益复杂,代码缺陷定位已经成为软件开发、测试与运维过程中的关键环节。代码缺陷不仅会导致程序运行异常,还可能引发数据泄露、权限滥用以及安全漏洞扩散等问题,因此需要对缺陷进行快速、准确的定位。

2、现有代码缺陷定位方法主要包括静态代码分析、动态运行分析以及基于机器学习的缺陷检测方法。静态代码分析方法通过抽象语法树、控制流图以及数据流图识别潜在缺陷;动态运行分析方法通过程序运行过程中的执行轨迹和日志信息发现异常行为;基于机器学习的缺陷检测方法则利用历史缺陷数据训练模型,实现缺陷识别与预测。

3、然而,现有技术大多侧重于单一代码节点或局部代码特征分析,对于复杂代码环境中跨模块、跨节点的状态关联关系缺乏有效建模能力,难以描述缺陷在多个代码单元之间的传播过程。同时,现有技术普遍采用单模型分析方式,对不同类型异常行为的协同推理能力不足,容易出现缺陷传播路径追踪不完整、异常节点识别精度较低以及缺陷源定位准确率不足的问题。此外,现有技术缺少对缺陷传播过程中的风险影响进行量化评估,难以准确确定高风险缺陷源的位置。

4、因此,如何提供一种基于多智能体协同的代码缺陷自动定位方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于多智能体协同的代码缺陷自动定位方法,本发明综合利用图约束神经常微分方程、tarmac通信机制、hawkes自激传播模型、薛定谔桥收敛约束模型、改进型孤立森林算法以及topsis风险评估方法,对代码单元之间的状态关联关系进行连续状态耦合传播分析,构建代码关联图谱,并通过多个异构智能体执行状态共享与协同推理,实现异常传播节点识别、缺陷传播追踪、风险影响量化评估以及高风险缺陷源回溯定位处理,具备缺陷传播关系刻画能力强、复杂代码场景适应性高、缺陷定位准确率高以及风险分析能力强的优点。

2、根据本发明实施例的一种基于多智能体协同的代码缺陷自动定位方法,包括如下步骤:

3、s1、对待检测代码数据进行预处理,构建代码单元序列;

4、s2、通过图约束神经常微分方程,对代码单元序列执行连续状态耦合传播操作,提取各代码单元之间的状态关联特征并建立对应的拓扑连接边,将各代码单元映射为节点,构建代码关联图谱;

5、s3、依据代码关联图谱,采用tarmac通信方法,对多个异构智能体执行状态共享与协同推理操作,并对各协同推理结果进行关联收敛处理,生成代码分析序列;

6、s4、根据代码分析序列,采用改进型孤立森林算法识别代码关联图谱中的异常传播节点,并对各异常传播节点进行传播关联追踪分析,串联各追踪分析结果,形成缺陷传播序列;

7、s5、对缺陷传播序列执行信息安全关联分析与风险传播影响量化处理,并采用topsis法进行风险评估,生成风险评估序列;

8、s6、基于风险评估序列执行高风险缺陷源回溯定位操作,得到代码缺陷自动定位结果。

9、可选的,所述待检测代码数据表示由待执行缺陷检测处理的源代码文件组成的数据集合,所述预处理包括代码分词、抽象语法解析、语法结构标准化、注释信息过滤与代码依赖关系提取处理,所述异构智能体表示具有不同代码分析任务与不同状态推理能力的多个协同分析主体。

10、可选的,所述s2具体包括:

11、s21、通过图约束神经常微分方程,对代码单元序列中的各代码单元执行连续状态耦合传播处理,提取各代码单元之间的状态关联特征;

12、s22、对各代码单元之间的状态关联特征执行拓扑关系映射处理,建立对应的拓扑连接边;

13、s23、将各代码单元映射为图谱节点,并依据拓扑连接边构建代码关联图谱。

14、可选的,所述s21具体包括:

15、s211、对代码单元序列中的各代码单元,执行状态向量映射处理,得到对应的代码状态向量;

16、s212、基于图约束神经常微分方程,对各代码状态向量执行连续状态耦合传播处理,构建状态传播轨迹;

17、s213、对状态传播轨迹执行hawkes自激传播建模操作,生成状态传播序列;

18、s214、对状态传播序列进行状态耦合更新处理,并依据耦合更新结果,对各代码单元执行连续邻域状态聚合处理,提取各代码单元之间的状态关联特征。

19、可选的,所述连续状态耦合传播处理具体包括:

20、对各代码状态向量执行状态关联分析处理,计算各代码状态向量之间的状态关联值,并依据状态关联值确定对应的状态关联关系;

21、依据状态关联关系,采用图约束神经常微分方程,对存在状态关联关系的代码状态向量执行状态演化计算与连续耦合传播处理,生成初始传播轨迹;

22、对初始传播轨迹中的各传播节点进行节点关联分析,计算各传播节点对应的状态影响值、传播方向与状态扩散值,构建节点耦合序列;

23、依据节点耦合序列,采用薛定谔桥对各传播节点执行状态分布收敛约束处理,包括:

24、对节点耦合序列中的各传播节点执行状态分布提取处理,确定各传播节点的当前状态分布;

25、基于节点耦合序列,对各传播节点进行传播收敛趋势分析,生成对应的目标状态分布;

26、依据当前状态分布与目标状态分布,采用薛定谔桥对各传播节点执行概率迁移路径构建处理,生成对应的状态迁移路径;

27、对状态迁移路径执行路径概率收敛分析操作,计算各状态迁移路径的迁移概率值与收敛影响值,构建概率迁移序列;

