Towards an Improved Understanding of Software Vulnerability Assessment Using Data-Driven Approaches
The University of Adelaide（阿德莱德大学）；Centre for Research on Engineering Software Technologies (CREST)（工程软件技术研究中心（CREST））
本论文通过数据驱动方法，系统化知识并提供新技术与建议，以提升软件漏洞评估的理解与实践，促进更及时有效的修复规划。
2023-06-20 cs.CR cs.LG cs.SE
Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs
University of Colorado Colorado Springs (UCCS)（科罗拉多大学科罗拉多斯普林斯分校 (UCCS)）
本文提出基于SBOM图学习的方法，通过构建异构图预测软件供应链中的多漏洞攻击链，验证结果显示模型在识别漏洞关联和预测攻击链方面具有高准确率。
2026-07-17 cs.CR cs.LG cs.SE
Vulnerability Prediction Based on Weighted Software Network for Secure Software Building
为了构建安全的通信软件，在软件安全测试之前，利用漏洞预测模型（VPMs）预测软件系统中易受攻击的软件模块。目前，许多软件安全性度量标准已经被提出来设计VPM。在本文中，我们预测软件系统中的脆弱类，通过建立系统的加权软件网络。度量是从加权软件网络中的节点属性中获得的。我们设计并实现了一个爬虫工具来收集Mozilla Firefox中的所有公共安全漏洞。基于这些数据，训练和测试预测模型。实验结果表明，基于加权软件网络的VPM在准确率、精确率和召回率方面具有良好的性能。与其他研究相比，该方法在Pr和Re的预测性能有了很大的提高。
2019-02-13 cs.SE
Prompt-Enhanced Software Vulnerability Detection Using ChatGPT
针对现有ChatGPT漏洞检测研究提示词设计简单的问题，本文通过改进基础提示、引入辅助信息、利用多轮对话记忆优化提示词，在两个数据集上验证了提示增强方法的有效性，并分析了其优缺点。
2024-04-12 cs.SE
Propagation-Based Vulnerability Impact Assessment for Software Supply Chains
提出基于分层工作列表的算法和VPSS动态指标，实现全生态系统调用图级漏洞传播分析，并在Java Maven生态系统的100个真实漏洞上验证了有效性。
2025-10-09 cs.CR cs.SE
Toward Scalable Automated Repository-Level Datasets for Software Vulnerability Detection
本文提出自动化生成仓库级数据集的方法，通过注入真实漏洞并合成可复现的漏洞证明，提升漏洞检测模型的训练与评估效果，同时研究注入与检测代理的对抗共进化循环以增强鲁棒性。
2026-03-18 cs.AI cs.SE
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
Cascaded Vulnerability Attacks in Software Supply Chains
University of Colorado Colorado Springs (UCCS)（科罗拉多大学科泉分校）
本文提出基于SBOM的异构图注意力网络，用于检测软件供应链中的级联漏洞链。
2026-01-28 cs.SE
RAVEN: Agentic RAG for Automated Vulnerability Repair
University of Duisburg-Essen（杜伊斯堡- Essen大学）
提出RAVEN框架，集成智能体RAG管道与可控迭代修复，利用开源LLM实现跨类型、跨语言的自动化漏洞修复，在160个真实CVE上达到83.13%修复成功率。
2026-06-23 cs.CR cs.LG cs.SE
Do Chase Your Tail! Missing Key Aspects Augmentation in Textual Vulnerability Descriptions of Long-tail Software through Feature Inference
针对长尾软件文本漏洞描述关键维度缺失的问题，提出含名称标准化、LLM生成、CWE聚类选例、NLI校验的特征推断框架，提升漏洞分析效率。
2024-12-15 cs.CR cs.SE
Efficient Software Vulnerability Detection Using Transformer-based Models
DePaul University（德保罗大学）
本文提出利用变压器模型进行C/C++漏洞检测，通过程序切片提取关键语法和语义特征，结合数据平衡和超参数调优，实现高效准确的漏洞识别。
2026-03-31 cs.CR cs.LG cs.SE
Vulnerability Detection is Just the Beginning
