一种状态爆炸型正则表达式的识别方法及系统与流程

技术特征：
1.一种状态爆炸型正则表达式的识别方法，其步骤包括：1)对于一待识别的正则表达式，生成其对应的nfa图，得到该正则表达式对应的nfa图集合；2)对于nfa图集合中的每一nfa图，提取该nfa图中的所有根子图并将其输入graph2vec模型，训练得到该nfa图的嵌入表示；3)利用分类模型处理该nfa图的嵌入化表示，判定该正则表达式是否为状态爆炸型正则表达式。2.如权利要求1所述的方法，其特征在于，步骤1)中，根据thompson构造法生成该正则表达式对应的nfa图，并且用gexf文件存储该nfa图的信息；该nfa图的信息包括：nfa图的节点信息和边信息，其中节点信息包括节点的id值，边信息包括每条边的起始节点、终止节点以及边上的转移字符。3.如权利要求2所述的方法，其特征在于，根据节点的出边字符集合，将节点分为三类，作为节点的特征信息：加速状态爆炸的节点、阻碍状态爆炸的节点以及普通节点；其中，所述加速状态爆炸的节点为：若节点n的出边字符集合与正则表达式的前缀有重叠，且该出边字符集合连续出现了k次，则标记节点n为加速状态爆炸的节点；所述阻碍状态爆炸的节点为：若存在加速状态爆炸的节点n，并且在该节点n之前存在节点m，其出边字符集合与该节点n的出边字符集合交集为空集，则标记节点m为阻碍状态爆炸的节点；将加速状态爆炸的节点、阻碍状态爆炸的节点之外剩余的节点标记为普通节点。4.如权利要求3所述的方法，其特征在于，将节点的特征信息加入到wl算法中，然后利用融合节点分类的wl算法提取gexf文件中的所有根子图。5.如权利要求1所述的方法，其特征在于，所述分类模型为svm分类器。6.如权利要求1所述的方法，其特征在于，训练graph2vec模型的方法为：将nfa图中的所有根子图看作文档中的词汇表，通过最大化公式得到所述文档的向量化表示，以及优化目标是最大化每个图中出现的属于它本身的根子图的概率，即最大化其中，d
i
表示第i篇文档的向量化表示，w
j
表示词汇表中在该第i篇文档中出现的第j个单词的嵌入表示，pr(w
j
|d
i
)表示在文档d
i
中单词w
j
出现的条件概率，φ(g)是希望得到嵌入表示的图g的向量化表示，表示图g中以节点n为根的d度根子图的向量化表示。7.一种状态爆炸型正则表达式的识别系统，其特征在于，包括nfa图转换模块、根子图提取模块、nfa图的嵌入表示生成模块和分类模型；其中所述nfa图转换模块，用于生成正则表达式对应的nfa图，得到该正则表达式对应的nfa图集合；所述根子图提取模块，用于提取nfa图中的所有根子图；所述nfa图的嵌入表示生成模块，用于使用graph2vec模型训练nfa图中的所有根子图，得到该nfa图的嵌入表示；所述分类模型，用于根据正则表达式中的nfa图的嵌入化表示，判定该正则表达式是否
为状态爆炸型正则表达式。8.如权利要求7所述的系统，其特征在于，所述nfa图转换模块根据thompson构造法生成该正则表达式对应的nfa图，并且用gexf文件存储该nfa图的信息；该nfa图的信息包括：nfa图的节点信息和边信息，其中节点信息包括节点的id值，边信息包括每条边的起始节点、终止节点以及边上的转移字符。9.如权利要求8所述的系统，其特征在于，根据节点的出边字符集合，将节点分为三类，作为节点的特征信息：加速状态爆炸的节点、阻碍状态爆炸的节点以及普通节点；其中，所述加速状态爆炸的节点为：若节点n的出边字符集合与正则表达式的前缀有重叠，且该出边字符集合连续出现了k次，则标记节点n为加速状态爆炸的节点；所述阻碍状态爆炸的节点为：若存在加速状态爆炸的节点n，并且在该节点n之前存在节点m，其出边字符集合与该节点n的出边字符集合交集为空集，则标记节点m为阻碍状态爆炸的节点；将加速状态爆炸的节点、阻碍状态爆炸的节点之外剩余的节点标记为普通节点。

技术总结
本发明公开了一种状态爆炸型正则表达式的识别方法及系统。本方法为：1)对于一待识别的正则表达式，生成其对应的NFA图，得到该正则表达式对应的NFA图集合；2)对于NFA图集合中的每一NFA图，提取该NFA图中的所有根子图并将其输入graph2vec模型，训练得到该NFA图的嵌入表示；3)利用分类模型处理该NFA图的嵌入化表示，判定该正则表达式是否为状态爆炸型正则表达式。该方法可高效快速的批量处理正则表达式，满足在线系统的高效处理性能与较低空间消耗的需求。的需求。的需求。


技术研发人员：卢毓海 王晓琳 张春燕 刘燕兵 谭建龙 郭莉
受保护的技术使用者：中国科学院信息工程研究所
技术研发日：2021.07.12
技术公布日：2021/11/9