| Titre : | Identification des Fonctions Vulnérables en Utilisant Les Métriques de Vulnérabilités |
| Auteurs : | Soulef Boukhari, Auteur ; Mohammed Ayoub Mehor, Auteur ; Mohammed Zagane, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université mustapha stambouli de Mascara:Faculté des sciences exactes, 2023 |
| ISBN/ISSN/EAN : | SE02346T |
| Format : | 63P. / couv. ill. / 29cm. |
| Accompagnement : | disque optique numérique (CD-ROM) |
| Langues: | Français |
| Résumé : |
La livraison des systèmes logiciels avant l'identification et la correction de leurs vulnérabilités expose l'utilisateur à des risques de sécurité très graves. En effet, la majorité des cyber-attaques se faites à travers l’exploitation des vulnérabilités qui existent dans ces systèmes. Les chercheurs ont proposé d’utiliser les métriques logicielles classiques tels que les métriques de complexité, de couplage, etc. avec l'apprentissage automatique pour construire des modèles de prédiction qui peuvent prédire les composants (fichiers, fonctions,..) logiciels vulnérables. Pour combler les lacunes de cette approche, les chercheurs ont recommandé de remplacer les métriques classiques par des métriques spécifiques à la sécurité. L’objectif de ce projet de fin d’étude est de faire une contribution dans ce sens. En effet, dans ce travail nous avons utilisé des métriques de code qui peuvent quantifier ses aspects critiques qui ont une relation avec les vulnérabilités comme (l’utilisation des pointeurs, niveau d’imbrication des structures de contrôle, etc.). Les métriques proposées sont utilisées comme des caractéristiques (features) pour construire des modèles de prédiction en se basant sur les algorithmes de l’apprentissage automatique. Une évaluation expérimentale a été faite en utilisant une base de code très utilisé dans les travaux connexes et en utilisant aussi plusieurs algorithmes de classification. Les résultats obtenus sont très motivants (Précision et Recall> 80%). Mots-clés : Métriques de Vulnérabilités ; Représentation XML du Code ; srcML ; Modèle de Prédiction, Apprentissage Automatique. |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| SE02346T | INF932 | Livre audio | Bibliothèque des Sciences Exactes | 7-Mémoires Master | Consultation sur place Exclu du prêt |
Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Accueil
