Given Enough Eyeballs, All Bugs Are Shallow? Revisiting Eric Raymond with Bug Bounty Programs
漏洞赏金计划为组织提供了一个现代化的平台，可以众包他们的软件安全性，并为安全研究人员提供公平的奖励，因为他们发现了漏洞。然而，关于漏洞奖励计划所设定的激励措施，我们知之甚少：它们如何推动新的漏洞发现，以及它们如何通过逐步耗尽可修复的漏洞来提高安全性。在这里，我们认识到漏洞赏金计划会造成紧张局势，一方面是运行它们的组织，另一方面是安全研究人员。在一个漏洞奖励计划的层面上，安全研究人员面临着一种圣彼得堡悖论：发现更多漏洞的可能性迅速衰减，因此很难与足够增加的金钱奖励相匹配。此外，漏洞赏金计划的管理者有动机聚集尽可能多的人群，以确保更大的专业知识库，这反过来又增加了安全研究人员之间的竞争。因此，我们发现，研究人员有很高的动机切换到新推出的程序，其中的低挂水果漏洞储备仍然可用。我们的研究结果提供了漏洞赏金计划贡献动态背后的技术和经济机制的信息，并可能反过来有助于改善漏洞赏金计划的机制设计，这些计划越来越多地被网络安全组织所采用。
2017-08-22 cs.CR physics.soc-ph
SyzScope: Revealing High-Risk Security Impacts of Fuzzer-Exposed Bugs in Linux kernel
模糊技术已经成为软件缺陷发现的最有效的方法之一。近年来，出现了24*7连续模糊测试平台来测试软件的关键部分，例如，Linux内核。虽然能够发现许多错误并提供复制器（例如，概念证明），一个主要问题是它们忽略了本应内置的关键功能，即，评估bug的安全影响。众所周知，缺乏对安全影响的理解可能会导致错误修复延迟以及补丁传播。在本文中，我们开发SyzScope，一个系统，可以自动发现新的“高风险”的影响，给出了一个错误，看似“低风险”的影响。通过分析syzbot上的一千多个低风险bug，SyzScope成功地确定了183个低风险bug（超过15%）实际上包含高风险影响，例如，控制流劫持和任意内存写入，其中一些仍然没有可用的补丁。
2021-11-11 cs.CR cs.SE
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
Python Import as an Execution Boundary: An Empirical Study of Bugs, Vulnerabilities, and Analysis Gaps
Utah State University（犹他州立大学）
本研究通过ImportMine实证分析Python导入执行代码引发的缺陷与漏洞，发现多数初始化激活问题导致执行中断或高危漏洞，并构建了覆盖11种缺陷类型的基准ImportVulBench。
2026-09-15 cs.CR
CAI: An Open, Bug Bounty-Ready Cybersecurity AI
本文提出开源网络安全AI框架CAI，通过模块化智能体和人类监督在CTF及漏洞赏金任务中显著超越现有方法，大幅提升效率并降低成本，使非专业人员也能发现重大安全漏洞。
2025-04-09 cs.CR
SOK: On the Analysis of Web Browser Security
Web浏览器是每个人日常生活中不可或缺的一部分。它们通常用于安全关键和隐私敏感的任务，如银行交易和检查医疗记录。不幸的是，现代web浏览器太复杂而不能是无错误的（例如，Chrome中有2500万行代码），它们作为网络空间接口的角色使它们成为有吸引力的攻击目标。因此，Web浏览器自然成为展示攻击者的高级利用技术和浏览器供应商的最先进防御的舞台。可以说，Web浏览器是学习最新安全问题和技术的最令人兴奋的地方，但对于大多数安全研究人员来说，由于其快速变化的特性和复杂的代码库，它仍然是一种黑色艺术。为了弥合这一差距，本文试图通过研究流行的安全漏洞，他们的开发技术，并部署防御系统的现代Web浏览器的安全景观。更具体地说，我们首先介绍了一个统一的架构，忠实地代表了四个主要的Web浏览器的安全设计。其次，我们分享了一项关于浏览器bug的10年纵向研究的见解。第三，我们提出了一个时间轴和缓解方案及其有效性的背景。第四，我们分享了我们在2020年Pwn2Own比赛中使用的全链利用的经验教训。以及漏洞赏金计划对网络浏览器安全性的影响。我们相信，这种系统化的关键要点可以揭示如何推进现代Web浏览器的现状，更重要的是，如何在未来创建安全而复杂的软件。