漏洞检测在安全软件开发中起着关键作用。有许多不同的漏洞检测工具和技术可供选择，但有关使用哪些漏洞检测技术以及何时使用的信息不足。本研究的目的是通过对每种技术的效率和有效性的实证分析，帮助管理者和其他决策者在软件项目中对使用不同的软件漏洞检测技术做出明智的选择。我们将在两个项目中检查用于查找漏洞的漏洞检测技术、发现的漏洞类型、漏洞的可利用性以及修复漏洞所需的工作量之间的关系，我们将确保所有发现的漏洞均已修复。然后，我们将研究如何在更广泛的开源软件中看到这些关系，其中从业者可能会使用不同的漏洞检测技术，或者可能不会修复由于资源限制而发现的所有漏洞。
2021-03-09 cs.CR cs.SE
A Multi-Dataset Evaluation of Models for Automated Vulnerability Repair
Luxembourg Institute of Science and Technology (LIST)（卢森堡科学技术研究所）
本研究在六个数据集和四种语言上评估 CodeBERT 与 CodeT5 的自动化漏洞修复能力，揭示二者在上下文稀疏、复杂模式捕捉及分布外泛化上的差异与局限，并为实际安全应用提供改进方向。
2025-06-05 cs.AI cs.SE
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
Vulnerability Patching Across Software Products and Software Components: A Case Study of Red Hat's Product Portfolio
本文基于分段回归分析研究了1999至2024年Red Hat产品和组件的漏洞修补时间序列，发现易受攻击数量呈不稳定的线性趋势且存在断点，表明安全债务可能趋于稳定。
2025-09-16 cs.CR cs.SE
Multitask-based Evaluation of Open-Source LLM on Software Vulnerability
提出基于公开数据集 Big-Vul 的定量评估流水线，从检测、评估、定位和描述四类任务考察开源 LLM 的软件漏洞处理能力及局限。
2024-07-06 cs.SE
MVD: A Multi-Lingual Software Vulnerability Detection Framework
TikTok；CREST - Centre for Research on Engineering Software Technologies（CREST——工程软件技术研究中心）；The University of Adelaide（阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
针对现有漏洞检测方法多聚焦单语言、未利用跨语言知识协同的问题，提出多语言漏洞检测框架MVD，通过多语言数据联合学习与增量学习实现跨语言检测，在11K+漏洞数据集上PR-AUC较SOTA提升83.7%-193.6%。
2024-12-09 cs.CR cs.LG cs.SE
Using ML filters to help automated vulnerability repairs: when it helps and when it doesn't
University of Trento（特伦托大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文研究在自动化漏洞修复流程中用机器学习模型作为测试前初步过滤器的可行性，推导了精确率与召回率的理论界限，并据此评估了现有漏洞检测器相比仅基于测试的APR4Vuln流水线需要达到的速度条件。
2025-04-09 cs.CR cs.LG cs.SE
Software Vulnerability Detection Using a Lightweight Graph Neural Network
University of Missouri（密苏里大学）；National Institute of Standards and Technology（美国国家标准与技术研究院）
本文提出VulGNN，一种基于图神经网络的轻量级模型，在漏洞检测中性能接近大语言模型，且更小、更快，适用于边缘部署。
2026-03-31 cs.AI cs.CR cs.LG
Data Preparation for Software Vulnerability Prediction: A Systematic Literature Review
软件漏洞预测（SVP）是一种数据驱动的软件质量保证技术，近年来在软件工程研究领域得到了广泛的关注。然而，准备软件漏洞（SV）相关数据的困难被认为是工业采用SVP方法的主要障碍。鉴于关于这一主题的文献越来越多，但分散，因此需要及时系统地选择，审查和综合报告现有SV数据准备技术和挑战的相关同行评审论文。我们对SVP研究进行了系统性文献综述（SLR），以开发数据准备挑战，解决方案和所需研究的系统化知识体系。我们对61篇相关论文的回顾使我们能够为SVP相关挑战制定一个数据准备分类。我们已经分析了识别的挑战和可用的解决方案，使用建议的分类。我们对最先进技术的分析使我们能够确定未来研究的机会。这篇综述还为SVP方法的研究者和实践者提供了一套建议。
2022-04-27 cs.SE
Improving Data Curation of Software Vulnerability Patches through Uncertainty Quantification
本文提出利用不确定性量化策展软件漏洞补丁数据集，通过评估多种UQ技术并设计启发式过滤方法，在提升漏洞预测性能的同时显著降低训练能耗。
2025-09-19 cs.SE
LLM Agents for Automated Web Vulnerability Reproduction: Are We There Yet?
