Banca de DEFESA: GLEYBERSON DA SILVA ANDRADE

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : GLEYBERSON DA SILVA ANDRADE
DATA : 27/08/2021
HORA: 09:00
LOCAL: Google Meet
TÍTULO:

Predição de Vulnerabilidades em Sistemas de Software Configuráveis: Uma abordagem baseada em Aprendizado de Máquina

PALAVRAS-CHAVES:

Linhas de Produtos de Software, Detecção de Vulnerabilidades, Programação Segura, Aprendizado de Máquina

PÁGINAS: 90
RESUMO:

Sistemas de software configuráveis oferecem uma grande variedade de benefícios, incluindo o apoio à entrega de comportamentos personalizados para necessidades específicas de clientes. Por outro lado, a complexidade resultante das opções de configuração no código-fonte eleva o esforço de evolução e manutenção dos sistemas configuráveis, culminando em uma maior inserção de erros e incidência de vulnerabilidades. Por mais que a ocorrência de erros e vulnerabilidades possa ser verificada por meio de testes manuais e automatizados, exercitar sistemas de software dinamicamente é uma tarefa cara, e que pode se tornar impraticável quando se trata de sistemas configuráveis; contexto em que o número de variantes (produtos) cresce exponencialmente conforme o número de configurações aumenta. Para contornar esse problema, heurísticas de amostragem são geralmente empregadas na seleção de subconjuntos representativos e analisáveis de variantes de um sistema configurável. Entretanto, a eficácia dessas heurísticas depende da maneira como as variantes são selecionadas e às vezes, de fortes simplificações. Neste trabalho, propomos e avaliamos uma heurística de amostragem baseada em Aprendizado de Máquina. Nossas suposições são baseadas em características intrínsecas de vulnerabilidades no código-fonte. Neste caso, foram coletadas 53 métricas referentes à complexidade de software, probabilidade de incidência de vulnerabilidade, histórico de evolução e atuação de desenvolvedores de 11 projetos escritos em C. Esses dados foram submetidos a execuções em diferentes cenários, tais como Cross-validation e Cross-project-validation, buscando reduzir o número de variantes recomendadas pela heurística LSA (Linear Sampling Algorithm). Nossos resultados demonstram que por meio de uma heurística de amostragem baseada em Aprendizado de Máquina é possível reduzir o tamanho da amostra a ser analisada, enquanto se mantém uma boa cobertura de detecção.

MEMBROS DA BANCA:
Presidente - 2058929 - ELDER JOSE REIOLI CIRILO
Interno - 2400331 - VINICIUS HUMBERTO SERAPILHA DURELLI
Interno - 2325597 - DIEGO ROBERTO COLOMBO DIAS
Externo à Instituição - RAFAEL SERAPILHA DURELLI - UFLA
Externo à Instituição - ERICK GALANI MAZIERO - UFLA