2021-12-31 cs.CR
Security Bug Report Prediction Within and Across Projects: A Comparative Study of BERT and Random Forest
Technische Universität Clausthal（Clausthal技术大学）；ETS - Quebec University（魁北克大学ETS）
本研究对比了BERT与随机森林在项目内和跨项目安全缺陷报告预测中的表现，发现RF在项目内预测初期占优，但BERT在混合多类报告及跨项目预测中性能更优。
2025-04-28 cs.AI cs.CR
Ethical Hacking for IoT Security: A First Look into Bug Bounty Programs and Responsible Disclosure
随着物联网安全事件的日益增多，物联网安全问题备受关注。物联网硬件和软件安全漏洞被利用，影响许多公司和个人。由于漏洞的原因超出了纯粹的技术措施，现在迫切需要揭开物联网“安全复杂性”的神秘面纱，并为公司，消费者和监管机构制定实用的指导方针。在本文中，我们提出了一项针对物联网中未探索领域的初步研究，阐明了众包道德黑客方法在增强物联网漏洞管理方面的潜力。我们专注于Bug Bounty Programs（BBP）和Responsible Disclosure（RD），这两个项目刺激黑客报告漏洞以换取金钱奖励。我们通过文献调查和专家访谈进行了定性调查，以探索BBP和RD如何以有效和具有成本效益的方式促进识别，分类，优先排序，修复和缓解物联网漏洞的实践。除了为物联网利益相关者制定切实的指导方针外，我们的研究还揭示了将BBP和RD与现有安全实践相结合的系统集成路径（例如，渗透测试），以进一步提高整体物联网安全性。
2019-09-24 cs.CR cs.CY
Making Markets for Information Security: The Role of Online Platforms in Bug Bounty Programs
安全是数字市场和社区正常运作的重要基石。如果用户怀疑在线共享的数据是否安全，他们将退出平台。即使公司认真对待这些风险，安全专业知识也是昂贵的，漏洞的性质也是多种多样的。越来越多的公司和政府转向漏洞赏金计划（BBP）来众包他们的网络安全，他们向个人支付报告系统漏洞的费用。虽然近年来BBP的使用显著增加，但对这一市场的参与者及其动机的研究仍然有限。使用交易成本经济学的镜头，本文探讨了企业和研究人员（有时称为黑客）参与BBP的动机。我们研究了组织BBP的中心化平台在这个新兴市场中发挥的关键作用。我们对HackerOne BBP平台进行了分析，使用了一个新的数据集，该数据集涵盖了14，000多名研究人员，从2014年到2021年底，他们向500多家公司报告了超过125，000个公共漏洞。我们概述了像HackerOne这样的平台如何通过减少信息不对称及其相关的交易成本来为信息安全漏洞创造市场。
2022-04-14 cs.CR cs.SI
Investigating Vulnerability Disclosures in Open-Source Software Using Bug Bounty Reports and Security Advisories
本文对3,798条GitHub安全公告和4,033份OSS漏洞悬赏报告进行实证研究，首次明确OSS漏洞从安全公告和悬赏报告传播至全球漏洞数据库的过程，揭示了CVE分配的遗漏与延迟问题，并提出改善建议。
2025-01-29 cs.CR cs.SE
EvilCoder: Automated Bug Insertion
