为辨识我国学者在2018—2020年发表国际论文的知识基础和结构,从Web of Science核心数据集的23本安全科学相关期刊上检索了我国学者发表的2510篇论文,对采集的论文数据分别从期刊、作者和文献的共被引角度来进行分析,以揭示不同维度下...为辨识我国学者在2018—2020年发表国际论文的知识基础和结构,从Web of Science核心数据集的23本安全科学相关期刊上检索了我国学者发表的2510篇论文,对采集的论文数据分别从期刊、作者和文献的共被引角度来进行分析,以揭示不同维度下我国安全科学的知识基础与结构。结果表明,为我国学者提供知识基础的主要期刊有Reliab Eng Syst Safe(《可靠性工程与系统安全》)、Accident Anal Prev(《事故分析与预防》)、Safety Sci(《安全科学》)、J Loss Prevent Proc(《工业过程与损失预防》)等,形成了系统安全与可靠性分析、灾害风险分析、环境风险研究、安全科学与人因工程、过程安全研究、交通安全研究领域6个主要的期刊类群。在作者分析结果中,以色列电力公司的Levitin G、加拿大瑞尔森大学的Khakzad N、加拿大纽芬兰纪念大学的Khan FI等是我国学者引用的主要学者。这些高被引学者形成了4个主要的知识基础群落。在文献层面上,Levitin G(2005)、Reason J(1990)、Leveson N(2004)等具有重要影响力的论文被我国学者广泛引用,引用主题主要分布在多米诺效应、任务终止策略及退化分析等方向。展开更多
模糊测试是漏洞挖掘中最为常用的方法之一,然而在测试具有高度结构化输入的软件时,传统模糊测试技术存在生成样本合法性弱和依赖人工参与的问题.针对该问题,本文在Learn&Fuzz方法的基础上,提出了一种基于深度学习的高效模糊测试技术...模糊测试是漏洞挖掘中最为常用的方法之一,然而在测试具有高度结构化输入的软件时,传统模糊测试技术存在生成样本合法性弱和依赖人工参与的问题.针对该问题,本文在Learn&Fuzz方法的基础上,提出了一种基于深度学习的高效模糊测试技术.该技术使用双向长短时记忆(bi-directional long short-term memory,BLSTM)神经网络和注意力(Attention)机制构建样本自动生成模型,通过训练使模型学习样本的内在格式特征,从而能够自动化生成符合一定语法规范的样本.另外,该技术通过改进Learn&Fuzz的采样算法,增加了测试样本的多样性和变异性,从而进一步提高了模糊测试的效率.与Learn&Fuzz方法相比,该技术能够达到更高的代码覆盖率,生成的触发崩溃样本也更多.展开更多
文摘模糊测试是漏洞挖掘中最为常用的方法之一,然而在测试具有高度结构化输入的软件时,传统模糊测试技术存在生成样本合法性弱和依赖人工参与的问题.针对该问题,本文在Learn&Fuzz方法的基础上,提出了一种基于深度学习的高效模糊测试技术.该技术使用双向长短时记忆(bi-directional long short-term memory,BLSTM)神经网络和注意力(Attention)机制构建样本自动生成模型,通过训练使模型学习样本的内在格式特征,从而能够自动化生成符合一定语法规范的样本.另外,该技术通过改进Learn&Fuzz的采样算法,增加了测试样本的多样性和变异性,从而进一步提高了模糊测试的效率.与Learn&Fuzz方法相比,该技术能够达到更高的代码覆盖率,生成的触发崩溃样本也更多.