多通道注意力图神经网络聚类的单体程序拆分方法及系统与流程

技术特征：
1.多通道注意力图神经网络聚类的单体程序拆分方法，其特征在于，包括：步骤s1：对java单体程序中获取的类和类之间的多源关系建模并组合形成多通道信息数据对，基于多通道信息数据对和邻接矩阵构建单体程序多属性图；步骤s2：将单体程序多属性图输入到多通道图卷积编码器获得对应的特征嵌入表示，利用多通道图卷积解码器重构多通道信息数据对并基于重构误差设计重构损失函数；步骤s3：通过注意力机制计算特征嵌入表示中各结点的重要性，并自适应融合为新的特征嵌入表示；步骤s4：通过图神经网络和聚类的联合学习框架对新的特征嵌入表示进行聚类，实现微服务的划分，并基于重构损失函数和聚类过程中产生的聚类损失函数，对神经网络的参数进行优化。2.如权利要求1所述的多通道注意力图神经网络聚类的单体程序拆分方法，其特征在于：所述步骤s1具体包括如下子步骤：步骤s11：通过对java应用程序的动态分析，获得运行时调用链追踪数据信息；步骤s12：根据调用链追踪数据信息，得到类与调用链之间的关系子图x
class-trace
；步骤s13：根据调用链追踪数据信息，得到类之间的矩阵属性子图x
class-occurrence
；步骤s14：根据调用链追踪数据信息，得到类之间的继承关系子图x
class-inheri
；步骤s15：根据调用链追踪数据信息，得到类之间的邻接矩阵a；邻接矩阵定义如下：其中，e表示继承关系子图的边集合，v
a
、v
b
分别表示结点a和结点b，a
uv
表示邻接矩阵a的第u行、第v列的值；步骤s16：将关系子图x
class-trace
、矩阵属性子图x
class-occurrence
和继承关系子图x
class-inheri
进行组合形成多通道信息数据对x1、x2和x3，其中，x1=(x
class-trace
, x
class-occurrence
)，x2=(x
class-trace
, x
class-inheri
)，x3=(x
class-occurrence
, x
class-inheri
)，结合邻接矩阵a构建单体程序多属性图。3.如权利要求2所述的多通道注意力图神经网络聚类的单体程序拆分方法，其特征在于：所述步骤s2具体包括如下子步骤：步骤s21：将步骤s1中得到的单体程序多属性图输入多通道图卷积编码器，学习得到三个通道的特征嵌入表示，模型描述如下：其中，f
m
为第m个通道信息数据与特征嵌入表示的映射关系，g为单体程序多属性图，x
m
为第m个通道信息数据对，为图神经网络的参数，z
m
表示学习得到的特征嵌入表示；第m个图卷积编码器的第l层的输出为：其中，是具有自连接的邻接矩阵，i
n
是单位矩阵；是对应图的度矩阵，
是第m个图卷积编码器的权值参数，表示第m个图卷积编码器第l-1层的输出，表示非线性激活函数；步骤s22：将步骤s21中得到的特征嵌入表示输入多通道图卷积解码器，重构多通道信息数据对；第m个图卷积解码器的第l层的输出 为：其中，，，i
n
是单位矩阵，d是a对应图的度矩阵，是第m个图卷积解码器的权值参数；表示第m个图卷积解码器第l-1层的输出；第m个图卷积解码器最后一层的输出就是重构后的第m个通道信息数据对；重构m通道视图邻接矩阵：基于重构误差构建每个通道图神经网络的重构损失，重构损失函数l
sa
定义为：其中，是图神经网络的参数，是超参数，m是通道数目。4.如权利要求3所述的多通道注意力图神经网络聚类的单体程序拆分方法，其特征在于：所述步骤s3具体如下：通过注意力机制先对每个通道的特征嵌入表示进行非线性变换，再用一个共享注意力向量得到m通道结点e的注意力值：其中，是权值矩阵，h’表示共享注意力向量的维度，h表示注意力机制的通道数；表示m通道e结点的特征嵌入表示，是偏置向量；对进行归一化：其中，值表示m通道e结点的特征嵌入表示的重要性，获得学习后的权值，n表示嵌入特征维度；将三个通道的特征嵌入表示z
m
进行融合获得新的特征嵌入表示z：其中，。5.如权利要求4所述的多通道注意力图神经网络聚类的单体程序拆分方法，其特征在
于：所述步骤s4具体如下：采用谱聚类算法对特征嵌入表示z进行聚类，使用高斯核定义仿射矩阵s，如果，则否则s
eo
=0；s
eo
代表结点e和结点o通过高斯核函数计算得到的相似度，n表示结点数，z
e
表示结点e的特征嵌入表示，是向量z
e
和z
o
之间的欧几里得距离，是尺度参数，s
eo
对称且非负；然后，运行谱聚类算法将n个结点聚类到k个不同划分中；谱聚类后，构建簇的k-d树，找到与结点z
e
同一个簇中曼哈顿距离最近的邻居结点z
o
，定义聚类损失函数l
clus
：其中，d(z
e
, z
o
)表示结点e和结点o之间的曼哈顿距离；综合l
sa
和l
clus
形成新的损失函数l：其中，是超参数；通过最小化损失函数l训练并优化图神经网络的参数。6.多通道注意力图神经网络聚类的单体程序拆分系统，其特征在于，包括：多通道注意力网络模块、多通道图卷积神经网络模块、注意力机制模块和联合学习模块；所述多通道注意力网络模块对java单体程序中获取的类和类之间的多源关系建模并组合形成多通道信息数据对，基于多通道信息数据对和邻接矩阵构建单体程序多属性图；所述多通道图卷积神经网络模块包括多通道图卷积编码器和多通道图卷积解码器，所述单体程序多属性图输入到多通道图卷积编码器获得对应的特征嵌入表示；所述多通道图卷积解码器重构多通道信息数据对并基于重构误差设计重构损失函数；所述注意力机制模块通过注意力机制计算特征嵌入表示中各结点的重要性，并自适应融合为新的特征嵌入表示；所述联合学习模块通过图神经网络和聚类的联合学习框架对新的特征嵌入表示进行聚类，实现微服务的划分，并基于重构损失函数和聚类过程中产生的聚类损失函数，对神经网络的参数进行优化。7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-5任一项所述的多通道注意力图神经网络聚类的单体程序拆分方法。8.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-5任一项所述的多通道注意力图神经网络聚类的单体程序拆分方法。

技术总结
本发明公开了一种多通道注意力图神经网络聚类的单体程序拆分方法及系统，包括单体程序多属性图构建、多通道图神经网络特征嵌入表示学习、基于注意力的多通道特征嵌入融合、基于谱聚类的微服务拆分。通过图神经网络重构信息和聚类信息构建新的损失函数，实现了图注意力神经网络与聚类的联合学习框架，实现了提取微服务在功能性和模块性方面性能的提升。本发明结合单体程序多种属性信息，构建多通道图注意力网络，实现了更为高质量的特征嵌入表示，同时也提升了微服务提取方法的可扩展性，避免了微服务提取方法在应用中使用受限等问题。了微服务提取方法在应用中使用受限等问题。了微服务提取方法在应用中使用受限等问题。


技术研发人员：李静 羊麟威 钱李烽 刘昕 张攀 来风刚 都繁杰 周逸 李明 尹晓宇 宫帅 程航
受保护的技术使用者：国家电网有限公司信息通信分公司 国网安徽省电力有限公司信息通信分公司 国家电网有限公司
技术研发日：2022.05.23
技术公布日：2022/6/21