Aperçu
Explorez comment les réseaux neuronaux LSTM et Python peuvent générer des entrées de test pilotées par l'IA pour le test de logiciels et la sécurité réseau, en améliorant les techniques de fuzzing traditionnelles.
Programme
-
- Introduction aux techniques de fuzzing
-- Aperçu des méthodes traditionnelles de fuzzing
-- Limitations et défis du fuzzing traditionnel
- Introduction aux réseaux neuronaux LSTM
-- Comprendre les réseaux neuronaux récurrents (RNN)
-- Étude détaillée des LSTM : architecture et fonctionnalité
- Python pour le fuzzing piloté par l'IA
-- Configuration de l'environnement Python pour le développement de l'IA
-- Bibliothèques Python clés : TensorFlow, Keras
- Mise en œuvre des LSTM pour la génération d'entrées de test
-- Préparation des jeux de données pour l'entraînement des LSTM
-- Entraîner les LSTM sur des entrées logicielles existantes
-- Générer des entrées de test pilotées par l'IA avec des LSTM
- Application du fuzzing piloté par l'IA dans le test logiciel
-- Études de cas et exemples pratiques
-- Évaluer l'efficacité des entrées générées par l'IA
-- Comparaison du fuzzing piloté par l'IA avec les méthodes traditionnelles
- Renforcer la sécurité réseau avec le fuzzing piloté par l'IA
-- Identifier les vulnérabilités du réseau avec des modèles LSTM
-- Simuler des attaques de réseau à l'aide d'entrées générées
- Sujets avancés et orientations futures
-- Améliorations dans les algorithmes d'IA pour le fuzzing
-- Combiner les techniques pilotées par l'IA avec d'autres méthodes de test
- Atelier pratique
-- Mise en œuvre étape par étape de LSTM pour le fuzzing
-- Projets pratiques : construction et test de cas pilotés par l'IA
- Conclusion du cours et évaluations
-- Résumé des points clés appris
-- Projet final et directives d'évaluation
Enseigné par
Étiquettes
On-Demand
