Evaluation of Static Vulnerability Detection Tools with Java Cryptographic API Benchmarks
几项研究表明,加密API的误用在现实世界的代码中很常见(例如,Apache项目和Android应用程序)。有几个开源和商业安全工具可以自动筛选Java程序以检测滥用。为了比较它们的准确性和安全性保证,我们开发了两个综合基准,名为CryptoAPI-Bench和ApacheCryptoAPI-Bench。CryptoAPI-Bench由181个单元测试用例组成,涵盖基本用例,以及复杂用例,包括过程间、字段敏感、多类测试用例,以及误用用例的路径敏感数据流。该基准还包括测试假阳性率的正确案例。ApacheCryptoAPI-Bench由来自10个Apache项目的121个加密案例组成。我们使用这两个基准测试评估了四个工具,即SpotBugs,CryptoGuard,CrySL和Coverity。我们介绍了它们的性能和比较分析。ApacheCryptoAPI-Bench还检查了工具的可扩展性。我们的基准对于在误用检测领域推进最先进的解决方案非常有用。
2021-12-07 cs.CR
Evaluation of Static Analysis on Web Applications
Web服务正在成为业务关键组件,通常部署有可能被恶意利用的关键软件错误。Web漏洞扫描器允许通过从攻击者的角度强调服务来检测Web服务中的安全漏洞。然而,研究和实践表明,不同的扫描程序在漏洞检测方面的表现是不同的。本文提出了一个定性的评估Web应用程序中发现的安全漏洞。一些著名的漏洞扫描器已被用于识别Web服务实现中的安全漏洞。已经观察到许多漏洞,这证实了许多服务是在没有进行适当的安全测试的情况下部署的。此外,在回顾和考虑了几篇文章后,检测到的漏洞的差异和观察到的大量误报突出了Web漏洞扫描器在检测Web服务中的安全漏洞方面的局限性。此外,这项工作将讨论的静态分析方法,发现安全漏洞的Web应用程序,并补充它与成熟的研究成果或解决方案。这些漏洞包括破坏的访问控制、跨站点脚本、SQL注入、缓冲区溢出、不受限制的文件上传、破坏的身份验证等。Web应用程序正在成为企业的关键任务组件,可能存在黑客可以恶意利用的多个软件漏洞。少数漏洞扫描器已被用于检测Web服务应用程序中的安全漏洞,并发现了许多漏洞,从而证实了许多在线应用程序在没有进行充分安全测试的情况下启动。
2022-12-13 cs.CR
UEFI Vulnerability Signature Generation using Static and Symbolic Analysis
本文提出STASE技术,结合静态分析与符号执行,自动生成UEFI漏洞签名,检测出5个PixieFail漏洞和13个新漏洞,提升精确性与可扩展性。
2024-07-17 cs.CR cs.SE
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
Wasmati: An Efficient Static Vulnerability Scanner for WebAssembly
WebAssembly是一种新的二进制指令格式,允许浏览器的JavaScript引擎以接近本机的速度执行用高级语言编写的目标编译代码。然而,考虑到WebAssembly二进制文件可以从不安全的语言(如C/C++)编译,经典的代码漏洞(如缓冲区溢出或格式字符串)可以从原始程序转移到交叉编译的二进制文件中。因此,在WebAssembly模块中集成漏洞的可能性扩大了现代Web应用程序的攻击面。本文介绍了Wasmati,一个静态分析工具,用于发现WebAssembly二进制文件中的安全漏洞。它基于代码属性图(CPG)的生成,CPG是一种以前用于检测各种语言漏洞的程序表示,但迄今为止尚未应用于WebAssembly。我们形式化的定义CPG的WebAssembly,介绍技术来生成复杂的WebAssembly的CPG,并提出了四种不同的查询规约语言通过遍历程序的CPG发现漏洞。我们实现了十个查询,捕获不同的漏洞类型,并在四个异构数据集上广泛测试了Wasmati。我们表明,Wasmati可以为大型现实世界的应用程序扩展CPG的生成,并可以有效地找到我们所有的查询类型的漏洞。我们还在野外收集的WebAssembly二进制文件上测试了我们的工具,并确定了几个潜在的漏洞,其中一些我们已经手动确认存在,除非封闭的应用程序正确地清理了与这些受影响的二进制文件的交互。
2022-04-26 cs.CR
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
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
Reentrancy Vulnerability Identification in Ethereum Smart Contracts
