4、机器学习助力新兴中间件与安全测试

机器学习助力新兴中间件与安全测试

新兴中间件中的机器学习应用

在当今日益复杂和动态的分布式系统中，新兴中间件的概念应运而生，旨在维持系统的互操作性。而机器学习在其中扮演着核心角色，能够自动学习网络系统（NS）的功能和行为语义。

特征表示与分类器学习

首先，对于NS接口的特征表示，会去除下划线或驼峰命名的影响，并将所有标记转换为小写。得到特征表示后，会学习多个分类器，每个分类器专门用于识别WSDL是否表达了某些目标语义属性，这些属性也可以是本体的概念。通过这种方式，可以自动为NS接口中定义的动作分配本体概念。WSDL、领域本体和其他信息共同定义了用于训练概念分类器的向量表示。

自动机学习推断NS行为语义

自动机学习是处理黑盒系统的关键技术。主动学习（也称为正则外推）试图基于与系统的基于测试的交互，构建一个与给定目标系统行为匹配的确定性有限自动机。其中，流行的L*算法通过成员查询和等价查询来推断确定性有限自动机（DFAs）。成员查询用于测试某些字符串是否包含在目标系统的语言中，等价查询则用于比较中间构建的假设自动机与目标系统的语言等价性。

L*算法的基本流程如下：
1. 从一个将所有考虑的输入动作序列视为相同的假设自动机开始，即只有一个状态。
2. 基于查询结果对该自动机进行细化，迭代两个主要步骤：
- 使用成员查询细化中间假设自动机，直到达到一定的“一致性”（基于测试的建模）。
- 通过等价查询测试假设自动机与目标系统的等价性（基于模型的测试）。

这个过程会依次产生与所有遇到的查询结果一致的状态最小化确定性（假设）自动机。此外，这种基本模式已扩展到更适合实