[发明专利]一种云资源分配方法及装置

权利要求书

1.一种云资源分配方法，其特征在于，包括：

在对目标程序进行云模糊测试的过程中提取目标数据；

对所述目标数据进行预处理，获得预处理数据；

基于所述预处理数据和预先建立的曲线拟合模型，确定代码覆盖率随时间变化的曲线；

基于所述曲线和所述目标程序的模糊测试价值，确定所述目标程序的价值的大小；

基于所述目标程序的价值的大小为所述目标程序分配云资源；

其中，所述基于所述曲线和所述目标程序的模糊测试价值，确定所述目标程序的价值的大小，包括：

确定所述曲线的变化率，并基于目标参数确定所述目标程序的模糊测试价值，其中，所述目标参数与所述目标数据有关；

通过所述曲线的变化率和所述目标程序的模糊测试价值，确定所述目标程序的价值的大小；

其中，所述基于所述目标程序的价值的大小，为所述目标程序分配云资源，包括：

根据所述目标程序的价值的大小、目标影响因素和模糊测试价值积累模型，计算单位计算资源所能获取的漏洞价值；

基于所述单位计算资源所能获取的漏洞价值，通过马尔科夫决策过程确定资源分配策略，并基于所述资源分配策略为所述目标程序分配云资源。

2.根据权利要求1所述的云资源分配方法，其特征在于，所述在对目标程序进行云模糊测试的过程中提取目标数据，包括：

基于用户需求对所述目标程序进行编译；

在对所述目标程序进行编译的过程中进行插桩；

对插桩后的目标程序进行云模糊测试；

在所述云模糊测试的过程中提取所述目标数据。

3.根据权利要求1所述的云资源分配方法，其特征在于，所述预先建立所述曲线拟合模型的过程包括：

获取大量训练样本，所述训练样本为与样本程序对应的预处理数据，该预处理数据为在对所述样本程序进行模糊测试的过程中提取数据，并对提取的数据进行预处理得到；

以预设判别标准为训练依据，用所述训练样本训练BP神经网络，获得所述曲线拟合模型。

4.根据权利要求1所述的云资源分配方法，其特征在于，所述对所述目标数据进行预处理，获得预处理数据，包括：

对所述目标数据进行最大最小归一化处理，获得首次归一化数据；

若所述首次归一化数据满足预设条件，则将所述首次归一化数据作为所述预处理数据；

若所述首次归一化数据不满足所述预设条件，则进一步对所述首次归一化数据进行基于标准差的二次归一化处理，获得二次归一化数据，将所述二次归一化数据作为所述预处理数据。

5.一种云资源分配装置，其特征在于，包括：数据提取模块、数据预处理模块、曲线确定模块、价值确定模块和资源分配模块；

所述数据提取模块，用于在对目标程序进行模糊测试的过程中提取目标数据；

所述数据预处理模块，用于对所述目标数据进行预处理，获得预处理数据；

所述曲线确定模块，用于基于所述预处理数据和预先建立的曲线拟合模型，确定代码覆盖率随时间变化的曲线；

所述价值确定模块，用于基于所述曲线和所述目标程序的模糊测试价值，确定所述目标程序的价值的大小；

所述资源分配模块，用于基于所述目标程序的价值的大小为所述目标程序分配云资源；

其中，所述价值确定模块包括：变化率确定子模块和价值评估子模块；

所述变化率确定子模块，用于确定所述曲线的变化率，并基于目标参数确定所述目标程序的模糊测试价值，其中，所述目标参数与所述目标数据有关；

所述价值评估子模块，用于通过所述曲线的变化率和所述目标程序的模糊测试价值，确定所述目标程序的价值的大小；

其中，所述资源分配模块包括：计算子模块、资源分配策略确定子模块和资源分配子模块；

所述计算子模块，用于根据所述目标程序的价值的大小、目标影响因素和模糊测试价值积累模型，计算单位计算资源所能获取的漏洞价值；

所述资源分配策略确定子模块，用于基于所述单位计算资源所能获取的漏洞价值，通过马尔科夫决策过程确定资源分配策略；

所述资源分配子模块，用于基于所述资源分配策略为所述目标程序分配云资源。

6.根据权利要求5所述的云资源分配装置，其特征在于，所述装置还包括：曲线拟合模型建立模块；

所述曲线拟合模型建立模块，用于获取大量训练样本，以预设判别标准为训练依据，用所述训练样本训练BP神经网络，获得所述曲线拟合模型，所述训练样本为与样本程序对应的预处理数据，该预处理数据为在对所述样本程序进行模糊测试的过程中提取数据，并对提取的数据进行预处理得到。