查找软件漏洞的技术已经在文献中广泛地讨论过，并且在这个主题上有大量的工作。相比之下，故意插入可利用的，安全关键的错误还没有得到（公众）的关注。乍一看，想要更多的bug似乎会适得其反，但是对bug发现技术的全面评估却缺乏基础事实和bug的稀缺性。在本文中，我们提出EvilCoder，一个系统，自动找到潜在的脆弱的源代码位置，并修改源代码，实际上是脆弱的。更具体地说，我们利用自动化程序分析技术来寻找与典型错误模式匹配的敏感汇点（例如，一个敏感的API函数，在此之前进行了健全性检查），并尝试找到与用户控制的源的数据流连接。然后，我们转换源代码，使利用成为可能，例如通过删除或修改输入清理或其他类型的安全检查。我们的工具旨在随机挑选易受攻击的位置和可能的修改，这样它就可以在同一软件语料库上生成许多不同的漏洞。我们在几个开源项目上评估了我们的工具，例如libpng和vsftpd，我们发现每个项目有22到158个唯一的连接源-汇对。这意味着我们可以插入数百个潜在的易受攻击的数据流路径和数百个错误。我们希望通过提供新生成的、充满bug的测试语料库来支持未来的bug查找技术，以便这些技术（最终）能够以一种全面且有统计意义的方式进行评估和比较。
2020-07-05 cs.CR
Advanced Security Threat Modelling for Blockchain-Based FinTech Applications
本文提出基于指标的反馈方法论（MBFM），将漏洞赏金计划与威胁建模相结合，通过分析漏洞数据识别根因并优化威胁模型，以提升区块链金融科技应用的安全态势。
2023-04-05 cs.CR
It's a Feature, Not a Bug: Secure and Auditable State Rollback for Confidential Cloud Applications
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Intel Labs（英特尔实验室）
本文提出Rebound框架，通过参考监视器实现安全回滚，允许授权的合法回滚，同时保证状态更新的原子性并生成防篡改日志，提升版本控制的可靠性。
2026-04-16 cs.CR
Lost at C: A User Study on the Security Implications of Large Language Model Code Assistants
像OpenAI Codex这样的大语言模型（LLM）越来越多地被用作基于AI的编码助手。了解这些工具对开发人员代码的影响至关重要，特别是最近的工作表明，LLM可能表明网络安全漏洞。我们进行了一项安全驱动的用户研究（N=58），以评估学生程序员在LLM的帮助下编写的代码。考虑到低级错误的潜在严重性以及它们在现实项目中的相对频率，我们要求参与者在C中实现一个单链接的“购物清单”结构。我们的研究结果表明，这种设置（使用指针和数组操作的低级C语言）的安全影响很小：人工智能辅助用户产生关键安全错误的比率不超过对照组的10%，这表明使用LLM不会引入新的安全风险。
2023-02-27 cs.CR
Evaluating Large Language Models for Security Bug Report Prediction
本文评估了基于提示和微调方法在预测安全漏洞报告中的性能，发现提示方法在召回率上表现更好但精度较低，而微调方法在精度上更优但召回率下降，且推理速度更快。
2026-01-30 cs.AI cs.CR cs.LG
Mining Threat Intelligence about Open-Source Projects and Libraries from Code Repository Issues and Bug Reports
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
开源项目和库被用于软件开发，同时也存在多个安全漏洞。第三方生态系统的使用为开发中的产品创造了一种新的攻击面。智能攻击者可以通过利用链接项目和库中存在的漏洞之一来攻击产品。在本文中，我们从公共代码存储库中报告的错误和问题中挖掘有关开源项目和库的威胁情报。我们还跟踪客户机上已安装软件的库和项目依赖关系。我们表示并存储此威胁情报，以及安全知识图谱中的软件依赖关系。然后，安全分析师和开发人员可以查询知识图谱，并在发现任何关于其产品中使用的链接库和项目的威胁情报时从知识图谱接收警报。
2018-08-09 cs.AI cs.CR cs.SE
How a simple bug in ML compiler could be exploited for backdoors?