以太坊智能合约使用区块链在没有中央代理的网络上的对等体之间传输价值。这些程序部署在区块链共识协议之上运行的去中心化应用程序上,使人们能够在透明和无冲突的环境中达成协议。这些智能合约中的安全漏洞对应用程序构成了潜在威胁,并给用户造成了巨大的经济损失。在本文中,我们提出了一个结合静态和动态分析来检测以太坊智能合约中的可重入漏洞的框架。该框架基于测试中智能合约的ABI规范生成攻击者合约,并分析合约交互以精确报告可重入漏洞。我们对Etherscan的5个修改后的智能合约进行了初步评估,我们的框架能够检测到所有修改后的合约中的重入漏洞。我们的框架静态分析智能合约以识别潜在的脆弱功能,然后使用动态分析来精确确认可重入漏洞,从而提高性能并减少误报。
2021-05-06 cs.CR
Static Detection of Filesystem Vulnerabilities in Android Systems
针对Android系统文件系统漏洞检测难题,提出结合静态程序分析与访问控制策略分析的PathSentinel工具,可检测三类漏洞,还借助LLM生成漏洞利用代码简化验证,实验发现51个未知漏洞且误报率极低。
2024-07-15 cs.CR
Multi-Agent Taint Specification Extraction for Vulnerability Detection
North Carolina State University(北卡罗来纳州立大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Boston University(波士顿大学)
SemTaint通过结合LLM语义理解和传统静态分析,提取定制化的污点规范以提升漏洞检测效果
2026-01-15 cs.CR cs.SE
Reinforcement Learning for Software Vulnerability Analysis: A Systematic Review with Emphasis on C/C++ Source Code and Static Analysis
系统综述强化学习在C/C++软件漏洞分析中的应用,发现15项研究聚焦于模糊测试和引导探索,仅3项直接检测漏洞,1项实现语句级定位,且静态结构表示(如CFG)和基准测试存在不足。
2026-06-24 cs.AI cs.CR cs.LG
LuaTaint: A Static Analysis System for Web Configuration Interface Vulnerability of Internet of Things Devices
针对物联网设备Web配置界面漏洞,提出结合静态污点分析与LLM的自动化检测系统LuaTaint,利用LLM修剪误报,在2447个固件样本中发现111个漏洞,检测精度达89.29%。
2024-11-04 cs.CR cs.SE
SmartScan: An approach to detect Denial of Service Vulnerability in Ethereum Smart Contracts
区块链技术(BT)以太坊智能合约允许可编程交易,这些交易涉及独立于中央授权机构的BT网络上的同行之间的货币资产转移。以太坊智能合约是部署为去中心化应用程序的程序,具有区块链共识协议的构建块。这项技术使消费者能够在透明和无冲突的环境中达成协议。然而,这些智能合约中的安全漏洞对应用程序及其消费者构成了潜在威胁,并在过去造成了巨大的经济损失。在本文中,我们提出了一个框架,结合静态和动态分析来检测由于以太坊智能合约中的意外恢复而导致的拒绝服务(DoS)漏洞。我们的框架SmartScan静态扫描测试中的智能合约(SCUT),以识别这些SCUT中可能存在漏洞的模式,然后使用动态分析来精确确认其对DoS-Unexpected Revert漏洞的利用,从而实现更高的性能和更精确的结果。我们在从Etherscan收集的500个智能合约上评估了SmartScan。与现有的最先进的技术相比,我们的方法在精确度和召回率方面有所提高。
2021-05-20 cs.CR
Can LLM Prompting Serve as a Proxy for Static Analysis in Vulnerability Detection
Columbia University(哥伦比亚大学);Amherst College(阿默斯特学院)
本研究探讨在部分代码设置下,LLM提示能否替代静态分析进行漏洞检测,提出结合自然语言指令与对比思维链的提示策略,利用DeepSeek-R1等模型显著提升了准确率与F1分数并降低了假阴性率。
2025-09-11 cs.AI cs.CL cs.CR
VERCATION: Precise Vulnerable Open-source Software Version Identification based on Static Analysis and LLM
本文提出VERCATION方法,结合程序切片与LLM识别漏洞相关代码,通过回溯历史提交并基于扩展规范化AST的代码克隆检测定位引入漏洞的提交,在识别C/C++开源软件易受攻击版本任务上F1达93.1%,并发现NVD报告中202个错误版本。
