Statement-Level Vulnerability Detection: Learning Vulnerability Patterns Through Information Theory and Contrastive Learning
Monash University（莫纳什大学）；Adelaide University（阿德莱德大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织Data61研究院）；Defence Science and Technology Group（国防科学技术集团）
针对函数级标注难以定位漏洞语句的问题，提出融合互信息与聚类空间对比学习的端到端无监督方法，在20万余C/C++函数上显著提升漏洞语句识别性能。
2024-06-12 cs.AI cs.CR cs.LG
Automated Vulnerability Detection in Source Code Using Deep Representation Learning
Computer Science University of Cyprus（计算机科学 希腊塞浦路斯大学）
本文提出利用深度学习模型自动检测C语言源代码中的漏洞，通过优化方法在高精度下提升召回率，并在复杂代码中发现真实漏洞。
2026-02-26 cs.AI cs.CR
VMCDL: Vulnerability Mining Based on Cascaded Deep Learning Under Source Control Flow
随着计算机产业和计算机软件的快速发展，软件漏洞被利用的风险大大增加。然而，现有的泄漏源挖掘技术仍存在误报率高、检测粒度粗、依赖专家经验等不足。本文主要利用SARD数据集的c/c++源代码数据，处理CWE 476、CWE 469、CWE 516和CWE 570漏洞类型的源代码，测试前沿工具Joern漏洞扫描功能，提出一种新的基于源代码控制流的级联深度学习模型VMCDL，有效检测漏洞。首先，本文利用joern定位和提取敏感函数和语句，形成易受攻击代码的敏感语句库。然后，通过双向广度优先遍历生成CFG流漏洞代码片段，并利用Doc 2 vec进行向量化。最后，采用基于源代码控制流的级联深度学习模型进行分类，得到分类结果。在实验评测中，我们给出了Joern在具体漏洞上的测试结果，给出了模型算法在单一漏洞类型源代码上的二进制分类结果的混淆矩阵和标签数据，并对FPR、FNR、ACC、P、F1五项指标进行了对比验证，分别达到10.30%、5.20%、92.50%，85.10%和85.40%，表明它能有效降低静态分析的虚警率。
2023-03-24 cs.AI
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
Enhancing Vulnerability Reports with Automated and Augmented Description Summarization
Department of Computer Science at the University of Central Florida（佛罗里达中央大学计算机科学系）；Department of Computer Science at Northeastern Illinois University（北伊利诺伊大学计算机科学系）；Department of Computer Science at Qatar University（卡塔尔大学计算机科学系）；Ewha Womans University（成均馆大学）
本文提出Zad系统，通过双流水线利用外部资源丰富NVD漏洞描述，结合编码器构建数据集并微调预训练模型生成全面描述，有效提升了漏洞信息质量。
2025-04-29 cs.AI cs.CR cs.LG
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
Enriching Vulnerability Reports Through Automated and Augmented Description Summarization
University of Central Florida（中佛罗里达大学）
安全事件和数据泄露正在迅速增加，但只有一小部分被报告。公共漏洞数据库，例如，国家漏洞数据库（NVD）和常见漏洞和暴露（CVE）一直在记录漏洞并共享漏洞以帮助防御方面发挥主导作用。两者都因许多问题而闻名，包括简短的漏洞描述。这些描述在将漏洞信息传达给安全分析人员以制定适当对策方面发挥着重要作用。许多资源提供了关于漏洞的额外信息，但是，它们并没有被用来提升公共存储库。在本文中，我们设计了一个管道，通过第三方引用（超链接）报废增加漏洞描述。为了规范化描述，我们利用预训练的语言模型构建了一个自然语言摘要管道，该模型使用标记实例进行了微调，并根据人类评估（黄金标准）和计算指标评估其性能，在摘要流畅性，完整性，正确性和理解方面显示了初步的有希望的结果。
2022-10-03 cs.CR cs.LG
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
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
