MétaCan
Menu
Retour à la cohorte
Enregistrement W4205995943 · doi:10.22215/etd/2021-14669

A Data-Driven Approach to Evaluate the Security of System Designs

2021· dissertation· en· W4205995943 sur OpenAlexaff
Joe Samuel

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueInformation and Cyber Security
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésAttack surfaceLeverage (statistics)Computer scienceSecurity testingSoftware security assuranceComputer security modelSecurity information and event managementComputer securityMetric (unit)Security serviceApplication securityCloud computing securityInformation securityEngineering

Résumé

récupéré en direct d'OpenAlex

Improving system security during the design phase is challenging but can be costeffective in the long run.Security metrics are a way to measure and manage a system's ability to minimize possible attack opportunities.While several designlevel security metrics exist to evaluate vulnerabilities in system design, it is unclear which metrics provide a sound scientific basis for their characterization.Lack of security knowledge among average development teams and the lack of tool support are additional challenges.In this work, we present a data-driven approach for the security evaluation of system designs to address the above challenges.The approach aims to incrementally improve system security and decision-making at design time.We integrate the attack surface metric which we found to be sound in our evaluation of widely-used security metrics and leverage external data sources to characterize the structural security posture of software systems.Several tools are developed to automate the approach.This work began with an ambitious vision to help organizations develop secure systems and to provide tools that they can use to apply our findings.This work would not have been possible in such a short time frame without the unwavering support, encouragement, and guidance from my supervisor Professor Jason Jaskolka.I also express my deepest gratitude to Professor George Yee who volunteered to collaborate on this work and whose input and guidance played a pivotal role in the success of this work.I also thank Andrew Pullin who helped us make Compass toolkit a reality.I express my sincere gratitude to Professor James Green who played a critical role in advancing my research career.His willingness to enable me to explore and apply my ideas, however ambitious they may be, allowed me to further my learning and impact the community in more ways than one.I

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,050
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,050
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0070,003
Études des sciences et des technologies0,0010,002
Communication savante0,0050,005
Science ouverte0,0030,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,062
Tête enseignante GPT0,305
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInformation and Cyber SecurityTravaux en français237 207