FCEIA - Doctorado en Informática - Tesis
URI permanente para esta colección
Examinar
Envíos recientes
Ítem Acceso Abierto Teoría de mejoras con efectos(2023-04) Ceresa, Martín Arnaldo; Jaskelioff, Mauro JavierOptimizar programas es difícil. Al aplicar una transformación a un programa uno debe mostrar que se preserva la semántica del programa, y además, se tiene que asegurar que la transformación es realmente una optimización. El estudio de transformaciones de programas que preserven la semántica de los programas es un área de mucha investigación. Seguimos una línea de trabajo que comienza con la equivalencia observacional de Morris, continúa con la relación de bisimulación aplicativa de Abramsky y el método de Howe, concluyendo finalmente con una línea más reciente donde se agregan efectos algebraicos a la relación de bisimulación aplicativa de Dal Lago, Gavazzo y Levy. Asegurar que una transformación es realmente una optimización, que realmente se mejora el programa, es un camino menos explorado con la teoría de mejoras de Sands como el ejemplo más prominente. En esta tesis, conectamos estos dos caminos obteniendo una teoría de mejoras abstracta basada en la relación de bisimulación aplicativa con efectos extendiendo la relación de mejoras a lenguajes con efectos.Ítem Acceso Abierto Análisis y diseño de procesos de minería de datos astrofísicos sobre catálogos fotométricos múltiple época(2019-03) Cabral, Juan Bautista; Granitto, PabloEl desarrollo de modernos telescopios terrestres y satelitales ha impulsado la realización de grandes relevamientos astronómicos, los cuales a su vez han generando un crecimiento gigantesco en la cantidad y calidad de datos a ser procesados, almacenados y analizados. Ante esta situación las técnicas de minería de datos y aprendizaje automático han empezado a jugar un rol importante en el resumen y presentación de la información para astrónomos. La presente tesis tiene como objetivo la clasificación de fuentes astronómicas y detección de errores observacionales en el moderno relevamiento astronómico Vista Variables in the Via Lactea (VVV), comenzando por introducir conceptos elementales, sobre astronomía, aprendizaje automatizado y minería de datos que serán utilizados frecuentemente durante todo el trabajo. A continuación, se presenta una exposición de los datos del relevamiento astronómico VVV junto con la descripción del pre-procesamiento necesario para la utilización de estas técnicas automáticas; seguido de la presentación del diseño teórico e implementación de dos herramientas necesarias para el procesamiento de datos descriptos en el capítulo anterior. Los dos capítulos siguientes encaran primero la problemática de la clasificación de fuentes astronómicas en general y estrellas variables en particular frente al gran desbalance de observaciones existente en relevamiento; mientras que el segundo se enfoca en la detección automática de errores observacionales dentro los datos relevados. Finalmente, se exponen las conclusiones y se discuten ideas de trabajo a futuro para continuar con las líneas de estudio dentro del VVV, así como futuros relevamientos astronómicos.Ítem Acceso Abierto Detección de vulnerabilidades y análisis de fallos con técnicas de aprendizaje automatizado.(2018-03) Grieco, Gustavo; Grimblat, Guillermo L.; Mounier, LaurentLa gran mayoría de los programas que utilizamos diariamente contienen numerosos errores, los cuales causan desde dificultades menores de uso hasta su terminación anormal y pérdida de información. Desafortunadamente, algunos fallos pueden ser aprovechados para atacar la integridad, confidencialidad o disponibilidad de un sistema. Debido a que ciertos sistemas informáticos cumplen un rol central en la vida moderna, es muy importante no sólo encontrar errores en los programas sino también identificar cuáles pueden resultar en vulnerabilidades que afectan a la seguridad de los mismos. La presente tesis comienza introduciendo conceptos básicos sobre aprendizaje automatizado y seguridad en programas para ser utilizados extensivamente durante la misma. Luego, se presentan varias herramientas y técnicas novedosas para la detección de vulnerabilidades de manera automática. La primera de ellas es QuickFuzz, una herramienta de fuzzing que utiliza la generación de entradas malformadas para producir fallos en programas que procesan varios formatos de archivos complejos. La segunda es XCraft, una herramienta utilizada para la evaluación de fallos de seguridad a gran escala mediante técnicas de caja negra. También se presenta VDiscover, una novedosa herramienta para la identificación de vulnerabilidades a partir de fallos suministrados por el usuario. La misma utiliza varias técnicas de aprendizaje automatizado para estimar la probabilidad de que un fallo pueda esconder una vulnerabilidad que un atacante podría aprovechar fácilmente. Finalmente, se exponen las conclusiones y las ideas futuras para continuar con la investigación y el desarrollo de nuevas técnicas de detección de fallos y vulnerabilidades en programas