An Automated, End-to-End Framework for Modeling Attacks From Vulnerability Descriptions
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；NEC Corporation（日本电气株式会社）
攻击图是用于自动化风险评估过程的主要技术之一。为了得到相关的攻击图，关于已知攻击技术的最新信息应该被表示为交互规则。设计和创建新的交互规则不是一项简单的任务，目前由安全专家手动执行。然而，由于新的安全漏洞和攻击技术的数量持续快速增长，因此需要使用新的攻击技术频繁更新攻击图工具的规则集，以确保交互规则集始终是最新的。我们提出了一种新的，端到端的，自动化的框架，从文本描述的安全漏洞建模新的攻击技术。给定一个安全漏洞的描述，该框架首先提取相关的攻击实体所需的攻击模型，完成缺失的信息的漏洞，并得出一个新的交互规则，模型的攻击，这个新的规则是集成在MulVAL攻击图工具。所提出的框架实现了一个新的管道，包括一个专用的网络安全语言模型训练的NVD存储库，用于攻击实体提取的递归神经网络模型，用于完成缺失的信息，和一个新的逻辑回归模型机器学习为基础的方法自动建模的攻击MulVAL的交互规则。我们评估了每个算法的性能，以及完整的框架，并证明了其有效性。
2020-08-10 cs.CR cs.LG
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
Correct Verdicts, Flawed Reasoning: Structured Auditing of LLM-based Vulnerability Reasoning
Carnegie Mellon University（卡内基梅隆大学）
针对LLM漏洞分析中自由形式推理易掩盖错误的问题，提出VERA框架，通过结构化推理记录和确定性检查审计推理，能暴露87%被传统LLM评判遗漏的错误。
2026-10-06 cs.CR cs.LG cs.SE
Can Neural Decompilation Assist Vulnerability Prediction on Binary Code?
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）
本文提出一种无需源代码的漏洞预测方法，通过神经反编译将二进制文件转为源代码后利用深度学习进行预测，在二分类和多分类分析中均超越现有技术。
2025-03-29 cs.AI cs.CR cs.LG
Transformer-based Vulnerability Detection in Code at EditTime: Zero-shot, Few-shot, or Fine-tuning?
Microsoft（微软）
本文提出利用预训练 LLM 的零样本、少样本与微调方法，在编辑时对不完整代码检测 250 多种漏洞，性能提升 10%，高风险场景漏洞最多减少 90%。
2023-05-23 cs.AI cs.CR cs.LG
Enhancing Software Vulnerability Detection Using Code Property Graphs and Convolutional Neural Networks
本文提出利用代码属性图与卷积神经网络相结合的方法，实现可扩展且自动化的软件漏洞检测，并构建了函数级漏洞数据集，以提高检测的准确性和粒度。
2025-03-23 cs.LG cs.SE
Automated Vulnerability Detection in Source Code Using Quantum Natural Language Processing
Kennesaw State University（肯尼索州立大学）；Fordham University（福特汉姆大学）
软件代码审计领域最重要的挑战之一是软件源代码中存在的漏洞。这些漏洞极有可能被利用，并导致系统受损、数据泄漏或拒绝服务。C和C++开放源代码现已可用，以创建用于功能级漏洞识别的大规模经典机器学习和量子机器学习系统。我们收集了数百万个开源函数的数据集，这些函数指向潜在的漏洞。我们基于深度神经网络模型长短期记忆（LSTM）和量子机器学习模型长短期记忆（QLSTM）创建了一种高效且可扩展的漏洞检测方法，可以学习从源代码中提取的特征。首先将源代码转换为最小的中间表示，以去除无意义的组件并缩短依赖性。因此，我们使用最先进的词嵌入算法，如Glove和fastText，保持语义和句法信息。嵌入的向量随后被馈送到经典和量子卷积神经网络中，以对可能的漏洞进行分类。为了衡量性能，我们使用了一些评估指标，如F1分数、精确度、重新调用、准确度和总执行时间。我们使用基本特征表示以及语义和语法表示对经典LSTM和量子LSTM的结果进行了比较。我们发现，具有语义和语法特征的QLSTM检测到显着准确的漏洞，运行速度比其经典的同行。
2023-03-13 cs.CV cs.LG
Enriched text-guided variational multimodal knowledge distillation network (VMD) for automated diagnosis of plaque vulnerability in 3D carotid artery MRI
department of Radiology and Nuclear Medicine, Xuanwu Hospital, Capital Medical University（放射医学与核医学科，宣武医院，首都医科大学）；Beijing Key Laboratory of Magnetic Resonance Imaging and Brain Informatics（北京磁共振成像与脑信息学重点实验室）；Beijing United Imaging Research Institute of Intelligent Imaging（北京智能成像联合研究院）
该研究针对3D颈动脉MRI斑块易损性自动诊断难题，提出VMD网络，利用跨模态先验知识提升未标注图像诊断准确率，经内部数据集实验验证其有效性。
2026-08-04 cs.CV cs.LG
Natural Code Transformation Confuses Agents in Vulnerability Analysis
University of Chicago（芝加哥大学）
本研究发现自然代码转换可混淆搭载GPT-6 Sol的Codex等前沿智能体，降低其漏洞发现成功率，拓展了代码转换防御恶意智能体的研究空间。
2026-10-15 cs.AI cs.CR cs.LG
VulCatch: Enhancing Binary Vulnerability Detection through CodeT5 Decompilation and KAN Advanced Feature Extraction
Beijing Institute of Technology（北京理工大学）；Beihang University（北京航空航天大学）；American University of Nigeria（尼日利亚美国大学）
针对现有深度学习二进制漏洞检测依赖源代码、未知漏洞检测能力受限的问题，提出VulCatch框架，结合CodeT5反编译、KAN特征提取及多种深度学习模块，在7个CVE数据集上实现高准确率与低误漏报率。
2024-08-13 cs.AI cs.CR cs.LG
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
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
Automated Security Assessment for the Internet of Things
Deakin University（迪肯大学）；RMIT University（皇家墨尔本理工大学）；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）
基于物联网（IoT）的应用面临着越来越多的潜在安全风险，需要系统地评估和解决。基于专家的物联网安全手动评估是一种主要方法，但通常效率低下。为了解决这个问题，我们提出了一个物联网网络的自动安全评估框架。我们的框架首先利用机器学习和自然语言处理来分析漏洞描述以预测漏洞度量。然后将预测的度量输入到两层图形安全模型中，该模型由上层的攻击图和底层的攻击树组成，上层用于表示网络的连通性，底层用于描述网络中每个节点的漏洞信息。该安全模型通过捕获潜在的攻击路径来自动评估物联网网络的安全性。我们使用一个概念验证的智能建筑系统模型来评估我们方法的可行性，该模型包含各种真实世界的物联网设备和潜在的漏洞。我们对所提出的框架的评估表明，它在自动预测新漏洞的漏洞度量方面具有有效性，平均准确率超过90%，并确定物联网网络中最脆弱的攻击路径。所产生的评估结果可作为网络安全专业人员采取进一步行动和及时降低风险的指南。
2021-09-09 cs.AI cs.CR cs.LG
Automated Mapping of Vulnerability Advisories onto their Fix Commits in Open Source Repositories
Eindhoven University of Technology - JADS（埃因霍温理工大学-JADS）；SAP Security Research（思爱普安全研究院）；University of Trento（特伦托大学）；University of Salerno（萨勒诺大学）
本文提出结合启发式规则与NLP的三阶段方法，并通过FixFinder自动将漏洞通告映射到开源仓库中的修复提交，在1,248条通告上Top-10命中率达84.03%。
2023-05-10 cs.CR cs.LG cs.SE
Predicting Likely-Vulnerable Code Changes: Machine Learning-based Vulnerability Protections for Android Open Source Project
Google（谷歌）
本文提出一个基于机器学习的漏洞预防框架，在代码提交前自动触发安全审查，通过分类器识别高风险变更，在AOSP数据集上实现约80%召回率、98%精确率和1.7%误报率。
2024-05-26 cs.AI cs.CR cs.CY
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
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