2025-08-14 cs.CR cs.SE
Automatic Web Security Unit Testing: XSS Vulnerability Detection
将安全测试集成到软件开发人员的工作流程中,不仅可以节省单独安全测试的资源,还可以通过在开发周期的早期检测来降低修复安全漏洞的成本。我们提出了一种自动测试方法来检测一种常见的跨站点脚本(XSS)漏洞所造成的不受信任的数据的不正确编码。我们自动提取在Web应用程序中使用的编码函数来清理不可信的输入,然后通过自动生成XSS攻击字符串来评估其有效性。我们的评估表明,这种技术可以检测到0天的XSS漏洞,不能发现的静态分析工具。我们还将证明我们的方法可以有效地覆盖常见类型的XSS漏洞。这种方法可以推广到针对其他类型注入(如命令行注入)的输入验证测试。
2018-04-02 cs.CR
CauSec: Unboxing the Causal Drivers of Static Vulnerability Analysis Performance
William & Mary(威廉与玛丽学院)
本研究提出CAUSEC因果分析框架,通过对57个SAST假设的定性分析及在4款工具上的测试,揭示SAST性能与假设间的因果关系,为未来研究提供3个要点。
2026-08-26 cs.CR
CrossInspector: A Static Analysis Approach for Cross-Contract Vulnerability Detection
本文提出 CrossInspector 框架,通过 Transformer 恢复语义信息并构建状态依赖图进行细粒度静态分析,有效检测智能合约字节码层面的跨合约漏洞,在精确率、召回率和检测时间上均优于现有工具。
2024-08-27 cs.CR cs.SE
Poster: Machine Learning for Vulnerability Detection as Target Oracle in Automated Fuzz Driver Generation
提出一种自动化模糊测试驱动生成工作流,利用机器学习漏洞检测模型作为目标预言机识别潜在漏洞函数,并自动生成驱动进行模糊测试以验证漏洞,在 libgd 现有漏洞上展示了该方法。
2025-05-02 cs.CR
Enhancing Code Vulnerability Detection via Vulnerability-Preserving Data Augmentation
针对现有代码漏洞检测忽略漏洞多样性、数据稀缺导致泛化差的问题,提出细粒度检测器FGVulDet,结合多分类器、边感知GGNN与保留漏洞特征的数据增强技术,在五类漏洞数据集上验证了有效性。
2024-04-15 cs.CR
MVD: Memory-Related Vulnerability Detection Based on Flow-Sensitive Graph Neural Networks
与内存相关的漏洞对现代软件的安全构成了严重威胁。尽管基于深度学习的通用漏洞检测方法取得了成功,但在应用于检测内存相关漏洞时,它们仍然受到流信息利用不足的限制,导致高误报。本文提出了一种基于流敏感图神经网络(FS-GNN)的语句级内存相关漏洞检测方法MVD。采用FS-GNN来联合嵌入非结构化信息(即,源代码)和结构化信息(即,控制流和数据流)来捕获隐式存储器相关的漏洞模式。我们在包含4,353个真实内存相关漏洞的数据集上评估MVD,并将我们的方法与三种最先进的基于深度学习的方法以及五种流行的基于静态分析的内存检测器进行比较。实验结果表明,MVD具有更好的检测精度,优于基于DL和基于静态分析的方法。此外,MVD在准确性和效率之间做出了很大的权衡。
2022-03-05 cs.CR cs.SE
LLM-Driven SAST-Genius: A Hybrid Static Analysis Framework for Comprehensive and Actionable Security
Google(谷歌);Virelya Intelligence Research Labs(Virelya智能研究实验室)
本报告提出SAST-Genius混合框架,结合LLM与SAST技术改进漏洞发现,通过上下文集成与漏洞利用生成提升分流与验证能力,将误报率降低约91%。
2025-11-04 cs.CR
Static Security Vulnerability Scanning of Proprietary and Open-Source Software: An Adaptable Process with Variants and Results
Ritsumeikan University(立命馆大学)
本文提出一种经行业验证的端到端静态安全漏洞扫描流程,支持专有与开源软件的定制化配置和迭代执行,并结合 DevSecOps 工具与 AI 增强,以降低源代码漏洞和供应链风险。
2025-09-21 cs.CR cs.SE
Combining Graph Neural Networks with Expert Knowledge for Smart Contract Vulnerability Detection
Zhejiang Gongshang University(浙江工商大学);Zhejiang University(浙江大学);National University of Singapore(新加坡国立大学);Southern University of Science and Technology(南方科技大学);Zhejiang Lab(之江实验室)
由于黑客攻击造成的巨大损失,智能合约漏洞检测近年来受到广泛关注。现有的合同安全分析工作严重依赖于专家定义的严格规则,这些规则是劳动密集型的,不可扩展的。更重要的是,专家定义的规则往往容易出错,并且存在被狡猾的攻击者欺骗的固有风险。最近的研究集中在用于漏洞检测的智能合约的符号执行和形式化分析上,尚未实现精确和可扩展的解决方案。尽管已经提出了几种方法来检测智能合约中的漏洞,但仍然缺乏考虑将专家定义的安全模式与深度神经网络相结合的努力。在本文中,我们探索使用图神经网络和专家知识的智能合约漏洞检测。具体地说,我们将源代码的丰富的控制流和数据流语义转换为契约图。为了突出图中的关键节点,我们进一步设计了一个节点消除阶段来规范化图。然后,我们提出了一种新的时间消息传播网络提取的图形特征的规范化图,并结合设计的专家模式,产生一个最终的检测系统的图形特征。对所有在以太坊和VNT Chain平台上具有源代码的智能合约进行了广泛的实验。实验结果表明,在三种类型的漏洞,我们的方法的检测准确率达到89.15%,89.02%,和83.21%的可重入性,时间戳依赖性和无限循环漏洞,分别为国家的最先进的方法显着的准确性提高。
2021-07-24 cs.CR cs.LG cs.PL
Generative Large Language Model usage in Smart Contract Vulnerability Detection
本文系统审查了基于LLM的智能合约漏洞检测工具,与传统工具Slither和Mythril对比,发现现有LLM工具尚未能替代传统方法,建议采用混合方法和定向预训练改进。
2025-04-07 cs.CR
SecureFixAgent: A Hybrid LLM Agent for Automated Python Static Vulnerability Repair
Computer Science Department(计算机科学系);Applied Economics Department(应用经济学系)
SecureFixAgent 将 Bandit 静态分析与轻量级本地 LLM 结合,通过迭代检测-修复-验证循环和 LoRA 微调,实现低误报、高精度的自动化 Python 漏洞修复。
2025-09-18 cs.AI cs.CR cs.SE
VulnScout-C: A Lightweight Transformer for C Code Vulnerability Detection
Ecole Polytechnique de Tunisie(突尼斯理工学院);Khalifa University(哈利法大学);University of Groningen(格罗宁根大学);Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学)
本文提出VulnScout-C,一种轻量级Transformer模型,用于C代码漏洞检测,同时构建了VulnScout数据集,实验表明其在检测性能上优于现有方法,且具有更低的推理成本。
2026-03-30 cs.CR
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
Argus: Reorchestrating Static Analysis via a Multi-Agent Ensemble for Full-Chain Security Vulnerability Detection
The Hong Kong Polytechnic University(香港理工大学);HKUST(香港科技大学);SF Express(顺丰速运);Great Bay University(大湾区大学)
Argus通过多智能体框架提升静态分析效率,结合RAG和ReAct技术减少漏洞误报,发现更多真实漏洞并降低运营成本。
2026-04-08 cs.CL cs.CR cs.SE
TaintRadar: Semantic-Aware Taint-Style Vulnerability Detection via Augmented Code Property Graphs
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校)
研究针对静态漏洞分析的局限,提出TaintRadar方法,通过增强代码属性图的三个语义分析层改进污点分析,在合成基准和实际系统评估中减少误报、提高准确率,重新发现多数已知CVE并找出多个零日漏洞,提升了静态污点分析的多方面性能。
