ارایه یک روش ترکیبی بهبود یافته جهت پیش بینی مولفه های آسیب پذیر نرم افزار با رویکرد کاهش بعد توسط گسسته سازی و انتخاب ویژگی

سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 452

فایل این مقاله در 8 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CITCOMP02_057

تاریخ نمایه سازی: 7 اسفند 1396

چکیده مقاله:

مشخصه اصلی مدل های پیش بینی مبتنی بر تحلیل کد که از روش های متن کاوی و یادگیری ماشین بهره می برند، آن است که ویژگی ها از پیش تعیین شده و ثابت نیستند و با توجه به مجموعه داده ها که شامل کد برنامه های مشخصی هست تعیین شده و بنابراین هر برنامه مدل اختصاصی خود را دارد که الزاما برای کاربردهای مشابه قابل استفاده نیست. در الگو-ریتم ارایه شده علاوه بر مشخصه فوق یکی از چالش های اصلی این زمینه، انتخاب ویژگی های مناسب و کاهش بعد برای بهبود عملکرد مدل پیش بینی آسیب پذیری، در نظر گرفته شده است. در این پژوهش رویکردی ترکیبی مبتنی بر آزمون فرض آماری برای کاهش حجم ویژگی های با قطعیت آماری پایین و اعمال دسته بندی از طریق گسسته سازی و انتخاب مناسب خصیصه ها برای افزایش دقت پیش بینی بکار گرفته شده است. ارزیابی روش بر روی مجموعه ای از کد برنامه های معروف جاوای اندروید که شامل بیش از 100هزار خط کد برنامه که در پژوهش های مشابه استفاده شده، انجام پذیرفته است. نتایج حاصل حاکی از ثمربخش بودن آن در افزایش دقت در پیش بینی مولفه های آسیب پذیر است

کلیدواژه ها:

انتخاب ویژگی ، گسسته سازی ، کاهش بعد ، مدل های پیش بینی آسیب پذیری ، آزمون فرض

نویسندگان

سیدمهدی حسن پور

گروه امنیت اطلاعات، دانشکده ICT، دانشگاه صنعتی مالک اشتر، تهران، ایران

رضا عزمی

دانشیار گروه مهندسی کامپیوتر، دانشگاه الزهرا(س)، تهران، ایران

محمدرضا ولوی

دانشیار گروه مخابرات-امنیت اطلاعات، دانشگاه صنعتی مالک اشتر، تهران، ایران