Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/121786
Título : | Machine learning for fuzzing: State of art |
Autoría: | Barranca Fenollar, Pablo |
Tutor: | Hernández Jiménez, Enric |
Resumen : | El aprendizaje automático se ha hecho cada vez más popular en los últimos años. Esta popularización se ha visto estimulada por múltiples factores: una potencia de cálculo grande y asequible, nuevos y potentes algoritmos, nuevas herramientas que facilitan el uso de los algoritmos de aprendizaje automático, disponibilidad de big data para entrenar los modelos, etc. Muchas disciplinas han experimentado cambios significativos gracias a su adopción. El campo del fuzzing no ha sido una excepción. Muchos investigadores han propuesto aplicar algoritmos de aprendizaje automático a las distintas etapas del proceso de fuzzing. La mayoría de los estudios parecen haber aportado mejoras a la tarea, aunque no siempre está claro a qué precio. Además, las razones que justifican la selección de un algoritmo en lugar de otro no están claras en gran parte de la literatura publicada. Esta tesis de máster no sólo presenta los beneficios y desventajas de utilizar varios algoritmos de aprendizaje automático en cada etapa del fuzzing, sino que también identifica nuevos caminos prometedores que los investigadores deberían tomar. |
Palabras clave : | big data cobertura AFL aprendizaje automático fuzzing |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | 2-jun-2020 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ |
Aparece en las colecciones: | Trabajos finales de carrera, trabajos de investigación, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
pbarrancaTFM0620memory.pdf | TFM memory | 1,05 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons