Leveraging Flawed Tutorials for Seeding Large-Scale Web Vulnerability Discovery
网络上充满了关于如何完成编程任务的教程式内容。不幸的是,即使是排名靠前的教程也存在严重的安全漏洞,例如跨站脚本(XSS)和SQL注入(SQLi)。假设这些教程会影响真实世界的软件开发,我们假设流行教程中的代码片段可以用于大规模引导漏洞发现。为了验证我们的假设,我们提出了一种半自动化的方法来找到反复出现的漏洞,从一些包含易受攻击的代码片段的顶级教程开始。我们通过对成千上万的开源Web应用程序进行分析来评估我们的方法,以检查源自所选教程的漏洞是否会再次出现。我们的分析框架已经在标准PC上运行,分析了GitHub上托管的64,415个PHP代码库,并发现了117个漏洞,这些漏洞与流行教程中的易受攻击的代码片段具有很强的语法相似性。除了阐明程序员以临时方式重用Web教程代码的轶事信念外,我们的研究还发现了令人不安的证据,即未经充分审查的教程会损害开源项目的安全性。此外,我们的研究结果证明了使用写得很差的教程作为起点进行大规模漏洞发现的可行性。
2017-04-10 cs.CR
Walking Under the Ladder Logic: PLC-VBS, a PLC Control Logic Vulnerability Discovery Tool
网络安全风险评估为了解现有风险提供了一个关键的起点,通过它可以形成适当的缓解策略。当风险被视为威胁、脆弱性和影响的产物时,了解每一个要素都同样重要。这在工业控制系统(ICS)环境中可能是一个挑战,在这些环境中,采用的技术通常不仅是定制的,而且直接与物理世界交互。到目前为止,现有的脆弱性识别侧重于传统的脆弱性类别。虽然这为风险评估人员提供了一个基线了解,并有能力对可能产生的影响进行假设,但这是一个高层次的工作,在一个抽象的层次上运作,在传统的信息系统背景下被视为不完整。本文中提出的工作进一步了解ICS设备漏洞。它提供了一个工具,PLC-VBS,可以帮助识别可编程逻辑控制器(PLC)的漏洞,特别是在用于监视,控制和自动化操作过程的逻辑中。PLC-VBS为风险评估人员提供了一个关于潜在影响的更连贯的画面,如果发现的漏洞被利用;这特别适用于操作过程元素。
2023-01-30 cs.CR
Learning to Locate: GNN-Powered Vulnerability Path Discovery in Open Source Code
针对漏洞根因解释难题,提出 VulPathFinder,用 GNN 识别潜在汇聚点并结合程序切片与图检测器排序漏洞路径,在 SARD 缓冲区溢出基准上优于 SliceLocator 和 GNNExplainer。
2025-07-23 cs.CR
Improving Discovery of Known Software Vulnerability For Enhanced Cybersecurity
针对非标准化CPE字符串导致漏洞检测不匹配的问题,提出多层清理与模糊匹配方法,将检测准确率提升40%。
2024-12-21 cs.CR
Automated Vulnerability Validation and Verification: A Large Language Model Approach
Purdue University(普渡大学)
针对已知漏洞复现缺乏高质量数据集、CVE信息不全的问题,提出基于LLM与RAG的端到端多步骤漏洞验证流水线,可自动化构建容器环境生成利用代码,适配多模型且开源相关产物。
2025-11-13 cs.CR
Toward Validation of Textual Information Retrieval Techniques for Software Weaknesses
本文提出了一个初步的验证常见的文本信息检索技术映射的非结构化软件漏洞信息,以不同的软件弱点。验证是用从Snyk漏洞数据库中跟踪的四个软件存储库编译的数据集进行的。根据结果,所使用的信息检索技术执行不令人满意的正则表达式搜索相比。虽然结果因存储库而异,但初步验证表明,明确引用漏洞和弱点标识符对于具体的漏洞跟踪是更可取的。这种参考允许使用基于关键字的搜索,与信息检索技术相比,基于关键字的搜索目前似乎产生更一致的结果。然而,需要进一步的验证工作来提高技术的精确度。
2018-09-05 cs.CR cs.IR
Agentic Discovery and Validation of Android App Vulnerabilities
提出A2智能体系统,通过漏洞发现与多模态验证两阶段检测Android漏洞,并自动生成PoC,在Ghera基准和真实APK评估中显著提升漏洞发现与零日验证能力。
2025-08-29 cs.CR
The Benefits of Vulnerability Discovery and Bug Bounty Programs: Case Studies of Chromium and Firefox
最近,漏洞赏金计划越来越受欢迎,并成为许多组织安全文化的重要组成部分。漏洞赏金计划使组织能够通过利用外部安全专家群体的各种专业知识(即,臭虫猎人)。尽管如此,量化bug奖励计划的好处仍然难以捉摸,这对管理它们提出了重大挑战。以前的研究侧重于衡量他们的好处,在报告的漏洞的数量或根据报告的漏洞的属性,如严重性或可利用性。然而,除了这些固有的属性,报告的价值还取决于漏洞被内部专家发现和修补它之前被威胁行为者发现的可能性。在本文中,我们提出了一个数据驱动的研究铬和火狐浏览器的可靠性奖励计划。首先,我们估计发现一个漏洞的难度,使用重新发现的概率作为一个新的度量。我们的研究结果表明,漏洞发现和修补通过使威胁行为者难以找到漏洞来提供明显的好处;然而,我们也发现了改进的机会,例如激励漏洞猎人更多地关注开发版本。其次,我们比较了内部与外部发现的漏洞类型以及被威胁行为者利用的漏洞类型。我们观察到外部漏洞猎人,内部安全团队和外部威胁行为者发现的漏洞之间存在显着差异,这表明漏洞奖励计划通过补充内部团队的专业知识提供了重要的好处,但也应该激励外部猎人更多地关注可能被威胁行为者利用的漏洞类型。
2023-02-24 cs.CR
The Discovery, Disclosure, and Investigation of CVE-2024-25825
本文介绍了FydeOS中CVE-2024-25825默认凭据类漏洞的发现、披露及关联国家级行为体的调查过程,指出该漏洞非故意植入可能性高,并提出投毒代码场景下披露方式的新考量。
2025-06-26 cs.CR
No, Your Tools Are Not Enough: It's Time to Bring Agents to the Hunt
Arizona State University(亚利桑那州立大学)
本文提出采用AI智能体开展漏洞挖掘,通过迭代式智能体工作流程,可在Windows驱动、Linux内核等多类程序中通用,助力解决此前的挑战,为自主漏洞挖掘提供新方向。
2026-10-14 cs.CR
LLM-based Vulnerability Discovery through the Lens of Code Metrics
BIFOLD & TU Berlin(柏林大数据与学习中心及柏林工业大学)
该研究通过代码度量视角分析LLMs漏洞发现停滞的原因,发现仅用代码度量训练的分类器即可达到与最先进LLMs相当的性能,并揭示LLMs预测与代码度量间存在强相关及因果效应,据此提出改进研究方向。
2025-09-23 cs.CR cs.LG cs.SE
PoC-Adapt: Semantic-Aware Automated Vulnerability Reproduction with LLM Multi-Agents and Reinforcement Learning-Driven Adaptive Policy
University of Information Technology(信息科技大学);Vietnam National University(越南国立大学)
本文提出PoC-Adapt框架,通过语义运行时验证和自适应策略学习,提升漏洞重现的可靠性并降低生成成本,实验表明其在CWE-Bench-Java和PrimeVul基准上验证可靠性和效率提升显著。
2026-04-09 cs.CR
IvySyn: Automated Vulnerability Discovery in Deep Learning Frameworks
本研究提出首个全自动化深度学习框架内存错误漏洞发现框架IvySyn,通过类型感知模糊测试和高级代码片段合成验证漏洞,测试TensorFlow、PyTorch已发现61个新漏洞、分配39个CVE,效率效果优于过往方法。
2023-04-27 cs.CR
LLMSec-AV: A Vulnerability Taxonomy and LLM-Driven Software Weakness Discovery Framework for Autonomous Vehicles
The University of Alabama(阿拉巴马大学)
提出LLMSec-AV框架,利用含AV安全知识的LLM在Autoware上发现弱点,恢复率达76%,优于传统静态分析器,并引入18类漏洞分类法提升可解释性。
2026-09-10 cs.CR
Antiproof: Synthesizing Vulnerability Detectors and Proofs of Exploitability
UC Berkeley(加州大学伯克利分校)
研究旨在在不过高成本下实现高召回率漏洞发现与可靠自动验证。核心方法是结合神经符号检测器合成与可利用性预言机的反证法系统。主要贡献是在多数据集和系统扫描中表现出色,发现大量未知漏洞并获多个CVE编号。
2026-07-15 cs.CR
Too Afraid to Drive: Systematic Discovery of Semantic DoS Vulnerability in Autonomous Driving Planning under Physical-World Attacks
在高级自动驾驶(AD)系统中,行为规划负责做出高级驾驶决策,例如巡航和停车,因此高度安全。在这项工作中,我们进行了第一次系统的研究语义安全漏洞特定于过于保守的AD行为规划行为,即,那些可能导致失败或显著降低任务性能的任务,这对于自动驾驶服务(如机器人出租车/交付)至关重要。我们称之为语义拒绝服务(DoS)的漏洞,我们设想是最普遍暴露在实际的AD系统,由于保守的倾向,以避免安全事故。为了实现高度的实用性和真实性,我们假设攻击者只能将无害的外部物理对象引入驾驶环境,例如,丢弃在路边的纸板箱为了系统地发现这些漏洞,我们设计了PlanFuzz,这是一种新颖的动态测试方法,可以解决各种特定问题的设计挑战。具体来说,我们提出并确定规划不变量作为新的测试神谕,并设计新的输入生成系统地执行特定问题的限制攻击者引入的物理对象。我们还设计了一种新的行为规划漏洞距离度量,以有效地指导发现。我们评估了PlanFuzz在3个实际的开源AD系统的规划实现,并发现它可以有效地发现9个以前未知的语义拒绝服务漏洞,而没有误报。我们发现我们所有的新设计都是必要的,因为如果没有每个设计,通常会观察到统计上显着的性能下降。我们进一步使用模拟和真实车辆跟踪进行开发案例研究。我们讨论了根本原因和潜在的修复方法。
2022-01-12 cs.CR
Weaponizing Language Models for Cybersecurity Offensive Operations: Automating Vulnerability Assessment Report Validation; A Review Paper
Imam Abdulrahman Bin Faisal University(伊玛目阿卜杜勒拉赫曼·本·费萨尔大学);Universiti Teknologi Malaysia(马来西亚工艺大学);Inteli Dexer
本文综述了利用大型语言模型自动化漏洞评估报告验证的方法,旨在提高验证准确性并减少人工工作量。
2025-05-07 cs.AI cs.CR
OpenAnt: LLM-Powered Vulnerability Discovery Through Code Decomposition, Adversarial Verification, and Dynamic Testing
提出OpenAnt系统,结合静态分析与LLM推理,通过代码分解、对抗性验证和动态测试三阶段流水线,在降低误报率的同时发现未知漏洞。
2026-06-19 cs.CR cs.LG
PrompTrend: Continuous Community-Driven Vulnerability Discovery and Assessment for Large Language Models
University of Manouba(曼努巴大学);University of Jendouba(杰努布大学);LETI Laboratory, University of Sfax(萨克斯大学LETI实验室);DataDoIt(DataDoIt公司);South Mediterranean University(南地中海大学)
针对静态基准难以追踪社区涌现 LLM 漏洞的问题,本文提出 PrompTrend 跨平台持续收集与多维评估框架,基于198个漏洞和九个商业模型揭示心理攻击主导且跨模型迁移有限。
2025-07-25 cs.AI cs.CR
QLPro: Automated Code Vulnerability Discovery via LLM and Static Code Analysis Integration
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院)
QLPro框架通过集成LLM与静态分析工具提升开源项目漏洞检测能力,在JavaTest数据集上比CodeQL多检出17个已知漏洞,并新发现6个未知漏洞(含2个0-day)。
2025-07-19 cs.AI cs.CR cs.SE
Current Challenges of Cyber Threat and Vulnerability Identification Using Public Enumerations
识别网络威胁是安全团队的基本任务之一。目前,可以使用组织成各种格式、枚举和知识库的知识来识别网络威胁。本文研究了当前使用资产枚举和数据识别网络空间中的漏洞和威胁的挑战。虽然枚举在实践中使用,我们指出了几个问题,仍然降低了脆弱性和威胁识别的质量。由于漏洞识别方法是基于网络监控和代理的,因此问题与资产发现、漏洞发现的精度和数据量有关。另一方面,威胁识别利用基于图的、自然语言的、机器学习的和本体论的方法。目前的趋势是提出利用战术,技术和程序而不是低级别的妥协指标的方法,使网络威胁识别更加成熟。通过分析公共枚举和知识库之间的关系,来自威胁、漏洞和资产管理的标准之间的合作也是一个未解决的问题。最后,我们研究了MITRE ATT&CK知识库中使用网络监控捕获数据进行威胁建模的技术的可用性。虽然网络流量不是最常用的数据源,但它允许对MITRE ATT&CK的几乎所有战术进行建模。