本文首次全面评估20个LLM智能体在80个真实CVE上的Web漏洞复现能力，发现其在复杂服务型漏洞上失败，性能受输入指导影响超33%，凸显环境适应与自主求解能力的不足。
2025-10-16 cs.CR cs.SE
Pros and Cons! Evaluating ChatGPT on Software Vulnerability
本文基于Big-Vul数据集从五个软件漏洞任务系统评估ChatGPT，发现其在漏洞检测、严重性预测、定位、修复和CVE描述生成方面整体弱于现有最先进方法，并提出改进方向。
2024-04-05 cs.SE
A systematic literature Review for Transformer-based Software Vulnerability detection
Department of Computer Science, Cybersecurity and Computing Systems Research Group, University of Hertfordshire, Hertfordshire（计算机科学系、网络安全与计算系统研究组、赫特福德郡大学、赫特福德郡）；Department of Software Engineering, Obafemi Awolowo University Ile-Ife（软件工程系、奥法米-阿沃洛沃大学伊费）
本文综述了2021-2025年间80项利用变换器模型检测软件漏洞的研究，分析了模型架构、数据集、编程语言及评估指标，揭示了数据不平衡、可解释性等关键问题。
2026-04-27 cs.LG cs.SE
A Survey on Automated Software Vulnerability Detection Using Machine Learning and Deep Learning
针对现有ML/DL漏洞检测综述缺失的问题，本文通过五个研究问题系统综述了基于机器学习和深度学习的源代码漏洞检测方法，涵盖趋势、数据集、模型、漏洞类型及未来挑战。
2023-06-20 cs.SE
VFFINDER: A Graph-based Approach for Automated Silent Vulnerability-Fix Identification
针对开源项目静默漏洞修复难以识别的问题，提出基于图神经网络VFFINDER方法，利用AST结构特征区分修复与非修复提交，在36K+提交数据集上显著提升精确率、召回率和F1，并加速识别过程。
2023-09-05 cs.SE
A Mixed-Methods Study of Open-Source Software Maintainers On Vulnerability Management and Platform Security Features
本文通过清单调查和半结构化访谈研究OSS维护者对漏洞管理和平台安全的视角，发现供应链不信任和缺乏自动化是主要挑战，并探讨了如何更好地支持漏洞管理。
2025-02-03 cs.CR cs.SE
DeepCVA: Automated Commit-level Vulnerability Assessment with Deep Multi-task Learning
CREST - The Centre for Research on Engineering Software Technologies, The University of Adelaide（CREST - 工程软件技术研究中心，阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
越来越多的人建议识别代码提交中的软件漏洞（SV），以提前警告潜在的安全风险。然而，在检测到对安全性有贡献的提交后，缺乏对它们进行评估的努力，以及时提供有关SV的可利用性、影响和严重性的信息。这些信息对于规划和优先考虑已识别SV的缓解措施非常重要。我们提出了一种新的深度多任务学习模型DeepCVA，基于通用漏洞评分系统（CVSS）指标同时自动执行七个提交级漏洞评估任务。我们对246个真实软件项目中包含542个不同SV的1，229个可扩展性贡献提交进行了大规模实验，以评估我们模型的有效性和效率。我们发现DeepCVA是性能最好的模型，马修斯相关系数比许多监督和无监督基线模型高出38%至59.8%。DeepCVA所需的训练和验证时间比七个累积评估模型少6.3倍，从而大大降低了模型维护成本。总的来说，DeepCVA提供了第一个有效和高效的解决方案，可以在软件系统的早期自动评估SV。
2021-08-18 cs.CR cs.LG cs.SE
APPATCH: Automated Adaptive Prompting Large Language Models for Real-World Software Vulnerability Patching
本文提出基于LLM的自动化漏洞补丁系统APPATCH，通过漏洞语义推理和自适应提示技术，在无需测试输入和模型微调的情况下生成补丁，在多个漏洞数据集上表现优于现有方法。
2025-04-02 cs.CR cs.SE
VulnResolver: A Hybrid Agent Framework for LLM-Based Automated Vulnerability Issue Resolution
Beihang University（北京航空航天大学）；Nanyang Technological University（南洋理工大学）
VulnResolver是一种基于大语言模型的混合代理框架，通过上下文预收集和安全属性分析代理，实现自动化漏洞问题的高效解决。
2026-01-20 cs.SE
SoK: Automated Vulnerability Repair: Methods, Tools, and Assessments