2026-07-21 cs.CR
SIExVulTS: Sensitive Information Exposure Vulnerability Detection System using Transformer Models and Static Analysis
Department of Information and Computer Sciences(信息与计算机科学系);University of Hawaii at Manoa(夏威夷大学马诺阿分校)
本文提出SIExVulTS系统,通过结合Transformer模型与静态分析的三阶段架构检测Java应用中的CWE-200敏感信息暴露漏洞,显著提升检测精度并发现多个真实CVE。
2025-08-26 cs.AI cs.CR
ConsiDroid: A Concolic-based Tool for Detecting SQL Injection Vulnerability in Android Apps
在本文中,我们提出了一个concolic执行技术,用于检测Android应用程序中的SQL注入漏洞,我们称之为ConsiDroid的新工具。我们使用mocking技术扩展应用程序的源代码,这样原始源代码的执行不受影响。扩展的源代码可以被视为Java应用程序,并且可以由SPF以concolic执行来执行。我们自动地从静态分析中生成一个DummyMain类,以便按顺序调用基本函数,并触发导致易受攻击函数的事件。我们在ConsiDroid中使用污点分析扩展SPF。为了使污点分析成为可能,我们引入了一种新的符号模拟类技术,以减轻污染值在代码中的传播。SQL注入漏洞是通过接收易受攻击的函数的污染值来检测的。此外,ConsiDroid还利用静态分析来调整SPF,以便只检查可疑路径。为了说明ConsiDroid的适用性,我们从F-Droid存储库中随机选择了140个应用程序。从这些应用程序中,我们发现了三个容易受到SQL注入攻击的应用程序。为了验证它们的漏洞,我们使用Robolectric根据ConsiDroid的报告手动分析了这些应用程序。
2019-08-08 cs.CR cs.SE
MPro: Combining Static and Symbolic Analysis for Scalable Testing of Smart Contract
智能合约是一种可执行程序,可以在多个实体之间建立可编程的信任机制,而无需可信的第三方。在过去的几年里,研究人员开发了几种安全扫描仪。然而,这些分析器中的许多分析器要么不能很好地扩展,要么即使扩展,也会产生许多误报。当bug仅在与被测契约的函数进行一系列交互之后才被触发时,这个问题会变得更加严重。深度n漏洞,指的是需要调用特定序列的n个函数来触发的漏洞。深度n漏洞通过现有的自动化分析仪检测是耗时的,因为可以在智能合约上执行的功能序列的组合爆炸。在本文中,我们提出了一种技术,分析深度-n漏洞,在一个有效的和可扩展的方式结合符号执行和数据依赖分析。将符号分析与静态分析相结合的一个显著优点是,它比单独使用符号分析更好地扩展,并且不存在静态分析工具通常存在的误报问题。我们已经在一个名为MPro的工具中实现了我们的技术,这是一个可扩展的自动化智能合约分析器,基于现有的符号分析工具Mythril-Classic和静态分析工具Slither。我们分析了MPro上随机选择的100个智能合约,我们的评估表明,MPro在检测深度n漏洞方面比Mythril-Classic快n倍,同时保留了Mythril-Classic的所有检测功能。
2020-12-14 cs.CR
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
Eth2Vec: Learning Contract-Wide Code Representations for Vulnerability Detection on Ethereum Smart Contracts
Osaka University(大阪大学);National Institute of Technology, Nara College(奈良工业高等专门学校)
以太坊智能合约是在以太坊区块链上运行的程序,在过去十年中发现了许多智能合约漏洞。已经创建了许多安全分析工具来检测此类漏洞,但是当要分析的代码被重写时,它们的性能急剧下降。在本文中,我们提出了Eth2Vec,这是一种基于机器学习的静态分析工具,用于漏洞检测,对智能合约中的代码重写具有鲁棒性。现有的基于机器学习的漏洞检测静态分析工具需要分析人员手动创建的特征作为输入。相比之下,Eth2Vec通过用于语言处理的神经网络自动学习具有隐性知识的易受攻击的以太坊虚拟机(EVM)字节码的特征。因此,Eth2Vec可以通过比较目标EVM字节码与其已经学习的EVM字节码之间的代码相似度来检测智能合约中的漏洞。我们对现有的开放数据库(如Etherscan)进行了实验,结果表明Eth2Vec在众所周知的指标方面优于现有的工作,即,精确度、召回率和F1分数。此外,Eth2Vec甚至可以检测重写代码中的漏洞。