2022-06-29 cs.CR
Drishti: AI-Led Human-Directed Vulnerability Auditing for 5G Cores
A*STAR Institute of Advanced Intelligence and Computing(新加坡科技研究局高级智能与计算研究所)
该研究针对5G核心漏洞验证稀缺问题,提出AI主导的Drishti审计框架,经Open5GS和free5GC审计发现三项漏洞,其中一项已申请CVE,一项可致AMF快速OOM终止。
2026-09-01 cs.CR
From Runnable to Verifiable: An Independent Reproducibility Study of LLM/Agent-Driven Vulnerability Validation Artifacts
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
本研究通过预注册可复现性审计,发现LLM/智能体驱动的漏洞验证制品存在标识符不一致、可运行率低、预言机不可靠等问题,提出的审计方案可作为安全可复现性社区的复用模板。
2026-08-11 cs.CR
vEcho: A Paradigm Shift from Vulnerability Verification to Proactive Discovery with Large Language Models
Southeast University(东南大学);Anhui University(安徽大学);Anhui Shenwu Information Technology Co., Ltd.(安徽神武信息技术有限公司)
vEcho利用大语言模型主动发现漏洞,显著提升检测率并降低误报率,同时发现新的0日漏洞。
2026-03-04 cs.CR
Cheap to Hypothesize, Costly to Verify: The Defense Surface of Agentic Vulnerability Discovery
The Hong Kong University of Science and Technology(香港科技大学)
针对自主LLM智能体漏洞发现中的假设-验证不对称性,提出RedHerring方法,通过插入可证明安全的诱饵转移验证资源,在33个项目中减少38.7%-60.4%的真实漏洞发现。
2026-10-20 cs.AI cs.CR
FuzzingBrain V2: A Multi-Agent LLM System for Automated Vulnerability Discovery and Reproduction
Texas A&M University(德克萨斯农工大学)
本文提出FuzzingBrain V2,通过多智能体系统解决LLM在漏洞检测中的三大挑战:自动化分析、精准定位与复杂依赖推理,实现了90%的检测率并发现29个零日漏洞。
2026-05-20 cs.CR cs.SE
COBALT-TLA: A Neuro-Symbolic Verification Loop for Cross-Chain Bridge Vulnerability Discovery
QreativeLab
COBALT-TLA结合LLM与TLA+模型检查器,通过自动REPL循环发现跨链桥漏洞,首次自主识别Optimistic Relay Attack漏洞类。
2026-04-14 cs.CR cs.LO
QRS: A Rule-Synthesizing Neuro-Symbolic Triad for Autonomous Vulnerability Discovery
University of Piraeus(比雷埃夫斯大学);Athena Research Centre(雅典研究中心)
QRS通过神经符号方法生成代码查询,发现超出预定义模式的漏洞,显著降低假阳性,并在低开销下发现高严重性漏洞。
2026-08-21 cs.CR
Zer0n: An AI-Assisted Vulnerability Discovery and Blockchain-Backed Integrity Framework
Parul University(帕鲁大学)
Zer0n通过结合AI与区块链技术,实现高效漏洞检测与完整性保障,达到80%的准确率并保持低开销。
2026-01-11 cs.AI cs.CR cs.SE
Towards Vulnerability Discovery Using Staged Program Analysis
