ترجمه فارسی مقاله بررسی تقویت آسیبپذیری مبتنی بر RAG با LLMها
| عنوان مقاله به انگلیسی | Exploring RAG-based Vulnerability Augmentation with LLMs |
| عنوان مقاله به فارسی | بررسی تقویت آسیبپذیری مبتنی بر RAG با LLMها |
| نویسندگان | Seyed Shayan Daneshvar, Yu Nong, Xu Yang, Shaowei Wang, Haipeng Cai |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 13 |
| دسته بندی موضوعات | Software Engineering,Cryptography and Security,Machine Learning,مهندسی نرم افزار , رمزنگاری و امنیت , یادگیری ماشین , |
| توضیحات | Submitted 7 August, 2024; originally announced August 2024. , Comments: 13 pages, 6 figures, 5 tables, 3 prompt templates, 1 algorithm , ACM Class: D.2.7; I.2.2; D.2.5; I.2.5; I.2.6; C.4; I.5.1 |
| توضیحات به فارسی | ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 13 صفحه ، 6 شکل ، 5 جدول ، 3 الگوریتم سریع ، 1 الگوریتم ، کلاس ACM: D.2.7 ؛I.2.2 ؛D.2.5 ؛I.2.5 ؛I.2.6 ؛c.4 ؛I.5.1 |
قیمت: 19,000 تومان
سفارش
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش میدهید.
قیمت: 520,000 تومان
زمان تحویل: 2 تا 3 روز کاری
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
چکیده
Detecting vulnerabilities is a crucial task for maintaining the integrity, availability, and security of software systems. Utilizing DL-based models for vulnerability detection has become commonplace in recent years. However, such deep learning-based vulnerability detectors (DLVD) suffer from a shortage of sizable datasets to train effectively. Data augmentation can potentially alleviate the shortage of data, but augmenting vulnerable code is challenging and requires designing a generative solution that maintains vulnerability. Hence, the work on generating vulnerable code samples has been limited and previous works have only focused on generating samples that contain single statements or specific types of vulnerabilities. Lately, large language models (LLMs) are being used for solving various code generation and comprehension tasks and have shown inspiring results, especially when fused with retrieval augmented generation (RAG). In this study, we explore three different strategies to augment vulnerabilities both single and multi-statement vulnerabilities, with LLMs, namely Mutation, Injection, and Extension. We conducted an extensive evaluation of our proposed approach on three vulnerability datasets and three DLVD models, using two LLMs. Our results show that our injection-based clustering-enhanced RAG method beats the baseline setting (NoAug), Vulgen, and VGX (two SOTA methods), and Random Oversampling (ROS) by 30.80%, 27.48%, 27.93%, and 15.41% in f1-score with 5K generated vulnerable samples on average, and 53.84%, 54.10%, 69.90%, and 40.93% with 15K generated vulnerable samples. Our approach demonstrates its feasibility for large-scale data augmentation by generating 1K samples at as cheap as US$ 1.88.
چکیده به فارسی (ترجمه ماشینی)
تشخیص آسیب پذیری ها یک کار مهم برای حفظ یکپارچگی ، در دسترس بودن و امنیت سیستم های نرم افزاری است.استفاده از مدلهای مبتنی بر DL برای تشخیص آسیب پذیری در سالهای اخیر امری عادی شده است.با این حال ، چنین آشکارسازهای آسیب پذیری مبتنی بر یادگیری عمیق (DLVD) از کمبود مجموعه داده های قابل توجهی برای آموزش مؤثر رنج می برند.افزایش داده ها به طور بالقوه می تواند کمبود داده ها را کاهش دهد ، اما تقویت کد آسیب پذیر چالش برانگیز است و نیاز به طراحی یک راه حل تولیدی دارد که آسیب پذیری را حفظ می کند.از این رو ، کار در مورد تولید نمونه های کد آسیب پذیر محدود بوده و آثار قبلی فقط بر روی تولید نمونه هایی که حاوی بیانیه های منفرد یا انواع خاصی از آسیب پذیری ها هستند ، متمرکز شده اند.به تازگی ، از مدل های بزرگ زبان (LLMS) برای حل کارهای مختلف تولید کد و درک مطلب استفاده می شود و نتایج الهام بخش را نشان داده اند ، به ویژه هنگامی که با تولید تقویت شده بازیابی (RAG) ذوب می شوند.در این مطالعه ، ما سه استراتژی مختلف را برای تقویت آسیب پذیری ها هم آسیب پذیری های تک و چند جمله ای ، با LLMS ، یعنی جهش ، تزریق و پسوند بررسی می کنیم.ما با استفاده از دو LLM ، ارزیابی گسترده ای از رویکرد پیشنهادی خود را در سه مجموعه داده آسیب پذیری و سه مدل DLVD انجام دادیم.نتایج ما نشان می دهد که روش RAG با خوشه بندی مبتنی بر تزریق ما ، تنظیم پایه (NOAUG) ، Vulgen و VGX (دو روش SOTA) و برداشت تصادفی (ROS) را 30.80 ٪ ، 27.48 ٪ ، 27.93 ٪ ، ضرب و شتم می کند.و 15.41 ٪ در نمره F1 با 5K نمونه های آسیب پذیر به طور متوسط و 53.84 ٪ ، 54.10 ٪ ، 69.90 ٪ و 40.93 ٪ با 15K نمونه های آسیب پذیر تولید می کنند.رویکرد ما امکان سنجی آن را برای تقویت داده های در مقیاس بزرگ با تولید نمونه های 1K به اندازه ارزان قیمت 1.88 دلار نشان می دهد.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.