تحلیل آسیب پذیری CVE-2024-21338
Vulnerlab
2026-02-25
آسیب پذیری‌های تحلیل شده
جدیدترین آزمایشگاه
آخرین مسابقات
آخرین مقالات
فازینگ جعبه خاکستری هدایت شده (Directed Greybox Fuzzing یا DGF) رویکردی مؤثر است که با استفاده از نقاط هدف از پیش تعریف شده، برای تقویت آزمون نواحی آسیب‌پذیر کد طراحی شده است. روش‌های پیشرفته DGF با بازتعریف و بهینه‌سازی معیار برازندگی (fitness metric) تلاش می‌کنند به‌صورت دقیق و سریع به نقاط هدف برسند. با این حال، بهینه سازی‌های معیار برازندگی عمدتاً بر الگوریتم‌های ابتکاری متکی هستند که معمولاً به اطلاعات
فازینگ (fuzzing) روشی مؤثر برای کشف آسیب‌پذیری‌هاست، اما در مواجهه با اهداف پیچیده‌ای مانند کامپایلرها، مفسرها و موتورهای پایگاه داده با چالش مواجه می‌شود؛ چراکه این سیستم‌ها ورودی‌های متنی را می‌پذیرند که باید قیود نحوی و معنایی پیچیده‌ای را رعایت کنند. با وجود آنکه مدل‌های زبانی (LMها یا Language Models) به‌دلیل دانش نهفته‌ی گسترده و توانایی بالقوه در استدلال، توجه زیادی را برای این وظیفه جلب کرده‌اند، کاربرد عملی آن‌ها
چکیده – مقاله «BertRLFuzzer: A BERT and Reinforcement Learning Based Fuzzer» یک ابزار نوآورانه برای کشف آسیب پذیری‌های امنیتی در برنامه‌های وب معرفی می‌کند که براساس ترکیب مدل زبانی BERT و یادگیری تقویتی (RL – Reinforcement Learning) طراحی شده است. عملکرد BertRLFuzzer به این صورت است که با دریافت فهرستی از بذرهای ورودی اولیه (seed inputs)، عملیات جهش (mutation) را بر روی آن‌ها انجام می‌دهد به‌گونه‌ای که هم با دستور
فازینگ جعبه خاکستری هدایت شده (Directed Greybox Fuzzing یا DGF) رویکردی مؤثر است که با استفاده از نقاط هدف از پیش تعریف شده، برای تقویت آزمون نواحی آسیب‌پذیر کد طراحی شده است. روش‌های پیشرفته DGF با بازتعریف و بهینه‌سازی معیار برازندگی (fitness metric) تلاش می‌کنند به‌صورت دقیق و سریع به نقاط هدف برسند. با این حال، بهینه سازی‌های معیار برازندگی عمدتاً بر الگوریتم‌های ابتکاری متکی هستند که معمولاً به اطلاعات
فازینگ (fuzzing) روشی مؤثر برای کشف آسیب‌پذیری‌هاست، اما در مواجهه با اهداف پیچیده‌ای مانند کامپایلرها، مفسرها و موتورهای پایگاه داده با چالش مواجه می‌شود؛ چراکه این سیستم‌ها ورودی‌های متنی را می‌پذیرند که باید قیود نحوی و معنایی پیچیده‌ای را رعایت کنند. با وجود آنکه مدل‌های زبانی (LMها یا Language Models) به‌دلیل دانش نهفته‌ی گسترده و توانایی بالقوه در استدلال، توجه زیادی را برای این وظیفه جلب کرده‌اند، کاربرد عملی آن‌ها
چکیده – مقاله «BertRLFuzzer: A BERT and Reinforcement Learning Based Fuzzer» یک ابزار نوآورانه برای کشف آسیب پذیری‌های امنیتی در برنامه‌های وب معرفی می‌کند که براساس ترکیب مدل زبانی BERT و یادگیری تقویتی (RL – Reinforcement Learning) طراحی شده است. عملکرد BertRLFuzzer به این صورت است که با دریافت فهرستی از بذرهای ورودی اولیه (seed inputs)، عملیات جهش (mutation) را بر روی آن‌ها انجام می‌دهد به‌گونه‌ای که هم با دستور