从低级代码中消除漏洞对于保护软件至关重要。静态分析是一种很有前途的发现漏洞的方法,因为它可以为开发人员提供关于他们编写的代码的早期反馈。但是,它提出了多个挑战,其中最重要的是理解是什么使bug可利用并将此信息传达给开发人员。在本文中,我们介绍了一个实用的脆弱性评估框架Melange的设计和实现。Melange执行数据和控制流分析,以诊断潜在的安全漏洞,并输出格式良好的漏洞报告,帮助开发人员了解和修复安全漏洞。基于真实世界的漏洞会在程序的多个部分中表现出来的直觉,Melange执行本地和全局分析。为了扩展到大型项目,全球分析是由需求驱动的。我们的原型检测C和C++代码中的多个漏洞类,包括类型混淆和垃圾内存读取。我们对Melange进行了广泛的评估。我们的案例研究表明,Melange可以扩展到Chromium等大型代码库,易于使用,最重要的是,能够发现真实代码中的漏洞。我们的研究结果表明,静态分析是一个可行的加强软件测试工具集。
2016-04-06 cs.CR cs.PL
Where Do the Tokens Go? Understanding and Reducing Costs in LLM Agents for Vulnerability Discovery
Huazhong University of Science and Technology(华中科技大学)
该研究针对LLM智能体漏洞发现中Token消耗高却难出成果的问题,通过分析200条CyberGym轨迹揭示瓶颈,提出AVRI接口,可降低Codex和OpenCode的Token消耗并保持性能。
2026-10-09 cs.CR cs.SE
Co-RedTeam: Orchestrated Security Discovery and Exploitation with LLM Agents
Google(谷歌);Google Cloud AI Research(谷歌云人工智能研究);Michigan State University(密歇根州立大学)
Co-RedTeam通过整合安全知识、代码分析和执行反馈,提升漏洞发现与利用的自动化水平,实现超过60%的漏洞利用成功率。
2026-02-03 cs.CR cs.LG
Guiding Symbolic Execution with Static Analysis and LLMs for Vulnerability Discovery
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
SAILOR结合静态分析与LLM合成自动构建符号执行Harness,通过三个阶段发现内存安全漏洞,实验表明其在大规模代码库中显著提升漏洞检测效率。
2026-04-07 cs.CR cs.SE
RuleForge: Automated Generation and Validation for Web Vulnerability Detection at Scale
Johns Hopkins University(约翰霍普金斯大学);Amazon Web Services(亚马逊云服务)
RuleForge通过自动化生成基于JSON的检测规则,结合LLM作为判断系统和反馈机制,提升漏洞检测的准确性和效率,减少误报。
2026-04-02 cs.AI cs.CL cs.CR
Chai: Agentic Discovery of Cryptographic Misuse Vulnerabilities
UC Berkeley(加州大学伯克利分校)
提出Chai系统,利用AI改进差分测试,从库级缺陷出发沿依赖图传播,发现并验证加密误用漏洞,在X.509、JWT、SAML库中发现超100个漏洞。
2026-06-26 cs.AI cs.CR
VCAO: Verifier-Centered Agentic Orchestration for Strategic OS Vulnerability Discovery
VCAO通过博弈论方法优化操作系统漏洞发现,利用多代理系统在资源约束下实现高效漏洞检测,相比传统方法提升漏洞发现效率并降低误报率。
2026-04-09 cs.CR cs.GT cs.OS
Synthesizing Multi-Agent Harnesses for Vulnerability Discovery
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Fuzzland;University of California, San Diego(加州大学圣迭戈分校);World Liberty Financial
AgentFlow通过类型化图DSL和反馈驱动循环,提升多智能体框架效率,发现Chrome中十个未知零日漏洞。
2026-04-22 cs.CR
Unsupervised Binary Code Translation with Application to Code Similarity Detection and Vulnerability Discovery
本文提出将神经机器翻译技术用于跨架构二进制代码翻译,实现低资源ISA到高资源ISA的转换,并通过UNSUPERBINTRANS模型在代码相似性检测和漏洞发现任务中取得高准确率。
2024-04-29 cs.CR cs.SE
