کشف آسیب پذیری های امنیتی نرم افزار مبتنی بر یادگیری ماشین - داده تست

آسیب پذیری های امنیتی نرم افزار ریسک های قابل توجهی برای برنامه های مدرن ایجاد می کنند که اغلب از طریق ورودی های تست مخرب که حملاتی مانند سرریز بافر، تزریق SQL یا اسکریپتینگ متقاطع سایت (XSS) را فعال می کنند بهره برداری می شوند. این مقاله مروری کاربرد تکنیک های یادگیری ماشین (ML) را برای کشف و تشخیص آسیب پذیری های امنیتی در ورودی های تست نرم افزار بررسی می کند. با تمرکز بر آموزش مدل های ML برای شناسایی الگوهای حمله ما یک بررسی ادبیات سیستماتیک از روش های موجود انجام می دهیم و آنها را به رویکردهای نظارت شده، بدون نظارت و یادگیری تقویتی دسته بندی می کنیم. تکنیک های کلیدی شامل تست فازی بهبودیافته با شبکه های عصبی عمیق مانند LSTM و CNN برای تشخیص ناهنجاری و مدل های پردازش زبان طبیعی مانند BERT برای تحلیل ورودی می شود. بر اساس بیش از ۲۰ مقاله داوری شده از منابع مانند IEEE Xplore و ACM Digital Library منتشر شده بین ۲۰۱۵ و ۲۰۲۵ عملکرد مدل ها را از نظر دقت، فراخوانی و امتیاز F۱ روی داده های هست های معیار مانند CWE و NIST مقایسه می کنیم. چالش های شناسایی شده شامل کمبود داده، بیش برازش مدل و ملاحظات اخلاقی در افشای آسیب پذیری ها است. این بررسی شکاف ها در تشخیص زمان واقعی برای محیط های پویا را برجسته می کند و جهت گیری های آینده مانند ادغام ML با محاسبات کوانتومی برای تست های قوی تر را پیشنهاد می دهد. این کار پایه جامعی برای پژوهشگران و متخصصان مهندسی نرم افزار فراهم می کند تا روش های تست امنیتی مبتنی بر ML را پیش ببرند.

کلیدواژه ها:

یادگیری ماشین ، آسیب پذیری های امنیتی ، تست نرم افزار ، الگوهای حمله ، تست فازی ، یادگیری عمیق ، تشخیص ناهنجاری ، پردازش زبان طبیعی