本SoK研究按漏洞分析、补丁生成、补丁验证三步体系化梳理自动化漏洞修复（AVR）方法，构建含144个漏洞的C/C++基准数据集Vul4C，评估了多款C/C++和Java的AVR工具，并指出未来研究方向。
2025-06-13 cs.SE
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
Software Vulnerability Prediction Knowledge Transferring Between Programming Languages
Ericsson Security Research（爱立信安全研究院）；Vodafone（沃达丰）
开发自动化和智能化的软件漏洞检测模型一直受到研究和开发社区的极大关注。这方面最大的挑战之一是缺乏适用于所有不同程序设计语言的代码示例。在这项研究中，我们通过提出一种迁移学习技术来解决这个问题，该技术利用可用的数据集并生成一个模型来检测不同程序设计语言中的常见漏洞。我们使用C源代码样本来训练一个卷积神经网络（CNN）模型，然后，我们使用Java源代码样本来采用和评估学习的模型。我们使用来自两个基准数据集的代码样本：NIST软件保障参考数据集（SARD）和Draper VDISC数据集。实验结果表明，该模型能够检测出C和Java代码中的漏洞，平均召回率为72%.此外，我们采用可解释的人工智能来研究每个功能对所提出的模型中C和Java之间的知识转移机制的贡献。
2023-03-10 cs.AI cs.LG cs.SE
A Survey on Data-driven Software Vulnerability Assessment and Prioritization
The University of Adelaide（阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
软件漏洞（SV）的复杂性和规模不断增加，给许多软件系统带来了巨大的安全风险。在实践中，由于资源有限，SV评估和优先级帮助从业者设计最佳的SV缓解计划的基础上，各种SV的特点。SV数据源和数据驱动技术（如机器学习和深度学习）的激增将SV评估和优先级排序提升到了一个新的水平。我们的调查提供了过去研究工作的分类，并强调了数据驱动的SV评估和优先级排序的最佳实践。我们还讨论了目前的局限性，并提出了解决这些问题的潜在解决方案。
2022-04-04 cs.AI cs.CR cs.LG
LIVABLE: Exploring Long-Tailed Classification of Software Vulnerability Types
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）；Huazhong University of Science and Technology（华中科技大学）；Peking University（北京大学）
针对实际软件漏洞类型分布的长尾特征及现有GNN方法的过平滑、尾部类别检测差问题，提出含漏洞表征学习和自适应重加权模块的LIVABLE方法，提升长尾漏洞类型分类性能。
2023-06-12 cs.AI cs.SE
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
Discovery of Timeline and Crowd Reaction of Software Vulnerability Disclosures
本文通过手动调查312个CVE，研究了漏洞披露时软件供应商和开发者社区的真实实践（群体反应），发现主要趋势是在公告前提供修复，且群体反应对漏洞严重程度不敏感，Oracle社区表现最为活跃。
2024-11-19 cs.SE
Your Instructions Are Not Always Helpful: Assessing the Efficacy of Instruction Fine-tuning for Software Vulnerability Detection
Singapore Management University（新加坡管理大学）
本文研究指令微调对软件漏洞检测模型跨编程语言泛化能力的影响，通过在真实数据集上的实验评估自然语言指令的作用，并总结关键经验与见解。
2024-01-15 cs.AI cs.SE
VulEval: Towards Repository-Level Evaluation of Software Vulnerability Detection
提出仓库级评估系统VulEval，通过函数级检测、依赖预测和仓库级检测三项任务及大规模数据集，填补了过程间漏洞检测评估的空白。
2024-04-24 cs.CR cs.SE
SCoPE: Evaluating LLMs for Software Vulnerability Detection
本研究提出SCoPE框架优化CVEFixes数据集，并微调三个预训练大语言模型进行软件漏洞检测，最佳模型F1分数达53%。
2024-07-19 cs.AI cs.CR cs.LG
Deep Learning Aided Software Vulnerability Detection: A Survey
本综述分析了2017至2024年34项相关研究，首次引入“漏洞检测生命周期”框架，系统比较基于深度学习的软件漏洞检测方法，探讨各阶段关键问题与挑战，为未来该领域的深度学习应用提供指导。
2025-03-06 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
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