每当程序中出现bug时，软件开发人员都会假设代码有缺陷，而不是编译器。事实上，如果编译器应该是正确的，它们只是有自己错误的普通软件。很难发现，其中的错误会产生重大影响，因为它可能导致漏洞，特别是当它们默默地错误编译关键应用程序时。用汇编语言编写这样的软件是很常见的，特别是在这样的程序中涉及到时间约束时。本文揭露了微软公司自1981年以来开发的宏汇编编译器中的一个缺陷。该程序集具有获得类似高级结构和类似高级记录的特性，这些特性有助于开发人员编写汇编代码。正是在这样一个层次结构的管理中发现了这个错误，本研究的目的是展示如何审计编译器错误并尽可能地纠正。对于应用程序开发人员来说，它表明即使是旧的和成熟的编译器也会出现错误。对于安全研究人员来说，它显示了在软件中隐藏一些意想不到的行为的可能性，这些行为具有清晰且正式的非伪造代码。它强调了即使在开源软件中也包含隐形后门的机会。
2018-11-27 cs.CR
Enabling Automatic Repair of Source Code Vulnerabilities Using Data-Driven Methods
Simula Research Laboratory（西穆拉研究实验室）
世界各地的用户在日常活动中依赖软件密集型系统。这些系统经常包含错误和安全漏洞。为了便于错误修复，自动程序修复的数据驱动模型使用错误代码和修复代码对来学习修复代码中错误的转换。然而，安全漏洞的自动修复仍然没有得到充分的探索。在这项工作中，我们提出了从三个角度来改善代码表示漏洞修复的方法：输入数据类型，数据驱动的模型，和下游任务。这项工作的预期结果是改进的代码表示自动程序修复，特别是修复安全漏洞。
2022-02-07 cs.CR cs.LG cs.SE
"Tab, Tab, Bug": Security Pitfalls of Next Edit Suggestions in AI-Integrated IDEs
The University of Hong Kong（香港大学）；McGill University（麦吉尔大学）
本文研究了AI集成IDE中的Next Edit Suggestions安全问题，揭示了其复杂的上下文检索机制和潜在攻击向量，通过实验室测试和在线调查发现NES易受上下文污染和交易性编辑影响，需加强安全教育和防护措施。
2026-09-10 cs.CR cs.HC
A Deep Dive Into How Open-Source Project Maintainers Review and Resolve Bug Bounty Reports
本文通过列表调查、Likert量表调查和半结构化访谈，研究了开源软件维护者使用huntr平台审查漏洞赏金报告的视角，将40项特征分为收益、挑战、有用和期望功能，发现私下披露和项目可见性最重要，并提出优化审查流程的建议。
2025-02-03 cs.CR cs.SE
Security Assessment of Intel TDX with support for Live Migration
Google Cloud（谷歌云）
谷歌与英特尔合作评估TDX安全性和实时迁移支持，发现多个漏洞并提出改进措施
2026-02-11 cs.CR
Sockeye: Bug-finding and proofs for platform configurations and hardware based on reference manuals
ETH Zürich（苏黎世联邦理工学院）
Sockeye通过构建领域特定语言，正式验证了八种硬件平台的安全性，并发现文档错误及真实世界服务器芯片中的漏洞。
2026-09-16 cs.CR cs.OS cs.PL
Neural Transfer Learning for Repairing Security Vulnerabilities in C Code
KTH Royal Institute of Technology（瑞典皇家理工学院）；Colorado State University（科罗拉多州立大学）
在本文中，我们解决了深度学习自动修复软件漏洞的问题。数据驱动漏洞修复的主要问题是，已知已确认漏洞的少数现有数据集仅包含几千个示例。然而，训练一个深度学习模型通常需要数十万个示例。在这项工作中，我们利用直觉，错误修复任务和漏洞修复任务是相关的，从错误修复学到的知识可以转移到修复漏洞。在机器学习社区中，这种技术被称为迁移学习。本文提出了一种基于迁移学习的安全漏洞修复方法VRepair。VRepair首先在一个大型的bug修复语料库上进行训练，然后在一个小一个数量级的漏洞修复数据集上进行调整。在我们的实验中，我们证明了只在bug修复语料库上训练的模型已经可以修复一些漏洞。然后，我们证明了迁移学习提高了修复脆弱C函数的能力。我们还表明，迁移学习模型的性能优于使用去噪任务训练并在漏洞修复任务上进行微调的模型。总之，本文表明，与在小数据集上学习相比，迁移学习在修复C中的安全漏洞方面效果良好。
2022-01-04 cs.CR cs.LG cs.SE
Symbolic Security Predicates: Hunt Program Weaknesses
动态符号执行（DSE）是一种在混合模糊和自动错误检测过程中进行路径探索的强大方法。我们提出了安全谓词，以有效地检测未定义的行为和内存访问违规错误。最初，我们象征性地在不会触发任何错误的路径上执行程序（混合模糊可能会探索这些路径）。然后我们构造了一个符号安全谓词来验证一些错误条件。因此，我们可以改变程序的数据流，使其具有空指针解引用、被零除、越界访问或整数溢出的弱点。与静态分析不同，动态符号执行不仅报告错误，而且生成新的输入数据来重现错误。此外，我们介绍了常见的C/C++标准库函数的函数语义建模。我们的目标是用一个符号公式来模拟函数内部的控制流。这有助于错误检测，加快路径探索，并克服路径谓词中的过度约束。我们实现我们的动态符号执行工具Sydr所提出的技术。因此，我们利用Sydr的强大方法，例如消除不相关约束的路径谓词切片。我们提出朱丽叶动态来衡量动态错误检测工具的准确性。测试系统还验证生成的输入是否触发消毒剂。我们评估Sydr准确度为11 CWE从朱丽叶测试套件。Sydr显示了95.59%的整体准确度。我们公开了Sydr评估工件，以促进结果的可重复性。
2022-03-21 cs.CR cs.SE
Incentives and Outcomes in Bug Bounties
Google Research（谷歌研究院）；Department of Computer Science, University of British Columbia（不列颠哥伦比亚大学计算机科学系）；Department of Economics and Innocenzo Gasparini Institute for Economic Research, Università Bocconi（博科尼大学经济学系和伊诺琴佐·加斯帕里尼经济研究所）
本文以谷歌漏洞奖励计划2024年7月奖励上调为自然实验，实证分析奖励激励对漏洞数量与质量的影响，发现高价值漏洞增加并区分了资深与新研究人员的贡献。
2026-10-02 cs.CR cs.SE econ.GN
Bugdar: AI-Augmented Secure Code Review for GitHub Pull Requests
针对传统人工代码审计成本高、效率低及自动化工具误报率高的问题，研究提出集成于GitHub拉取请求的AI增强安全代码审查系统Bugdar，结合可微调LLM与RAG提供项目专属反馈，支持多语言且效率远高于人工审查，可加速开发并提升软件安全性。
2025-03-21 cs.CR cs.HC cs.SE
Beyond Code Reasoning: A Specification-Anchored Audit Framework for Expert-Augmented Security Verification
Nyx Foundation（Nyx基金会）；Aichi Prefectural Aichi High School of Technology and Engineering（爱知县爱知科学技术高等学校）；Department of Physics, Kyoto University（京都大学物理学系）
本文提出SPECA框架，通过自然语言规范生成类型化安全属性，实现基于规范的审计，解决代码层面无法检测规范依赖漏洞的问题，提升安全验证的准确性和可解释性。
2026-04-29 cs.CR
Rowhammer.js: A Remote Software-Induced Fault Attack in JavaScript
软件安全中的一个基本假设是，内存位置只能由可能写入该内存位置的进程修改。然而，最近的研究表明，DRAM中的寄生效应可以改变存储单元的内容，而不访问它，而是通过以高频率访问其他存储单元。这种所谓的Rowhammer错误发生在今天的大多数内存模块中，并对所有受影响系统的安全性产生致命后果，例如，特权升级攻击。到目前为止，所有与Rowhammer相关的研究和攻击都依赖于缓存刷新指令的可用性，以便以足够高的频率访问DRAM模块。我们克服了这个限制，击败复杂的缓存替换策略。我们表明，高速缓存可以被迫进入快速缓存驱逐触发Rowhammer错误，只有定期的内存访问。这允许在高度受限甚至脚本环境中触发Rowhammer错误。我们演示了一个完全自动化的攻击，只需要一个网站与JavaScript触发远程硬件故障。因此，我们可以不受限制地访问网站访问者的系统。我们表明，攻击的现成的系统。现有的对策无法防止这种新的Rowhammer攻击。
2016-04-05 cs.CR
Snyk VulnBench JS 1.0: Can LLMs Find the Same Bugs Twice?