PLMGH: What Matters in PLM-GNN Hybrids for Code Classification and Vulnerability Detection
Polytechnique Montréal（蒙特利尔理工学院）；Quantstamp
本文通过系统配对三种代码专用PLM与三种基础GNN架构，研究PLM-GNN混合在代码分类和漏洞检测中的性能，发现混合模型优于GNN-only基线，且PLM选择比GNN架构影响更大。
2026-04-28 cs.LG cs.SE
VulBERTa: Simplified Source Code Pre-Training for Vulnerability Detection
Imperial College London（帝国理工学院）；University of Malaya（马来亚大学）
VulBERTa通过自定义分词预训练RoBERTa模型于C/C++代码，学习深层表示，在多个漏洞检测数据集和基准上达到最先进性能，且训练数据和参数成本低。
2022-05-25 cs.AI cs.CR cs.LG
VUDENC: Vulnerability Detection with Deep Learning on a Natural Codebase for Python
Humboldt-Universität zu Berlin（柏林洪堡大学）；University of Paderborn（帕德博恩大学）；University of Bern（伯尔尼大学）
识别潜在的易受攻击的代码对于提高我们软件系统的安全性非常重要。然而，软件漏洞的手动检测需要专业知识并且是耗时的，并且必须由自动化技术支持。目的：这种自动化漏洞检测技术应该实现高准确性，将开发人员直接指向易受攻击的代码片段，扩展到真实世界的软件，跨特定软件项目的边界进行概括，并且不需要或仅需要适度的设置或配置工作。方法：在本文中，我们将介绍VUDENC（Vulnerability Detection with深度学习on a Natural Codebase），这是一个基于深度学习的漏洞检测工具，可以自动从大型真实Python代码库中学习易受攻击代码的特征。VUDENC应用word 2 vec模型来识别语义相似的代码标记并提供矢量表示。然后，使用长短期记忆单元（LSTM）网络对易受攻击的代码令牌序列进行细粒度分类，突出显示源代码中可能包含漏洞的特定区域，并为其预测提供置信度。结果如下：为了评估VUDENC，我们使用了来自不同GitHub存储库的1，009个可修复性提交，这些存储库包含七种不同类型的漏洞（SQL注入，XSS，命令注入，XSRF，远程代码执行，路径泄露，Open重定向）用于培训。在实验评测中，VUDENC的召回率为78%-87%，准确率为82%-96%，F1评分为80%-90%。VUDENC的代码、漏洞的数据集和word 2 vec模型的Python语料库都可以复制。结论…
2022-01-20 cs.CR cs.LG cs.SE
Enhancing Large Language Models with Faster Code Preprocessing for Vulnerability Detection
GECAD, ISEP, Polytechnic of Porto（GECAD、ISEP、波尔图理工学院）
本文提出SCoPE2代码预处理框架，在SCoPE基础上优化处理效率，使处理时间减少97.3%，并提升大语言模型漏洞检测的F1分数。
2025-05-08 cs.LG cs.SE
Code2Image: Intelligent Code Analysis by Computer Vision Techniques and Application to Vulnerability Prediction
Arcelik Research（阿尔切利克研究院）
近年来，随着机器学习（ML）领域的显著进步，智能代码分析受到越来越多的关注。为此目的利用ML的一个主要挑战是以ML算法可以接受的有用形式表示源代码。在这项研究中，我们提出了一种新的方法来表示源代码的图像，同时保留语义和语法属性，这铺平了道路，利用计算机视觉技术用于代码分析。实际上，该方法使得可以直接将源代码的所得图像表示作为输入输入到深度学习（DL）算法中，而不需要任何进一步的数据预处理或特征提取步骤。我们通过在包含大量真实源代码样本的公共数据集上实现漏洞预测用例，并与最先进的解决方案进行性能评估，证明了我们的方法的可行性和有效性。我们的实现是公开的。
2021-05-07 cs.CR cs.LG cs.PL
Learning to map source code to software vulnerability using code-as-a-graph
IBM Research（IBM研究院）
我们从安全的角度探讨了图神经网络在学习源代码的细微差别方面的适用性。具体来说，源代码中的漏洞签名是否可以从其图表示中学习，根据节点和边缘之间的关系。我们创建了一个称为AI4VA的管道，它首先将示例源代码编码为代码属性图。然后以保留其语义信息的方式对所提取的图进行矢量化。然后，使用多个此类图来训练门控图神经网络，以自动提取区分脆弱样本图和健康样本图的模板。我们的模型在我们实验的三个数据集中的两个数据集上优于静态分析器，经典机器学习以及基于CNN和RNN的深度学习模型。因此，我们表明，代码作为图形编码是更有意义的漏洞检测比现有的代码作为照片和线性序列编码方法。（2019年10月提交，论文#28，ICST）
