ISEL - Eng. Elect. Tel. Comp. - Dissertações de Mestrado
Permanent URI for this collection
Browse
Browsing ISEL - Eng. Elect. Tel. Comp. - Dissertações de Mestrado by Field of Science and Technology (FOS) "Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Aplicações de modelos de linguagem de grande escala na cibersegurançaPublication . Conceição, Tiago Miguel Pestana; Cruz, Nuno Miguel MachadoA crescente complexidade e sofisticação das ameaças no ciberespaço têm impulsionado a procura por soluções inovadoras e eficientes no campo da cibersegurança. Neste contexto, conduziu-se uma investigação com o objetivo de avaliar a viabilidade de Large Language Models (LLMs) no que concerne à automatização da geração de código e configurações no âmbito da cibersegurança. A investigação centrou-se em mecanismos de ciberdefesa e aplicações de educação em cibersegurança, com particular ênfase em soluções de geração de honeypots, malware e exercícios de Capture The Flag (CTF). Foram avaliados sete modelos, incluindo o GPT-4, Gemini Pro e Claude Opus 3. A metodologia de avaliação assentou no desenvolvimento de dois mecanismos de avaliação, sendo o primeiro um novo benchmark Cybersecurity Language Understading (CSLU), baseado no Massive Multitask Language Understanding, constituído por questões de escolha múltipla sobre diversos domínios do conhecimento. As prompts foram concebidas com o intuito de avaliar o estado de conhecimento de cada modelo relativamente aos tópicos supracitados. O segundo mecanismo consistiu na avaliação da consistência, criatividade e adaptabilidade dos modelos referente à geração de artefactos. Os resultados evidenciaram uma notória proeminência referente ao tópico de malware, com quatro destes a alcançarem a pontuação máxima. Por outro lado, o desempenho na tarefa de CTF revelou uma maior variação de resultados. De um modo geral, os modelos GPT- 4, Gemini Pro e Claude 3 Opus demonstraram resultados consistentemente superiores entre os modelos estudados. Num segundo momento, pretendeu-se desenvolver uma ferramenta baseada na web, com o objetivo de fornecer uma prova de conceito dos estudos anterior realizados. A referida ferramenta, recorrendo aos melhores LLMs estudados, permite ao utilizador criar e lançar automaticamente serviços de segurança, como os mencionados honeypots ou exercícios de CTF. De uma perspetiva global, estas descobertas sugerem que a aplicação de LLMs em atividades de cibersegurança pode ser altamente vantajosa.
- Drug recommendation system based on symptoms and user sentiment analysis (DRecSys-SUSA)Publication . Pinto, Ana Sofia Simões; Pato, Matilde Pós-de-Mina; Datia, Nuno Miguel SoaresAbstract The rapid growth of user-generated content on multiple online platforms has opened opportunities for improving decision-making across various domains, including healthcare. This dissertation focuses on the development of our Drug Recommendation System based on usergenerated content (DRecSys-SUSA), designed to assist healthcare professionals and patients by providing personalized drug recommendations and supporting informed decision-making. Our research leverages the UCI ML Drug Review dataset as the foundation for developing an advanced recommendation system. Our solution utilizes a combination of modern AI techniques, including Exploratory Data Analysis (EDA), data pre-processing, sentiment analysis (SA), and text generation using a fine-tuned Large Language Model (LLM). We design and propose a recommendation system framework, within which we implement multiple variants of DRecSys-SUSA using different combinations of AI techniques. Each variant generates medically relevant suggestions to user-specific inputs such as age, symptoms, and current medications. Through an iterative process of implementation and evaluation using an LLM-as-judge methodology with AI-generated real-world scenarios, we identify which AI techniques are most beneficial for providing clinically appropriate and user-friendly drug recommendations. The resulting insights contribute to the advancement of AI-driven healthcare tools by establishing effective approaches for leveraging user-generated content in medical recommendation systems.