28、根据概率迁移序列,对各传播节点执行状态迁移更新处理,生成状态迁移序列;

29、对状态迁移序列中的各传播节点执行多轮扩散传播计算,生成状态传播轨迹。

30、可选的,所述hawkes自激传播建模操作具体包括:

31、对状态传播轨迹中的各传播节点执行传播关联分析处理,提取各传播节点之间的传播先后关系与状态变化关系,构建传播关系序列;

32、依据传播关系序列,对各传播节点执行传播关联路径构建操作,确定各传播节点之间的传播关联路径;

33、基于传播关联路径,对各传播节点执行hawkes自激传播计算,具体包括:

34、对传播关联路径中的各传播节点执行传播顺序识别处理,确定当前传播节点与对应前序传播节点之间的传播关联关系;

35、针对传播关联路径中的起始传播节点,将预设的初始激发状态作为前序传播节点的传播激发状态;

36、依次将传播关联路径中的各传播节点作为当前传播节点;

37、依据前序传播节点的传播激发状态,通过hawkes模型对当前传播节点执行传播激发更新处理,计算当前传播节点的传播激发状态;

38、汇总各传播节点的传播激发状态,形成节点激发序列;

39、对节点激发序列中的各传播节点执行影响累积处理,并依据影响累积结果,对各传播节点进行传播状态更新处理,生成状态传播序列。

40、可选的,所述s3具体包括:

41、s31、依据代码关联图谱,对各图谱节点进行节点功能分析,构建节点特征序列;

42、s32、基于节点特征序列,采用tarmac通信方法,对多个异构智能体执行动态通信关联处理,具体包括:

43、对各异构智能体分别执行任务能力映射处理,确定对应的状态分析范围与节点推理范围,并结合节点特征序列执行目标节点分配处理,生成分配节点序列;

44、对分配节点序列中的各图谱节点执行节点状态编码处理,生成节点状态序列;

45、依据节点状态序列,对各异构智能体执行注意力通信权重构建操作,并基于权重构建结果对各异构智能体执行状态共享处理,生成协同状态序列;

46、根据协同状态序列,驱动各异构智能体执行协同推理操作,生成节点推理序列;

47、s33、对节点推理序列进行关联一致性分析,计算各节点推理结果的状态关联值、传播趋同性与推理偏移值,并执行关联收敛处理,生成协同收敛序列;

48、s34、依据协同收敛序列,对代码关联图谱中的各图谱节点执行多轮传播影响分析处理,生成代码分析序列。

49、可选的,所述s4具体包括:

50、s41、根据代码分析序列,对代码关联图谱中的各图谱节点执行节点传播行为分析处理,构建节点传播序列;

51、s42、依据节点传播序列,采用改进型孤立森林算法,对各图谱节点执行异常传播识别处理,确定异常传播节点;

52、s43、对异常传播节点执行关联路径提取与连续传播追踪分析操作,生成节点传播轨迹序列;

53、s44、对节点传播轨迹序列中的各传播节点执行时序关联操作,确定各传播节点之间的传播传递关系,构建传播关联序列;

54、s45、依据传播关联序列,对各传播节点执行影响累积与传播收束处理,形成缺陷传播序列。

55、可选的,所述s42具体包括:

56、s421、依据节点传播序列,对各图谱节点执行节点传播状态提取处理,并依据各图谱节点之间的传播关联关系构建节点传播分析集合;

57、s422、从节点传播分析集合中选取当前图谱节点,并依据当前图谱节点对应的传播关联关系确定关联传播节点;

58、s423、采用改进型孤立森林算法,根据当前图谱节点与关联传播节点之间的传播方向与状态变化关系,对当前图谱节点执行传播关联划分处理,将传播方向一致且状态变化关联的图谱节点划分至同一节点传播子集合;

59、s424、分别对各节点传播子集合执行递归传播关联划分处理,并在划分过程中依据各图谱节点之间的传播关联关系动态调整节点划分方向;

60、s425、统计各图谱节点在递归传播划分过程中的节点划分次数,并计算异常评分,将异常评分满足预设条件的图谱节点作为异常传播节点。

61、可选的,所述s5具体包括:

62、s51、对缺陷传播序列中的各传播节点执行信息安全关联分析,构建安全关联序列;

63、s52、依据安全关联序列,对各传播节点执行风险传播影响量化处理,计算各传播节点对应的传播影响范围、状态扩散值、异常传播深度与节点风险值,生成风险影响序列;

64、s53、依据风险影响序列,对各传播节点执行状态关联计算,计算各传播节点的关联异常值、风险耦合值与状态偏移值,生成风险评价序列;

65、s54、基于风险评价序列,采用topsis法对各传播节点执行风险评估处理,计算各传播节点对应的趋优距离、趋劣距离与风险贴近度,生成风险评估序列。

66、本发明的有益效果是:

67、首先,本发明通过图约束神经常微分方程结合hawkes自激传播模型和薛定谔桥收敛约束机制,对代码单元之间的状态关联关系进行连续状态耦合传播分析,实现了缺陷传播过程的动态刻画,提高了复杂代码场景下缺陷传播路径识别的准确性。

68、其次,本发明采用tarmac通信方法驱动多个异构智能体执行状态共享与协同推理,并对推理结果进行关联收敛处理,提高了异常传播节点识别能力和缺陷传播追踪能力,增强了代码缺陷定位结果的可靠性。

69、最后,本发明通过信息安全关联分析、风险传播影响量化处理以及topsis风险评估处理,实现了高风险缺陷源的精准回溯定位,提高了代码缺陷定位精度和风险评估能力。