개발자 익명성 확보를 위한 과제: 소스 코드 익명화의 어려움
소스 코드에는 개발자의 코딩 스타일에 대한 미묘한 단서가 포함되어 있어, 기계 학습을 통해 개발자를 식별할 수 있다. 이는 검열에 반대되는 기술을 개발하는 개발자들에게 큰 위협이 된다. 소스 코드 익명화는 이러한 위협을 해결하기 위한 이상적인 방법이지만, 이에 대한 이론적 및 실용적 원칙은 아직 탐구되지 않았다.
딥러닝 기반 분포 외 소스 코드 데이터 식별: 어디까지 왔는가?
소프트웨어 취약점 데이터 중 분포 외 데이터를 효과적으로 식별하는 혁신적인 딥러닝 기반 접근법을 제안한다.
AI 기반 DevSecOps: 현황과 미래 기회
AI 기술은 DevOps 프로세스의 보안 측면을 자동화하여 DevSecOps 실현을 지원할 수 있다.
코필럿이 생성한 GitHub 코드의 보안 취약점
코필럿이 생성한 코드에는 다양한 보안 취약점이 존재하며, 개발자들은 코필럿 생성 코드를 사용할 때 주의를 기울여야 한다.
대규모 언어 모델을 활용한 자동 취약점 위치 파악에 대한 실증적 연구
대규모 언어 모델을 활용하여 소프트웨어 코드 내 취약점의 정확한 위치를 자동으로 파악할 수 있다.
정적 분석과 기계 학습 예측을 결합한 애플리케이션 디블로팅
정적 분석과 기계 학습 예측을 결합하여 애플리케이션의 공격 표면을 크게 줄일 수 있는 새로운 프레임워크를 제안한다.
현재 보안 상태 - 독일 소프트웨어 산업의 통찰
소프트웨어 개발 과정에서 보안이 점점 더 중요해지고 있으며, 기업들은 보안을 핵심 요소로 인식하고 있지만 실제 구현에는 어려움이 있다.
소프트웨어 취약점 탐지를 위한 구조화된 자연어 주석 트리 구축
구조화된 자연어 주석 트리를 활용하여 코드 문장의 의미와 실행 순서를 효과적으로 학습함으로써 소프트웨어 취약점을 정확하게 탐지할 수 있다.
비밀번호로 보호되는 자산을 탐지하는 정적 분석 도구: AssetHarvester
AssetHarvester는 소프트웨어 아티팩트에서 비밀번호로 보호되는 자산 정보를 제공하여 개발자들이 중요한 자산을 우선적으로 제거할 수 있도록 돕는다.
대규모 언어 모델의 취약점 탐지 기능에 대한 종합적인 연구
대규모 언어 모델은 취약점 탐지에 어려움을 겪으며, 취약점의 유형, 위치, 원인을 정확하게 식별하지 못하는 경우가 많다.
© 2024 by Linnk AI