包括延迟预测器的系统及计算机实现的方法与流程

本公开总体上属于计算机实现的深度学习架构领域。

背景技术：

1、静态程序分析领域旨在通过自动化工具分析程序代码，而不执行程序代码。静态程序分析可以被看作是自动化的代码审查过程。

2、编写有效的代码是软件开发中的主要问题之一，它需要对给定的编程语言有很好的理解，以及经验。例如，具有关于实现的近似计算复杂度的即时反馈将是对软件开发人员有价值的工具。

3、因此，通常希望提供分析程序代码的更好的技术。

技术实现思路

1、根据第一方面，本公开提供了一种包括延迟预测器的系统，所述延迟预测器被配置成将转换器-编码器的输出转换成用于源代码的代码段的延迟预测。

2、根据另一方面，本公开提供了一种计算机实现的方法，方法包括将转换器-编码器的输出转换成用于源代码的代码段的延迟预测。

3、在从属权利要求、下面的描述和附图中阐述了进一步的方面。

1.一种包括延迟预测器的系统，所述延迟预测器被配置成将转换器-编码器的输出转换成用于源代码的代码段的延迟预测。

2.根据权利要求1所述的系统，包括代码分割，所述代码分割被配置成将所述源代码分成所述代码段。

3.根据权利要求1所述的系统，进一步包括分词器，所述分词器被配置成标记所述代码段。

4.根据权利要求3所述的系统，其中，所述分词器被配置成将所述代码段转换成表示短字符序列的向量序列。

5.根据权利要求3所述的系统，进一步包括对所述分词器的输出进行操作的转换器-编码器。

6.根据权利要求1所述的系统，其中，所述延迟预测器被配置成根据深度神经网络dnn的源代码表示来预测所述dnn的延迟。

7.根据权利要求1所述的系统，包括代码解析器，所述代码解析器被配置成根据dnn的源代码表示来提取api调用集合。

8.根据权利要求7所述的系统，其中，所述代码解析器进一步被配置成根据所述dnn的所述源代码表示来提取所述api调用集合的调用序列。

9.根据权利要求8所述的系统，其中，所述调用序列由邻接矩阵表示。

10.根据权利要求1所述的系统，其中，所述延迟预测器包括图卷积网络gcn，所述gcn被配置成聚集所述代码段并且基于所述代码段估计dnn的延迟。

11.根据权利要求10所述的系统，其中，所述gcn使用由解析器确定的调用序列和特征矩阵两者来计算所述dnn的延迟的估计。

12.一种计算机实现的方法，包括将转换器-编码器的输出转换成用于源代码的代码段的延迟预测。

13.根据权利要求12所述的计算机实现的方法，包括将所述源代码分成所述代码段。

14.根据权利要求12所述的计算机实现的方法，进一步包括对所述代码段进行标记。

15.根据权利要求14所述的计算机实现的方法，其中，所述标记的步骤包括将所述代码段转换成表示短字符序列的向量序列。