1.一種基于機(jī)器學(xué)習(xí)的代碼漏洞檢測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的代碼漏洞檢測(cè)方法，其特征在于，所述至少一個(gè)代碼語(yǔ)句包括有用于輸出文本的第一代碼語(yǔ)句、用于獲取用戶(hù)輸入的第二代碼語(yǔ)句、用于根據(jù)不同條件執(zhí)行不同代碼塊的第三代碼語(yǔ)句、用于循環(huán)遍歷可迭代對(duì)象中的元素的第四代碼語(yǔ)句、用于在條件為真時(shí)不斷循環(huán)執(zhí)行代碼塊的第五代碼語(yǔ)句、用于導(dǎo)入可用程序模塊以便使用該可用程序模塊中的函數(shù)/類(lèi)的第六代碼語(yǔ)句和/或用于暫時(shí)不執(zhí)行任何操作的第七代碼語(yǔ)句。
3.根據(jù)權(quán)利要求1所述的代碼漏洞檢測(cè)方法，其特征在于，針對(duì)所述各個(gè)代碼語(yǔ)句，采用數(shù)據(jù)采集算法從與對(duì)應(yīng)語(yǔ)句匹配的同類(lèi)型代碼語(yǔ)句的所有歷史測(cè)試樣本數(shù)據(jù)中采集所述歷史測(cè)試樣本數(shù)據(jù)，并將采集結(jié)果添加到對(duì)應(yīng)的樣本數(shù)據(jù)集中，包括：
4.根據(jù)權(quán)利要求3所述的代碼漏洞檢測(cè)方法，其特征在于，根據(jù)所述樣本數(shù)據(jù)缺口方向配置數(shù)據(jù)采集算法，并采用所述數(shù)據(jù)采集算法從與所述某個(gè)代碼語(yǔ)句匹配的同類(lèi)型代碼語(yǔ)句的所有歷史測(cè)試樣本數(shù)據(jù)中采集所述歷史測(cè)試樣本數(shù)據(jù)，包括有如下步驟s331～s339：
5.根據(jù)權(quán)利要求3所述的代碼漏洞檢測(cè)方法，其特征在于，對(duì)與所述某個(gè)代碼語(yǔ)句對(duì)應(yīng)的所述樣本數(shù)據(jù)集進(jìn)行處理分析，確定與所述某個(gè)代碼語(yǔ)句對(duì)應(yīng)的樣本數(shù)據(jù)缺口方向，包括：
6.根據(jù)權(quán)利要求1所述的代碼漏洞檢測(cè)方法，其特征在于，針對(duì)所述各個(gè)代碼語(yǔ)句，應(yīng)用對(duì)應(yīng)的所述樣本數(shù)據(jù)集，對(duì)基于機(jī)器學(xué)習(xí)算法的人工智能模型進(jìn)行率定驗(yàn)證建模，得到對(duì)應(yīng)的代碼漏洞檢測(cè)模型，包括：
7.根據(jù)權(quán)利要求6所述的代碼漏洞檢測(cè)方法，其特征在于，針對(duì)在所述至少一個(gè)代碼語(yǔ)句以及所述多個(gè)人工智能模型中的某對(duì)語(yǔ)句與模型，應(yīng)用對(duì)應(yīng)語(yǔ)句的所述樣本數(shù)據(jù)集，基于優(yōu)化算法對(duì)相應(yīng)模型的超參數(shù)進(jìn)行優(yōu)化，得到對(duì)應(yīng)的模型超參數(shù)且用于使目標(biāo)函數(shù)最小化的最優(yōu)化搜索結(jié)果，包括有如下步驟s421～s429：
8.根據(jù)權(quán)利要求6所述的代碼漏洞檢測(cè)方法，其特征在于，所述多個(gè)人工智能模型包括有基于圖神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、k最鄰近法、隨機(jī)梯度下降法、多變量線(xiàn)性回歸、多層感知機(jī)、決策樹(shù)、反向傳播神經(jīng)網(wǎng)絡(luò)和/或徑向基函數(shù)網(wǎng)絡(luò)的人工智能模型。
9.一種基于機(jī)器學(xué)習(xí)的代碼漏洞檢測(cè)系統(tǒng)，其特征在于，包括有語(yǔ)句代碼提取單元、上下文代碼提取單元、樣本數(shù)據(jù)采集單元、漏洞檢測(cè)建模單元、檢測(cè)模型應(yīng)用單元和檢測(cè)結(jié)果匯總單元；
10.一種計(jì)算機(jī)系統(tǒng)，其特征在于，包括有依次通信連接的存儲(chǔ)器、處理器和收發(fā)器，其中，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，所述收發(fā)器用于收發(fā)消息，所述處理器用于讀取所述計(jì)算機(jī)程序，執(zhí)行如權(quán)利要求1～8中任意一項(xiàng)所述的代碼漏洞檢測(cè)方法。