An Experimental Study on Detecting and Mitigating Vulnerabilities in Web Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The increasing use of the internet has led to a growing number of security threats.Computers, smartphones, smartwatches, and other mobile devices associated with the internet face different threats and exploits.In those cases, different services are provided through web applications only.Those applications are vulnerable to hacking.There are over 1.9 billion websites today, and everything is connected to the network.According to the new national vulnerability database update, 10,683 weaknesses were found in web applications in the first quarter of 2023.The websites have the most significant details of the clients, like personal details, financial details, and so on.Checking all the web application weaknesses is not a silver bullet.So, vulnerability scanners play a significant role in web application security.Vulnerability analysis and penetration testing are two distinct vulnerability types of testing.These tests can help identify all the vulnerabilities in a web application, even those not detected by vulnerability scanners.While certain users access this vulnerability analysis data with just honest goals, like creating some security measures to avoid those vulnerabilities, some utilize it to recognize ways of destroying significant information and records of websites.As it is notable, the term penetration testing is also ethical hacking.The current paper aims to investigate penetration testing on web applications.The paper discusses the different types of penetration testing, the tools and techniques used, and the benefits of penetration testing.It also suggests the challenges of penetration testing and the steps that can be taken to mitigate these challenges.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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