1 |
1
사전 수집된 복수의 소프트웨어 바이너리 파일 각각에 대한 특징 정보를 추출하는 특징 추출부; 및상기 복수의 바이너리 파일 각각에 대한 상기 특징 정보 및 취약 여부를 학습 데이터로 이용하여 인공 신경망(artificial neural network) 기반의 취약점 예측 모델을 학습시키는 학습부를 포함하며,상기 특징 정보는, 상기 소프트웨어 바이너리 파일이 실행될 때 호출되는 함수들에 대한 정보를 포함하는 소프트웨어 취약점 예측 모델 학습 장치
|
2 |
2
삭제
|
3 |
3
청구항 1에 있어서,상기 특징 정보는, 상기 소프트웨어 바이너리 파일이 실행될 때 호출되는 함수들의 리스트 및 상기 호출되는 함수들의 호출 순서 중 적어도 하나를 포함하는 소프트웨어 취약점 예측 모델 학습 장치
|
4 |
4
청구항 1에 있어서,상기 복수의 소프트웨어 바이너리 각각에 대한 취약 여부를 분류하는 분류부를 더 포함하고,상기 학습부는, 상기 특징 정보 및 상기 취약 여부 분류 결과를 학습 데이터로 이용하여 상기 취약점 예측 모델을 학습시키는 소프트웨어 취약점 예측 모델 학습 장치
|
5 |
5
청구항 1에 있어서,상기 취약점 예측 모델은, 다층 퍼셉트론(Multi-Layer Perceptron) 기반의 인공 신경망 모델인 소프트웨어 취약점 예측 모델 학습 장치
|
6 |
6
사전 수집된 복수의 소프트웨어 바이너리 파일 각각에 대한 특징 정보를 추출하는 단계; 및상기 복수의 바이너리 파일 각각에 대한 상기 특징 정보 및 취약 여부를 학습 데이터로 이용하여 인공 신경망(artificial neural network) 기반의 취약점 예측 모델을 학습시키는 단계를 포함하며,상기 특징 정보는, 상기 소프트웨어 바이너리 파일이 실행될 때 호출되는 함수들에 대한 정보를 포함하는 소프트웨어 취약점 예측 모델 학습 방법
|
7 |
7
삭제
|
8 |
8
청구항 6에 있어서,상기 특징 정보는, 상기 소프트웨어 바이너리 파일이 실행될 때 호출되는 함수들의 리스트 및 상기 호출되는 함수들의 호출 순서 중 적어도 하나를 포함하는 소프트웨어 취약점 예측 모델 학습 방법
|
9 |
9
청구항 6에 있어서,상기 복수의 소프트웨어 바이너리 각각에 대한 취약 여부를 분류하는 단계를 더 포함하고,상기 학습시키는 단계는, 상기 특징 정보 및 상기 취약 여부 분류 결과를 학습 데이터로 이용하여 상기 취약점 예측 모델을 학습시키는 소프트웨어 취약점 예측 모델 학습 방법
|
10 |
10
청구항 6에 있어서,상기 취약점 예측 모델은, 다층 퍼셉트론(Multi-Layer Perceptron) 기반의 인공 신경망 모델인 소프트웨어 취약점 예측 모델 학습 방법
|
11 |
11
취약점 분석 대상인 소프트웨어 바이너리 파일에 대한 특징 정보를 추출하는 특징 추출부; 및기 학습된 인공 신경망(artificial neural network) 기반의 취약점 예측 모델을 이용하여 상기 추출된 특징 정보로부터 상기 소프트웨어 바이너리 파일의 취약 여부를 판단하는 취약점 판단부를 포함하며,상기 특징 정보는, 상기 소프트웨어 바이너리 파일이 실행될 때 호출되는 함수들에 대한 정보를 포함하는 소프트웨어 취약점 분석 장치
|
12 |
12
삭제
|
13 |
13
청구항 11에 있어서,상기 특징 정보는, 상기 소프트웨어 바이너리 파일이 실행될 때 호출되는 함수들의 리스트 및 상기 호출되는 함수들의 호출 순서 중 적어도 하나를 포함하는 소프트웨어 취약점 분석 장치
|
14 |
14
청구항 11에 있어서,상기 취약점 예측 모델은, 사전 수집된 복수의 소프트웨어 바이너리 각각에 대한 특징 정보 및 취약 여부를 학습 데이터로 이용하여 사전 학습되는 소프트웨어 취약점 분석 장치
|
15 |
15
청구항 11에 있어서,상기 취약점 예측 모델은, 다층 퍼셉트론(Multi-Layer Perceptron) 기반의 인공 신경망 모델인 소프트웨어 취약점 분석 장치
|
16 |
16
취약점 분석 대상인 소프트웨어 바이너리 파일에 대한 특징 정보를 추출하는 단계; 및기 학습된 인공 신경망(artificial neural network) 기반의 취약점 예측 모델을 이용하여 상기 추출된 특징 정보로부터 상기 소프트웨어 바이너리 파일의 취약 여부를 판단하는 단계를 포함하며,상기 특징 정보는, 상기 소프트웨어 바이너리 파일이 실행될 때 호출되는 함수들에 대한 정보를 포함하는 소프트웨어 취약점 분석 방법
|
17 |
17
삭제
|
18 |
18
청구항 16에 있어서,상기 특징 정보는, 상기 소프트웨어 바이너리 파일이 실행될 때 호출되는 함수들의 리스트 및 상기 호출되는 함수들의 호출 순서 중 적어도 하나를 포함하는 소프트웨어 취약점 분석 방법
|
19 |
19
청구항 16에 있어서,상기 취약점 예측 모델은, 사전 수집된 복수의 소프트웨어 바이너리 각각에 대한 특징 정보 및 취약 여부를 학습 데이터로 이용하여 사전 학습되는 소프트웨어 취약점 분석 방법
|
20 |
20
청구항 16에 있어서,상기 취약점 예측 모델은, 다층 퍼셉트론(Multi-Layer Perceptron) 기반의 인공 신경망 모델인 소프트웨어 취약점 분석 방법
|