Resumen

La detección tradicional de vulnerabilidades generalmente se basaba en reglas o similitud de código fuente con características de vulnerabilidad definidas manualmente. De hecho, estas reglas o características de vulnerabilidad son difíciles de definir con precisión, lo que generalmente requiere mucho trabajo de expertos y tiene un rendimiento débil en aplicaciones prácticas. Para mitigar este problema, los investigadores introdujeron redes neuronales para extraer automáticamente características y mejorar la inteligencia de la detección de vulnerabilidades. La red de Memoria a Corto y Largo Plazo Bidireccional (Bi-LSTM) ha demostrado ser exitosa para la detección de vulnerabilidades de software. Sin embargo, debido al procesamiento de información de contexto complejo y al mecanismo de entrenamiento iterativo, el costo de entrenamiento es alto para Bi-LSTM. Para mejorar eficazmente la eficiencia del entrenamiento, propusimos utilizar la Máquina de Aprendizaje Extremo (ELM). El proceso de entrenamiento de ELM es no iterativo, por lo que el entrenamiento de la red puede converger rápidamente

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Detección de vulnerabilidades; Redes neuronales; Memoria a corto plazo bidireccional; Máquina de aprendizaje extremo; Doc2vec; Método del núcleo
• Keywords:Vulnerability detection; Neural networks; Bidirectional Long Short-term Memory; Extreme Learning Machine; Doc2vec; Kernel method