Les tests unitaires comme méthode de prévention contre les injections SQL
Bibliographic record
Abstract
Ce mémoire de maîtrise explore l’utilisation des tests unitaires afin de prévenir les vulnérabilités relatives aux injections SQL. Les injections SQL demeurent encore et toujours l’une des failles de sécurité les plus courantes et potentiellement dangereuses dans les applications. Cette étude examine comment les tests unitaires peuvent servir de rempart contre ces vulnérabilités en permettant d’identifier celles-ci et en les corrigeant de façon adéquate. L’approche adoptée dans ce mémoire comprend une analyse approfondie des techniques de test actuelles et de leur intégration dans les processus de développement sécuritaire de logiciel. En mettant l’accent sur la méthodologie de développement et des scénarios réalistes, nous souhaitons proposer une pratique de test unitaire spécifique pour détecter les faiblesses et prévenir les injections SQL dès les premières phases du développement. Les résultats de cette étude démontrent que l’adoption de tests unitaires appropriés peut renforcer la sécurité du code source en réduisant significativement les risques d’exploitation des vulnérabilités aux injections SQL. En démontrant l’efficacité de ces derniers, ce mémoire offre un aperçu des bénéfices de cette approche aux équipes de développement pour renforcer la résilience des applications contre les attaques par injections SQL.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.038 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".