NeuroLog: Reasoning You Can Audit -- Neuro-Symbolic Vulnerability Discovery via LLM Facts, Datalog, and SMT
Independent Researcher(独立研究者)
提出NeuroLog流水线,结合LLM提取事实、Souffle规则组合和Z3后处理,实现无需构建的漏洞发现,并在多个真实项目中重新发现CVE级漏洞。
2026-10-12 cs.CR
Validating Threat Modeling Results with the Help of Vulnerable Test Applications
Blekinge Institute of Technology(布莱金厄理工学院);Ericsson(爱立信)
本文提出利用已知漏洞的测试应用作为基准,通过比较LLM辅助工具ThreMoLIA与微软威胁建模工具MTMT在AzureGoat和VulnBank上的漏洞覆盖率,验证威胁建模结果的有效性。
2026-05-22 cs.CR
MobileCybench: Evaluating Agent Vulnerability Discovery via Executable Probes
Stanford University(斯坦福大学);UC Berkeley(加州大学伯克利分校)
提出MobileCybench基准,用可执行探针评估AI智能体在Android应用中的漏洞发现能力,实验表明顶级智能体在恶意应用场景下触发率53.8%,并发现23个新漏洞。
2026-09-22 cs.AI cs.CR cs.LG
TestREx: a Framework for Repeatable Exploits
Web应用程序是许多众所周知的攻击的目标,也是发现安全漏洞的肥沃土壤。然而,攻击的成功取决于应用程序源代码中的漏洞以及应用程序部署和运行的环境。由于执行环境复杂(应用服务器、数据库和其他支持应用程序),我们需要一个可靠的框架来测试已知的漏洞是否可以在不同的设置中重现,更好地了解它们的影响,并促进发现新的漏洞。在本文中,我们提出了TestREx -一个框架,允许高度自动化,易于重复的利用测试在各种情况下,使安全测试人员可以快速,有效地执行大规模的实验与漏洞利用。它支持打包和运行应用程序及其环境,注入漏洞,监控其成功,并生成安全报告。我们还提供了一个语料库的示例应用程序,从相关的作品或我们实现。
2017-09-10 cs.CR
Featherweight Assisted Vulnerability Discovery
Loyola University Maryland(马里兰洛约拉大学);Simula Research Laboratory(西穆拉研究实验室)
预测易受攻击的源代码有助于将注意力集中在需要更仔细检查的代码部分。最近的工作提出了使用函数名称作为语义线索,可以通过深度神经网络(DNN)学习,以帮助寻找函数的脆弱性。结合标识符分裂,每个函数名称分为其组成的话,与一种新的基于频率的算法,我们探讨在何种程度上构成一个函数的名称的话可以预测潜在的脆弱功能。与只考虑函数名称的DNN的 * 轻量级 * 预测相反,避免使用DNN提供了 * 轻量级 * 预测。其基本思想是,包含某些“危险”单词的函数名更有可能伴随着易受攻击的函数。当然,这是假设基于频率的算法可以适当地调整,以专注于真正危险的单词。因为它比DNN更透明,所以基于频率的算法使我们能够研究DNN的内部工作原理。如果成功的话,对DNN做什么和不做什么的调查将有助于我们训练更有效的未来模型。我们经验评估我们的方法在异构数据集上包含超过73000个功能标记为脆弱,超过950000个功能标记为良性。我们的分析表明,单词本身就占了DNN分类能力的很大一部分。我们还发现,在具有更均匀词汇的数据集中,单词具有最大的价值。因此,当在给定项目的范围内工作时,词汇表是一致的,我们的方法提供了一种更便宜的,潜在的互补技术,以帮助寻找源代码漏洞。最后,这种方法具有的优点是,它是可行的数量级较少的训练数据。
2022-02-06 cs.CR cs.LG cs.SE
RAT: Reinforcement-Learning-Driven and Adaptive Testing for Vulnerability Discovery in Web Application Firewalls
Shahrood University of Technology(沙赫鲁德工业大学)
针对现有WAF黑盒漏洞测试效率低的问题,提出结合强化学习与自适应搜索的RAT方法,通过攻击样本聚类高效发现绕过模式,在绕过载荷发现数量和首枚载荷发现效率上均显著优于现有最优方法。
2023-12-13 cs.AI cs.CR cs.IR
EntailLLM: Verifying Agent-Generated Vulnerability Discovery Paths with Domain Knowledge via Logic Programming