2021-01-08 cs.CR cs.LG cs.SE
Towards Scalable and Cost-Efficient Vulnerability Detection: A Study on Automatic Query Generation
Singapore Management University(新加坡管理大学);Monash University(蒙纳士大学);University of Sydney(悉尼大学)
本研究利用国家漏洞数据库数据,实证评估大型语言模型自动生成CodeQL查询的能力,结果显示其显著提升基线查询,平均F1分数提高82%,并证明该方法是大规模漏洞检测中可扩展且成本高效的替代方案。
2026-09-10 cs.CR cs.SE
Prompt Engineering vs. Fine-Tuning for LLM-Based Vulnerability Detection in Solana and Algorand Smart Contracts
University of Salerno(萨莱诺大学)
针对Solana与Algorand非EVM智能合约漏洞检测场景,本文构建专属标注数据集,对比提示工程、微调及混合方案的LLM检测性能,验证了整合领域数据的LLM方案的可行性。
2025-11-14 cs.CR
An Extensive Comparison of Static Application Security Testing Tools
本研究通过150万次测试执行,对静态应用安全测试工具进行全面评估,发现其精确率高但召回率低,建议改进重点应放在提升召回率和扩大漏洞检测类型上。
2024-03-14 cs.CR cs.CY cs.SE
VULSOLVER: Vulnerability Detection via LLM-Driven Constraint Solving
MYbank, Ant Group(网商银行,蚂蚁集团);Ant Group(蚂蚁集团);National University of Singapore(新加坡国立大学)
VULSOLVER通过LLM驱动的约束求解方法,实现高精度漏洞检测,准确率达97.85%
2025-11-25 cs.CR
Automated Software Vulnerability Static Code Analysis Using Generative Pre-Trained Transformer Models
Sandia National Laboratories(桑迪亚国家实验室);New Mexico Tech(新墨西哥理工学院)
本文评估了5个开源GPT模型在NIST SARD数据集上自动检测C/C++代码漏洞的效果,发现其假阳性与假阴性率过高,不适合全自动漏洞扫描,但在部分测试用例中表现优于随机采样,最佳模型Llama-2-70b-chat-hf在缓冲区溢出用例上实现了召回率与精确率均为1.0。
2024-07-31 cs.AI cs.CL cs.CR
Ethereum NFT Smart Contracts: Knowledge-Guided Vulnerability Detection with LLM and Code Slicing
Hainan University(海南大学)
研究以太坊NFT智能合约漏洞检测,结合漏洞聚焦代码切片、ERC-721知识库及受限DeepSeek分析,正则表达式定位候选语句,提取代码切片分析,结果显示聚焦代码上下文和领域约束影响检测器输出,提升阳性标签率。
2026-07-27 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
LISA Technical Report: An Agentic Framework for Smart Contract Auditing
Agent Lisa Team Singapore(新加坡 Agent Lisa 团队)
本文提出智能体框架 LISA,通过融合规则与逻辑方法并从历史审计报告中学习检测经验,在无需微调的情况下提升智能合约漏洞覆盖与准确率。
2025-09-29 cs.CR
SAGE: Signal-Amplified Guided Embeddings for LLM-based Vulnerability Detection
Shandong University(山东大学);Quancheng Laboratory(泉城实验室);Nanjing University(南京大学)
SAGE通过引入稀疏自编码器增强漏洞信号,提升LLM在漏洞检测中的性能,实验显示其在多个数据集上表现优异,显著提升 Matthews Correlation Coefficient。
2026-04-21 cs.CR
AI-Based Software Vulnerability Detection: A Systematic Literature Review
