مرور نظام مند مدل های یادگیری عمیق و مدل های زبانی بزرگ در تشخیص و ترمیم آسیب پذیری های نرم افزار بررسی قابلیت اطمینان استدلال پیشرفته و چالش های کیفیت داده

نویسنده مسئول: محمد فصیحی یکی از مهم ترین مشکلات توسعه دهندگان نرم افزار تشخیص آسیب پذیری های نرم افزار و ترمیم آنها است. در این مرور نظام مند تازه ترین پژوهش ها درباره ی اثر بخشی، چالش ها و قابلیت اعتماد مدل های یادگیری عمیق و مدل های زبانی بزرگ در شناسایی و ترمیم خودکار آسیب پذیری های نرم افزاری بررسی شده اند. در این میان درک دقیق تر از عملکرد واقعی مدل ها و قابلیت اتکا آنها و عواملی که موجب افت کیفیت یا ارزیابی نادرست آنها می شود از اهمیت بسزایی برخوردار است. یکی از عوامل مهم در میزان کارایی و موفقیت روش های مورد بررسی در این مقاله کیفیت داده ها و نوع معماری استفاده شده در مدل است. ترنسفورمر از جمله مدل های محبوب در این حوزه است. میتوان به مدل های مبتنی بر ترنسفورمر اشاره نمود. حضور اطلاعات زمینه ای مانند گزارش های خطا یا توضیحات فنی باعث می شود تا این مدل ها عملکرد بهتری نسبت به روش های سنتی داشته باشند. در این پژوهش با تحلیل شاخص هایی مانند Fl-Score، Pass@k و درصد پیش بینی های کامل نشان داده می شود که برای سنجش واقع گرایانه تر کارایی این مدل ها در محیط های عملی باید از معیارهای ارزیابی جامع تر و چندبعدی تری استفاده کرد.

کلیدواژه ها:

یادگیری عمیق ، مدل های زبانی بزرگ ، تشخیص آسیب پذیری خودکار ، ترمیم خودکار ، کیفیت داده