Syracuse University(雪城大学);HRL Laboratories(HRL实验室)
EntailLLM通过逻辑编程结合领域知识验证LLM生成的漏洞发现路径,在三类CWE、四个LLM等多组实验中,将合并蕴含率从78%提升至98%,可端到端部署且无需逐设备调优。
2026-10-27 cs.AI cs.CR cs.LO
VIVID: A Novel Approach to Remediation Prioritization in Static Application Security Testing (SAST)
VIVID通过将SAST漏洞数据流构建为有向图并应用图论指标分析,自动识别高漏洞流量文件,为开发团队提供基于证据的修复优先级列表。
2025-05-22 cs.CR
LLM-HyPZ: Hardware Vulnerability Discovery using an LLM-Assisted Hybrid Platform for Zero-Shot Knowledge Extraction and Refinement
Department of Electrical and Computer Engineering, University of Arizona, Tucson, AZ, USA(电气与计算机工程系,亚利桑那大学);Department of Systems and Industrial Engineering, University of Arizona, Tucson, AZ, USA(系统与工业工程系,亚利桑那大学);College of Information Science, University of Arizona, Tucson, AZ, USA(信息科学学院,亚利桑那大学);School of Electrical Engineering and Computer Science, University of North Dakota, Grand Forks, ND, USA(电气工程与计算机科学学院,北达科他大学);Department of Computer Science, University of California Davis, CA, USA(计算机科学系,加州大学戴维斯分校)
针对硬件漏洞分析缺乏数据驱动方法的问题,提出LLM辅助的混合框架LLM-HyPZ,可零样本提取细化硬件漏洞知识,在CVE语料中识别出千余条硬件漏洞,准确率达99.5%,还助力MITRE CWE 2025硬件弱点更新,减轻专家工作量。
2025-08-31 cs.AI cs.CR
TitanCA: Lessons from Orchestrating LLM Agents to Discover 100+ CVEs
Monash University(莫纳什大学);Singapore Management University(新加坡管理大学);The University of Sydney(悉尼大学);GovTech, Singapore(新加坡政府科技局)
本文介绍TitanCA,一种通过编排多个LLM代理进行漏洞发现的流水线,已在开源软件中发现203个零日漏洞并产生118个CVE。
2026-08-25 cs.CR
DCDetector: An IoT terminal vulnerability mining system based on distributed deep ensemble learning under source code representation
物联网系统基础设施平台设施漏洞攻击已成为网络安全攻击的主战场。传统的漏洞挖掘方法大多依赖于漏洞检测工具来实现漏洞发现。但由于工具的可扩展性和文件大小的限制,其可扩展性相对较低,无法应用于大规模的电力大数据领域。目的:智能检测C/C++等高级语言源代码中的漏洞。这使我们能够提出一种与敏感的源代码片段相关的代码表示,并通过设计分布式深度集成学习模型来检测漏洞。方法:针对大规模数据脆弱性挖掘问题,提出了一种新的并行集成学习定向脆弱性挖掘方法。通过提取敏感函数和敏感语句,形成了易受攻击代码的敏感语句库。粒度更高的AST流式漏洞代码切片通过随机采样模块对源代码进行doc 2 vec语句向量化,通过Bi-LSTM训练器分布式训练得到不同的分类结果,并通过投票得到最终分类结果。结果:该方法设计并实现了分布式深度集成学习系统软件漏洞挖掘系统DCDetector。它可以利用代码的语法信息做出准确的预测,是分析大规模漏洞数据的有效方法。结论:实验表明,该方法可以降低传统静态分析的误报率,提高机器学习的性能和准确率。
2022-12-03 cs.AI cs.CR
On The Effectiveness of Kolmogorov Complexity Estimation to Discriminate Semantic Types
