- 本仓库是对SySeVR原始仓库的优化，主要针对新数据集，增加了并行处理等
-
由于切片比较耗时，可采用多个docker并行操作，切片脚本slice_nvd.sh
-
docker环境可根据Dockerfile创建，也可以用tk1037/sagpool:1.0
-
并行处理参考slice_nvd.sh
-
执行示例：在source2slice中执行slice_nvd.sh s 0
- s表示切片（也可以换成c表示计数，适用c可以查看切片结果，有多少成功，多少失败），0表示批次（一共划分了0-19，20个批次，可以使用多个docker进行并行切片）。
- 源代码存放在../Program_data/file2。
- 如果重开docker执行切片，请根据需要修改slice_nvd.sh中相关的路径。
- docker pull tk1037/sagpool:1.0 下载镜像，创建镜像时将sysevr目录映射到/home/sysevr下即可。
- 切片结果存放在../slice_all文件夹中。
-
在source2slice中执行dealfile.py
- 根据diff文件提取减号行作为切片标注的依据，结果存储在vulline_dict.json中
-
在source2slice中执行make_label_nvd.py
- 根据上一步提取的信息标注切片，结果存储../labels/labels.json中
-
在source2slice中执行data_preprocess.py
- 切片去重并以CVE为单位存放在../label_source路径下
-
make_label应该在切片去重后再执行，需要修改代码逻辑
-
由于切片后面会被截断，因此这里也可以先进行截断，将来要改的话参考dealcorpus.py中相关的部分
-
在data_preprocess中执行process_dataflow_func.py
- 对切片分词，映射后存储在../corpus中
-
在data_preprocess中执行create_w2vmodel.py
- 训练词向量模型，存储在./w2v_model/wordmodel中
-
在data_preprocess中执行dealcorpus.py
- 对切片截断并去重
-
在data_preprocess中执行get_dl_input.py
- 转向量并拆分测试集和训练集
-
在data_preprocess中执行dealrawdata.py
- 截断与填充向量
- 执行bgru.py