Empreu aquest identificador per citar o enllaçar aquest ítem:
http://hdl.handle.net/10609/121786
Títol: | Machine learning for fuzzing: State of art |
Autoria: | Barranca Fenollar, Pablo |
Tutor: | Hernández Jiménez, Enric |
Resum: | L'aprenentatge automàtic s'ha fet cada vegada més popular en els últims anys. Aquesta popularització s'ha vist estimulada per múltiples factors: una potència de càlcul gran i assequible, nous i potents algorismes, noves eines que faciliten l'ús dels algorismes d'aprenentatge automàtic, disponibilitat de big data per a entrenar els models, etc. Moltes disciplines han experimentat canvis significatius gràcies a la seva adopció. El camp del fuzzing no ha estat una excepció. Molts investigadors han proposat aplicar algorismes d'aprenentatge automàtic a les diferents etapes del procés de fuzzing. La majoria dels estudis semblen haver aportat millores a la tasca, encara que no sempre és clar a quin preu. A més, les raons que justifiquen la selecció d'un algorisme en lloc d'un altre no són clares en gran part de la literatura publicada. Aquesta tesi de màster no sols presenta els beneficis i desavantatges d'utilitzar diversos algorismes d'aprenentatge automàtic en cada etapa del fuzzing, sinó que també identifica nous camins prometedors que els investigadors haurien de prendre. |
Paraules clau: | cobertura aprenentatge automàtic fuzzing big data AFL |
Tipus de document: | info:eu-repo/semantics/masterThesis |
Data de publicació: | 2-jun-2020 |
Llicència de publicació: | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ |
Apareix a les col·leccions: | Trabajos finales de carrera, trabajos de investigación, etc. |
Arxius per aquest ítem:
Arxiu | Descripció | Mida | Format | |
---|---|---|---|---|
pbarrancaTFM0620memory.pdf | TFM memory | 1,05 MB | Adobe PDF | Veure/Obrir |
Comparteix:
Aquest ítem està subjecte a una llicència de Creative Commons Llicència Creative Commons