我们提出了一个基本的和普遍适用的漏洞分析框架,能够识别攻击者创新攻击之前的新类型的漏洞的实验验证的进展。这个新框架根据Kolmogorov复杂性估计主动识别易受攻击的系统组件,并有助于预测可能被未来攻击方法利用的以前未知的漏洞。一个工具,利用不断增长的库的复杂性估计。这项工作是朝着验证基于复杂性的脆弱性分析概念迈出的一个渐进步骤。特别是,结果表明,数据类型(语义类型),可以确定其复杂性的估计。因此,复杂度映射可以识别可疑类型,诸如嵌入被动数据类型内的可执行数据,而无需求助于预定义的报头、签名或其他限制性先验信息。
2005-12-22 cs.CR cs.NI
CyberGym-E2E: Scalable Real-World Benchmark for AI Agents' End-to-End Cybersecurity Capabilities
Stanford University(斯坦福大学);UC Berkeley(加州大学伯克利分校)
提出CyberGym-E2E,一个大规模、真实的端到端网络安全基准,通过自动化流水线将开源漏洞数据转化为评估环境,全面评估AI代理在漏洞发现、PoC生成和补丁生成全生命周期中的能力。
2026-07-21 cs.AI cs.CR cs.LG
Will AI Make Cyber Swords or Shields: A few mathematical models of technological progress
Center for Security and Emerging Technology(安全与新兴技术中心);Georgetown University(乔治城大学)
我们的目标是通过考虑网络钓鱼,漏洞发现以及修补和利用之间的动态关系,展示数学模型在网络安全技术进步政策辩论中的价值。然后,我们调整这些数学模型的输入,以匹配其基础技术的一些可能的进步。我们发现,人工智能对网络钓鱼的影响可能被高估,但可能导致更多的攻击未被发现。漏洞发现的进步有可能帮助攻击者而不是防御者。编写漏洞的自动化比编写补丁的自动化对攻击者更有用,尽管帮助更快地部署补丁的进步可能比任何一种都更有影响力。
2022-07-27 cs.AI cs.CR cs.CY
CVEfixes: Automated Collection of Vulnerabilities and Their Fixes from Open-Source Software
Simula Research Laboratory(西莫拉研究实验室)
对源代码中安全漏洞的自动发现和修复进行数据驱动的研究需要真实易受攻击的代码及其修复的全面数据集。为了帮助这样的研究,我们提出了一种方法来自动收集和策划一个全面的漏洞数据集,从公共的国家漏洞数据库(NVD)中的常见漏洞和暴露(CVE)记录。我们在一个完全自动化的数据集收集工具中实现了我们的方法,并分享了名为CVEfixes的漏洞数据集的初始版本。CVEfixes收集工具自动从NVD获取所有可用的CVE记录,从相关的开源存储库收集易受攻击的代码和相应的修复程序,并将收集到的信息组织到关系数据库中。此外,数据集还包含了诸如程序设计语言等元数据,以及五个抽象级别的详细代码和安全度量。该集合可以很容易地重复,以保持最新的新发现或修补的漏洞。CVE修复的初始版本涵盖了截至2021年6月9日的所有已发布的CVE,涵盖了1754个开源项目的5365条CVE记录,这些项目在总共5495次漏洞修复提交中得到了解决。CVEfixes支持各种类型的数据驱动的软件安全研究,例如漏洞预测,漏洞分类,漏洞严重性预测,分析与安全性相关的代码更改以及自动漏洞修复。
2021-07-19 cs.AI cs.CR cs.LG
ICSPatch: Automated Vulnerability Localization and Non-Intrusive Hotpatching in Industrial Control Systems using Data Dependence Graphs
在操作技术(OT)和信息技术(IT)设备之间实现广泛的相互通信的范式转变允许IT世界的典型漏洞传播到OT端。因此,过去通过空气间隙提供的安全层被移除,使得OT设备的安全补丁成为硬性要求。传统的修补涉及设备重新启动以将修补后的代码加载到主存储器中,这不适用于由于停机而控制关键进程的OT设备,从而需要在存储器中修补漏洞。此外,这些控制二进制文件通常由内部专有编译器编译,进一步阻碍了修补过程,并依赖OT供应商快速发现漏洞和开发补丁。当前最先进的热修补方法仅关注固件和/或RTOS。因此,在这项工作中,我们开发ICSPatch,一个框架,自动控制逻辑漏洞本地化使用数据依赖图(DDG)。在DDG的帮助下,ICSPatch精确定位了控制应用程序中的漏洞。作为独立的第二步,ICSPatch可以直接在可编程逻辑控制器的主存储器中非侵入性地修补控制应用程序中的漏洞,同时保持可靠的连续运行。为了评估我们的框架,我们在来自不同关键基础设施部门的24个易受攻击的控制应用程序二进制文件的合成数据集上测试ICSPatch。结果表明,ICSPatch能够成功定位所有漏洞并生成相应的补丁。此外,该补丁在执行周期中增加了可忽略不计的延迟,同时保持了正确性和对漏洞的保护。
2022-12-08 cs.CR cs.SY eess.SY