← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 41.a.1.f · 生成模型:未记录

漏洞学习依赖代码表征

理解等级:中级

学习式漏洞挖掘将代码片段及调用转为向量,利用有标签样本学习危险模式,再定位待分析程序的可疑位置。代码切分与语义表达决定模型能看到什么。输出适合作为审查线索,仍需验证触发条件与实际可利用性。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 网络安全 预测、漏洞模式与情报流水线 · 查看原书依据

      形成可以用于神经网络训练的向量输入,由其学习软件代码之间的语义联系,并从中寻找漏洞[81]。首先是神经网络训练,利用大量软件程序作为训练数据,其中一些程序具有已知漏洞。在训练过程中,对软件库与接口调用进行提取,生成可供训练的代码片段向量及对

    参考来源

    - 位置:《人工智能安全》网络安全,预测、漏洞模式与情报流水线(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能安全/_epub-src/EPUB/xhtml/Section0001_0009.xhtml) - 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;书中历史数据与技术预测保留原有时点,不当作当前已验证结论。 - 原始内容:形成可以用于神经网络训练的向量输入,由其学习软件代码之间的语义联系,并从中寻找漏洞[81]。首先是神经网络训练,利用大量软件程序作为训练数据,其中一些程序具有已知漏洞。在训练过程中,对软件库与接口调用进行提取,生成可供训练的代码片段向量及对