Why Not Fix It Once and for All? An Empirical Study of Multiple Patches for Vulnerability Fixes in Open-Source Software
University of Texas at Dallas（达拉斯大学）
研究开源软件多补丁漏洞修复，通过人工检查1646条记录开发分类法，比较多补丁与单补丁修复特征及类别间特征变化，评估检测方法，为多补丁修复研究提供新见解和基础。
2026-07-16 cs.CR cs.SE
UntrustVul: An Automated Approach for Identifying Untrustworthy Alerts in Vulnerability Detection Models
本文提出UntrustVul方法，通过识别与漏洞无关的代码行来自动检测不可信的漏洞预测，实验表明其在AUC和F1-score上优于现有方法。
2026-05-15 cs.SE
K-ASTRO: Structure-Aware Adaptation of LLMs for Code Vulnerability Detection
Vanderbilt University（范德比大学）
K-ASTRO提出轻量级Transformer模型，结合LLM语义嵌入与AST结构特征，通过变异测试增强和结构感知注意力机制，在三个大型数据集上实现高效准确的代码漏洞检测，并支持CPU快速推理。
2025-10-13 cs.LG cs.SE
A Study on Mixup-Inspired Augmentation Methods for Software Vulnerability Detection
Department of Computer Science University of Manitoba（计算机科学系曼尼托巴大学）
本文探索在表示层面增强漏洞数据以提升深度学习模型检测性能，评估五种增强技术及条件版本，发现其可将F1分数提高达9.67%，但效果不及随机过采样。
2025-04-26 cs.CR cs.LG cs.SE
Augmenting Software Bills of Materials with Software Vulnerability Description: A Preliminary Study on GitHub
本文针对SBOMs缺乏软件漏洞信息的问题，提出用项目依赖项暴露的CVE信息增强40个开源项目的SBOMs，并通过提交pull requests和问卷调查进行评估，反馈表明该方法具有实用价值。
2025-05-27 cs.SE
GRAML: Graph-Grounded Reasoning and Multi-Task Learning for LLM-Based Software Vulnerability Detection
Qingdao University of Technology（青岛理工大学）；Ocean University of China（中国海洋大学）
GRAML框架通过图证据引导GPT-5进行思维树推理并生成漏洞描述，结合多任务训练，在漏洞检测上平均F1达66.67%-68.70%，优于现有基线最多30.92%。
2026-10-08 cs.SE
There are More Fish in the Sea: Automated Vulnerability Repair via Binary Templates
针对现有源代码层面漏洞修复技术的局限性，本文提出基于模板的Java二进制自动化漏洞修复方法TemVUR，通过收集并实现修复模板，在Vul4J和ManyVuls4J数据集上展现出显著的修复效果与通用性。
2024-11-27 cs.SE
Well Begun is Half Done: Location-Aware and Trace-Guided Iterative Automated Vulnerability Repair
Yangzhou University（扬州大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）
\sysname通过位置感知和跟踪引导的迭代方法，改进了漏洞修复的补丁生成质量与准确性。
2025-12-23 cs.SE
AndroScanner: Automated Backend Vulnerability Detection for Android Applications
Georgia Institute of Technology（佐治亚理工学院）
本文提出AndroScanner，通过静态与动态分析结合的方法，检测Android应用后端漏洞，发现5个漏洞，包括一个未报告的零日漏洞。
2026-04-15 cs.CR cs.NI cs.SE
Vul-R2: A Reasoning LLM for Automated Vulnerability Repair
Tencent Inc.（腾讯公司）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系）
针对现有LLM直接生成漏洞修复缺乏推理数据且难以验证中间过程的问题，提出Vul-R2推理大模型，以提升自动化漏洞修复的性能与可靠性。
2025-10-07 cs.AI cs.SE
Are We Learning the Right Features? A Framework for Evaluating DL-Based Software Vulnerability Detection Solutions
University of Southern California（南加州大学）
本文提出了一种评估基于深度学习的软件漏洞检测解决方案的框架，通过设计特征保持和消除扰动来衡量虚假和漏洞特征对预测的影响。
2025-05-23 cs.SE