Snyk
通过300次重复漏洞扫描实验，评估LLM在相同JavaScript代码上安全审查的可重复性，发现引用匹配结果稳定但额外报告波动大，建议结合确定性SAST使用。
2026-06-16 cs.AI cs.CR cs.SE
Security Smells in Ansible and Chef Scripts: A Replication Study
上下文：安全气味是重复出现的编码模式，表明存在安全漏洞，需要进一步检查。由于基础设施即代码（IaC）脚本（如Ansible和Chef脚本）用于大规模配置基于云的服务器和系统，IaC脚本中的安全气味可用于使恶意用户能够利用所配置系统中的漏洞。目标：本文的目标是通过对Ansible和Chef脚本中的安全气味进行实证研究，帮助从业者在将基础设施开发为代码脚本时避免不安全的编码实践。方法学：我们进行了一项复制研究，我们对1，956个IaC脚本进行了定性分析，以确定用两种语言编写的IaC脚本的安全气味：Ansible和Chef。我们构建了一个名为Security Linter for Ansible and Chef scripts（SLAC）的静态分析工具，用于自动识别从813个开源软件库中收集的50，323个脚本中的安全气味。我们还提交了1,000个随机选择的气味事件的错误报告。结果：我们发现了两个在以前的工作中没有报道的安全气味：在case语句中缺少默认值和没有完整性检查。通过应用SLAC，我们识别出46，600次安全气味，其中包括7，849个硬编码密码。我们观察到94个bug报告中有65个是一致的，这表明Ansible和Chef脚本的安全气味与从业者之间的相关性。结论：我们观察到安全气味在Ansible和Chef脚本中普遍存在，类似于Puppet脚本。我们建议从业者使用（i）代码审查…
2020-06-20 cs.CR cs.SE
Asleep at the Keyboard? Assessing the Security of GitHub Copilot's Code Contributions
New York University（纽约大学）；University of Calgary（卡尔加里大学）
人们对设计基于人工智能的系统以帮助人类设计计算系统（包括自动生成计算机代码的工具）的兴趣正在蓬勃发展。其中最值得注意的是第一个自我描述的“人工智能配对程序员”GitHub Copilot，这是一个在开源GitHub代码上训练的语言模型。然而，代码通常包含错误--因此，考虑到Copilot处理的大量未公开代码，语言模型肯定会从可利用的、有错误的代码中学习。这引起了人们对Copilot代码贡献的安全性的担忧。在这项工作中，我们系统地调查了可能导致GitHub Copilot推荐不安全代码的流行程度和条件。为了执行此分析，我们提示Copilot在与高风险CWE相关的场景中生成代码（例如来自MITRE的“Top 25”列表的那些）。我们将在三个不同的代码生成轴上探索Copilot的性能--研究它在给定弱点多样性、提示多样性和域多样性的情况下如何执行。我们总共制作了89个不同的场景供Copilot完成，生成了1，689个程序。其中，我们发现大约40%是脆弱的。
2021-12-16 cs.AI cs.CR
WeSCE: A Benchmark for Measuring Security Drift in LLM-Driven Code Editing
Zhejiang University（浙江大学）
该研究推出WeSCE基准，针对仅指定功能目标的弱安全约束下的代码编辑，提出连续风险表示与漂移度量，以量化代码编辑中的安全漂移，为安全评估提供多尺度视角。
2026-08-18 cs.AI cs.CR cs.SE
Fixing Security Vulnerabilities with AI in OSS-Fuzz
本文定制AutoCodeRover智能体，利用LLM自主性和漏洞利用输入测试执行来修复OSS-Fuzz中的安全漏洞，并证明补丁质量评估需考虑动态测试执行而非代码相似性指标。
2024-11-21 cs.CR cs.SE
DeepCode AI Fix: Fixing Security Vulnerabilities with Large Language Models
Snyk；INSAIT；Sofia University（索非亚大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出通过程序分析缩减代码片段以聚焦LLM注意力的方法，降低修复安全漏洞所需训练数据量，并构建了涵盖156种缺陷模式的数据集，使Mixtral-8x7B系统可消除超80%缺陷，优于GPT-3.5、GPT-4和TFix等基线。
2024-02-23 cs.CR cs.LG cs.PL