本研究对2018-2023年AI驱动的软件漏洞检测研究做系统性综述,梳理技术分类,指出主流方法与现存局限,提出未来研究方向。
2025-06-12 cs.CR cs.SE
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
CveBinarySheet: A Comprehensive Pre-built Binaries Database for IoT Vulnerability Analysis
针对物联网等环境中漏洞数据集稀缺的问题,构建了包含1033条CVE、16个组件和5种架构的预编译二进制数据库,支持两种优化级别,以促进二进制漏洞分析工具的发展。
2025-01-15 cs.CR cs.SE
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
Trace Gadgets: Minimizing Code Context for Machine Learning-Based Vulnerability Prediction
ITS, University of Luebeck(ITS,吕贝克大学);CHAI, University of Hamburg(CHAI,汉堡大学)
本文提出Trace Gadgets,通过最小化代码上下文提升基于机器学习的漏洞检测性能,实验表明其在未见过的数据集上优于行业标准静态扫描器。
2025-12-16 cs.AI cs.CR
Vignat: Vulnerability identification by learning code semantics via graph attention networks
Columbia University(哥伦比亚大学)
本文提出基于图注意力网络的漏洞识别框架 Vignat,通过细粒度代码属性图学习代码语义表示,在 C 库数据集上实现 57.38% 准确率,并利用模型可解释性揭示漏洞模式。
2023-10-30 cs.AI cs.CR
AutoVulnPHP: LLM-Powered Two-Stage PHP Vulnerability Detection and Automated Localization
Beijing Electronic Science and Technology Institute(北京电子科技学院);Nankai University(南开大学);The 15th Research Institute of China Electronics Technology Group Corporation(中国电子科技集团公司第十五研究所)
AutoVulnPHP通过结合两阶段漏洞检测与细粒度自动定位,利用LLM提升PHP漏洞检测的准确性和定位精度,首次构建大规模PHP漏洞数据集并验证其实际应用效果。
2026-01-07 cs.CR cs.SE
How Far Have We Gone in Vulnerability Detection Using Large Language Models
Tsinghua University(清华大学);Beijing University of Technology(北京工业大学)
本文提出VulBench基准,评估16个LLM和6个SOTA深度学习模型及静态分析器的漏洞检测性能,发现LLM优于传统方法,展现其提升软件安全的潜力。
2023-12-22 cs.AI cs.CL cs.CR
Harnessing Large Language Models for Software Vulnerability Detection: A Comprehensive Benchmarking Study
School of Information Technologies Tallinn University of Technology(塔林理工大学信息技术学院);School of Informatics, Computing, and Cyber Systems Northern Arizona University(北亚利桑那大学信息学、计算与网络系统学院)
针对传统漏洞检测工具的不足,本研究提出用大型语言模型(LLMs)检测源代码漏洞,测试多种LLM及最佳提示策略,对比传统工具后发现LLMs在召回率和F1分数上更优,能识别更多问题,为开发和安全人员提供帮助。
2024-05-24 cs.AI cs.CR cs.SE
Using ChatGPT as a Static Application Security Testing Tool
Research Center for Development of Advanced Technologies(先进技术发展研究中心)
本文探究ChatGPT用于Python源代码漏洞检测的可行性,通过提示词输入漏洞数据,在两个数据集上与Bandit、Semgrep、SonarQube三款主流静态安全测试工具对比,发现ChatGPT可降低误报和漏报率,具备相关应用潜力。
2023-08-28 cs.AI cs.CR