Nov, 2023

网络安全中的软件代码库与机器学习研究

PDF
TL;DR当前迅速发展的技术环境和先进的软件开发使得网络安全攻击的增加成为一个紧迫问题，通过利用主题建模和机器学习来检测软件需求过程中的早期漏洞已经取得成功，并且未来的研究旨在采用多种监督式机器学习技术提高自动化和建立软件需求与漏洞之间的联系。
cyber securitysoftware developmentvulnerabilitiestopic modelingmachine learning
发现论文，激发创造
  • 基于机器学习的自动化软件漏洞检测

    利用机器学习和深度神经网络，针对 C++ 程序开发了一种基于数据驱动的漏洞检测方法，研究结果表明结合源代码和神经网络特征，可以获得更可靠的漏洞检测结果，最高检测能力达到 0.87。

    Feb, 2018

  • 机器学习中漏洞检测的影响因素解析

    研究了软件项目中不同因素对于识别漏洞的准确性的影响，通过挖掘软件库中的漏洞并使用机器学习技术进行自动检测。通过实验发现，将基于词袋模型的签名与随机森林模型相结合，在 17 个真实世界项目中能提高 4% 的检测准确率，并观察到在跨域中转移漏洞签名的局限性。

    Jun, 2024

  • 各种网络攻击检测的当前最先进机器学习方法的性能调查：综述

    分析了过去 10 年来现有的最新机器学习模型及其对不同类型网络攻击的检测，以找出仍需进一步研究的领域。

    Feb, 2024

  • 语义漏洞嵌入的漏洞聚类与其他机器学习应用

    利用自然语言处理技术获得漏洞空间的简洁表示，并作为机器学习应用的基础，支持网络安全研究人员和分析师进行风险评估等相关活动。

    Aug, 2023

  • 基于机器学习系统的威胁评估

    本研究通过分析 89 个真实的机器学习攻击情景，研究机器学习中的威胁特性、识别通用基本应对策略，最终总结出其中的最有针对性的漏洞、攻击手段及其防御方式，以共同为机器学习安全保驾护航。

    Jun, 2022

  • 机器学习用于检测和缓解 Web 漏洞和 Web 攻击

    本文提出一份调查报告，介绍机器学习应用于 Web 安全领域，以识别和防止 XSS 和 CSRF 攻击的研究进展，讨论了各种方法的优劣，以期帮助研究人员确定开发新方法的最佳方向并鼓励他们关注 Web 安全和机器学习的交集。

    Apr, 2023

  • 机器学习中安全与隐私科学的探索

    ML 在安全性方面存在漏洞，提出威胁模型并对攻击进行分类，探究了模型准确性与抗敌对操作的关系。

    Nov, 2016

  • 使用深度表示学习自动检测源代码中的漏洞

    这项研究利用 C/C++ 开源代码，使用机器学习开发了一个基于函数级别的漏洞检测系统，并使用三个定位潜在攻击的静态分析器精心筛选标注了数百万个开源函数的数据集。研究表明深度学习源代码的特征表示法是一种自动化软件漏洞检测的有前途的方法。

    Jul, 2018

  • 基于机器学习系统的安全性：在训练和推理期间的攻击和挑战

    对机器学习中存在的各种安全威胁、威胁模型及相关挑战进行了简要概述，利用 LeNet 和 VGGNet 对 MNIST 和 GTSRB 等基准进行了安全威胁演示，提出并解决了部分误差影响并较小的攻击方式，并阐述了开发安全措施的相关技术。

    Nov, 2018

  • 深度学习系统的安全弱点和漏洞

    通过对 AI 软件系统中深度学习技术的脆弱性进行系统研究，我们提出了一个两流数据分析框架，探索各种数据库中的脆弱性模式，并进行了大规模实证研究来理解脆弱性的模式和修复中的挑战，以推进安全的深度学习系统的发展。

    Jun, 2024