Que la Pelusa te acompañe

Resumen

Explore how LSTM neural networks and Python can generate AI-driven test inputs for software testing and network security, improving upon traditional fuzzing techniques.

Programa

• Introducción a las Técnicas de Fuzzing
Visión General de los Métodos Tradicionales de Fuzzing
Limitaciones y Desafíos del Fuzzing Tradicional
• Introducción a las Redes Neuronales LSTM
Comprensión de las Redes Neuronales Recurrentes (RNNs)
Estudio Detallado de las LSTMs: Arquitectura y Funcionamiento
• Python para Fuzzing Impulsado por IA
Configuración del Entorno de Python para el Desarrollo de IA
Principales Bibliotecas de Python: TensorFlow, Keras
• Implementación de LSTMs para la Generación de Entradas de Prueba
Preparación de Conjuntos de Datos para el Entrenamiento de LSTM
Entrenamiento de LSTMs en Entradas de Software Existentes
Generación de Entradas de Prueba Impulsadas por IA con LSTMs
• Aplicación del Fuzzing Impulsado por IA en Pruebas de Software
Estudios de Caso y Ejemplos Prácticos
Evaluación de la Efectividad de las Entradas Generadas por IA
Comparación del Fuzzing Impulsado por IA con Métodos Tradicionales
• Mejora de la Seguridad de Redes con Fuzzing Impulsado por IA
Identificación de Vulnerabilidades de Red con Modelos LSTM
Simulación de Ataques de Red Usando Entradas Generadas
• Temas Avanzados y Direcciones Futuras
Mejoras en Algoritmos de IA para Fuzzing
Combinación de Técnicas Impulsadas por IA con Otros Métodos de Pruebas
• Taller Práctico
Implementación Paso a Paso de LSTM para Fuzzing
Proyectos Prácticos: Construcción y Pruebas de Casos Impulsados por IA
• Conclusión del Curso y Evaluaciones
Resumen de los Aprendizajes Clave
Proyecto Final y Directrices de Evaluación

---

Materias

Conference Talks