Nghiên cứu phương pháp phát hiện các bản vá lỗ hổng phần mềm dựa trên học sâu
Luận văn · Thạc sĩ · năm 2024 · đề tài tham khảo
| Loại tài liệu | Luận văn |
|---|---|
| Bậc học | Thạc sĩ |
| Ngành | Công nghệ thông tin |
| Tác giả | Nghiêm Đình Nam |
| Người hướng dẫn | Võ Đình Hiếu |
| Cơ sở đào tạo | Đại học Quốc gia Hà Nội |
| Năm | 2024 |
| Nguồn | Thư viện số Đại học Quốc gia Hà Nội · trang gốc |
Tóm tắt
Hiện nay, phát triển phần mềm mã nguồn mở đang dần trở nên bùng nổ, đi kèm với đó những thách thức về việc quản lý, bảo vệ mã nguồn. Những mã nguồn mở có thể tồn tại những lỗ hổng bảo mật và các nhà phát triển đã khắc phục sửa lỗ hổng một cách không công khai. Vấn đề này đặt ra yêu cầu cần xây dựng công cụ có thể phát hiện bản vá khắc phục lỗ hổng. Đầu vào của bài toán là các phiên bản mã nguồn bao gồm phiên bản gốc, phiên bản sửa đổi. Đầu ra của bài toán là phân loại các phiên bản mã nguồn đã được khắc phục lỗ hổng và phiên bản không thay đổi. Luận văn này đề xuất một hướng tiếp cận sử dụng học sâu với mạng nơ-ron đồ thị để tự động phát hiện các bản vá khắc phục lỗ hổng phần mềm. Mô hình học sâu được huấn luyện trên dữ liệu về mã nguồn phần mềm, bao gồm cả thông tin cấu trúc và các đặc trưng liên quan đến lỗ hổng. Mạng nơ-ron đồ thị được sử dụng để mô hình hóa mối quan hệ giữa các phần của mã nguồn, từ đó giúp tăng cường khả năng phát hiện lỗ hổng và tạo ra các bản vá chính xác. Luận văn tiến hành thử nghiệm và đánh giá phương pháp của mình trên các tập dữ liệu thực tế và so sánh với các phương pháp truyền thống. Kết quả cho thấy rằng phương pháp đề xuất có khả năng phát hiện lỗ hổng hiệu quả đáng kể và giảm thiểu sai sót.
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Cải tiến chất lượng dịch máy dựa vào mạng nơron cho các ngôn ngữ tài nguyên hạn chế
- Nghiên cứu nhận dạng xoáy thuận nhiệt đới hoạt động trên khu vực Biển Đông bằng phương pháp trí tuệ nhân tạo
- Phát hiện mã xấu trong chương trình bằng phương pháp học sâu
- Phát triển kỹ thuật học đa tác vụ cho đa biến thể nhãn trong trính xuất thông tin tài liệu khoa học
- Investigate of interaction of mu-opioid receptor with unbiased and biased ligands using molecular dynamics and machine learning
- Số hóa tài liệu tự động thông minh
- Xây dựng hệ thống theo dõi và chẩn đoán trạng thái thiết bị dựa trên học máy
- Tránh đánh chặn không dây cho các phương tiện chiến đấu mặt đất trong mạng thông tin chiến thuật-chiến thuật (Warfighter Information Network-Tactical)
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.