2020-06-15 cs.CR cs.LG cs.PL
Deep Learning-based Binary Analysis for Vulnerability Detection in x86-64 Machine Code
Department of Computer Science and Mathematics（计算机科学与数学系）；Algoma University（阿尔戈马大学）
本文提出利用深度学习模型直接分析x86-64机器代码以检测漏洞，发现基于图的模型在漏洞检测中表现更优。
2026-01-14 cs.CR cs.LG
Unintentional Security Flaws in Code: Automated Defense via Root Cause Analysis
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文针对初级开发者难以定位漏洞根因的问题，提出结合 T5 与图卷积网络的自动化根因分析工具 T5-RCGCN，实验表明其可将代码安全性提升 28.9%，并促进开发者长期安全能力成长。
2024-08-30 cs.CR cs.LG cs.SE
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
SEC-bench: Automated Benchmarking of LLM Agents on Real-World Software Security Tasks
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Purdue University（普渡大学）
针对现有LLM智能体安全评估基准脱离真实场景的问题，提出全自动化基准框架SEC-bench，通过多智能体支架构建真实漏洞数据集，测试显示前沿LLM在PoC生成和漏洞修复任务上成功率极低，指明了安全领域LLM智能体的改进方向。
2025-10-22 cs.CR cs.LG
To Err is Machine: Vulnerability Detection Challenges LLM Reasoning
Iowa State University（爱荷华州立大学）；University College London（伦敦大学学院）
本文评估 LLM 在漏洞检测这一代码推理任务上的表现，发现 SOTA 模型平衡准确率仅 54.5%，扩大模型、数据、提示或微调均难显著改善。
2025-01-07 cs.CR cs.LG cs.SE
Finetuning Large Language Models for Vulnerability Detection
Sber AI Lab（Sber AI实验室）；Huawei Russian Research Institute（华为俄罗斯研究院）；Satbayev University（萨特拜耶夫大学）
本文通过微调WizardCoder模型，优化训练流程并处理类别不平衡，在漏洞检测任务上提升了ROC AUC和F1指标，展示了预训练LLM在源代码分析中的迁移学习潜力。
2024-07-27 cs.AI cs.CR cs.LG
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
Automated Mapping of CVE Vulnerability Records to MITRE CWE Weaknesses
Mohammed Bin Zayed University for Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Technology Innovation Institute（技术创新研究所）
针对CVE到MITRE CWE映射缺乏专用数据集的问题，本文发布4,012条人工标注记录，并以排序方式微调Sentence-BERT和rankT5，性能显著优于BM25、BERT和RoBERTa。
2023-04-13 cs.AI cs.CL cs.CR
A Systematic Study of Code Obfuscation Against LLM-based Vulnerability Detection
National Key Lab for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学）；Shandong University（山东大学）；Nanyang Technological University（南洋理工大学）
本文系统研究了对抗基于大语言模型的漏洞检测的代码混淆技术，评估了不同混淆方法对LLM检测性能的影响，并提出了未来改进方向。
2025-12-18 cs.CR cs.LG
Vulnerability Detection in C/C++ Code with Deep Learning
School of Computing, DePaul University（德保罗大学计算学院）
本研究利用从C/C++源代码提取的程序切片训练神经网络，结合多种特征和平衡数据，实现漏洞检测，其中BGRU+ADAM准确率达92.49%。
2024-05-28 cs.CR cs.LG
