机构名称：
¥ 1.0
在由许多互连组件组成的软件系统中，每个组件的脆弱性都会影响其他组件和整个系统的脆弱性。现有技术可以量化单个组件的脆弱性，但当它们互连或相互依赖时，评估它们的脆弱性仍然是一个挑战。本研究通过一种新的系统范围脆弱性评估 (SWVA) 框架解决了这一问题，该框架针对互连软件组件，基于关联随机神经网络 (ARNN)，根据单个组件已知的局部脆弱性及其互连来估计所有软件组件的系统范围脆弱性。ARNN 使用特定于问题的权重初始化，并使用基于梯度的深度学习算法从现有软件系统示例中学习。然后使用 ARNN 来评估迄今为止未见过的软件系统的脆弱性。对所提出的基于 ARNN 的 SWVA 框架的性能进行了评估，并与几种著名的机器学习技术在 13 个不同版本的真实软件系统（最多包含 11 个组件）上进行了比较。实验结果表明，ARNN 的性能优越，中位准确率达到 85% 以上，并且相对于连接的软件组件数量具有良好的高可扩展性。
计算机与工业工程
主要关键词
相关文件推荐
